利用近红外光谱鉴别纺织用竹纤维和麻纤维

　　竹纤维是一种新型的纺织纤维原料,特殊的高度中空结构,使竹纤维具有很强的透气性。同时,竹纤维还具有优良的着色性、回弹性和耐磨性,以及天然的抗菌、抑菌、防臭和抗紫外线等特性。这种纺织原料的开发不仅可以丰富纺织原料种类,提升纺织纤维的原料质量,同时也为竹类资源的利用以及高附加值产品的开发开辟了一条崭新的道路。目前,已开发出竹纤维衬衫、内衣、袜子、床上用品等多种产品,深受广大消费者的好评和青睐。但是,由于竹纤维和麻纤维具有相似的外在形态和手感,因此有些生产厂家利用麻纤维冒充竹纤维,为了规范市场,需要一种准确的纤维鉴别方法。鉴别纤维的方法通常包括物理鉴别方法和化学分析方法,主要有感官法、扫描电子显微镜法、燃烧法、热重法。但是,用在竹纤维和麻纤维鉴别中,或者鉴别过程繁琐,或者鉴别结果不准确。近年来,近红外光谱(NIR)方法在农产品分析、中草药鉴别、食品科学以及木材性质预测、木材腐朽性质判别等领域中的研究获得较大进展和应用,本文将近红外光谱技术应用在竹纤维和麻纤维的鉴别中,为竹纤维和麻纤维的鉴别提供了一种新的方法。

1.材料与方法

1.1　试验样品

 30个竹原纤维(NF)、30个竹粘胶纤维(NM)、30个苎麻纤维(TZ)分别由湖南华升株洲雪松有限公司和浙江谈竹庄有限公司提供。上述样品均需保持气干状态,然后放在温度20!,湿度65%恒温恒湿箱内调节含水率至7%~9%,放入密封袋供采谱用。

1.2 NIR光谱采集

　　仪器为美国ASD公司生产的LabSpecRPro近红外光谱仪,检测器:350~2500nm,低噪声512阵元PDA;光谱采样间隔:14nm@350~1050nm,2nm@1000~2500nm;光谱分辨率:3nm@700nm,10nm@1400,2100nm。用杯光源检测器对商用聚四氟乙烯白板进行空白校准后,再对样品的近红外光谱在全光谱范围内(350~2500nm)进行采集,每次扫描30次并自动平均为一个光谱,每个样品装样3次。

1.3　多变量数据分析

　　利用ASD开发的Indico数据采集和预处理软件,完成对3种纤维样品近红外光谱的采集,并对光谱数据进行微分和平滑预处理。使用CAMO公司的多变量统计分析软件Unscrambler对每个样品的3个光谱平均后用偏最小二乘法(PLS1)和完全交互验证方式在样品木质素含量和光谱数据之间建立相关性模型。三分之二样品(60个)用来建模,三分之一样品(30)用来做外部检验。

2.结果与讨论

2.1 3种纤维的近红外光谱分析

　　竹原纤维、竹粘胶纤维和苎麻纤维的典型近红外光谱曲线如图1所示。3种纤维的主要成分都是纤维素,但也有较大差别。前人的研究结果表明,竹原纤维的纤维素含量比苎麻纤维高7%,比竹粘胶纤维高9%;三者的果胶糖差异也较大,竹原纤维含量仅为0.02%,竹粘胶纤维为0.05%,而苎麻纤维则为0.11%。从图1中可以看出,它们的近红外光谱的峰位、峰型比较类似,同时也有一些微小的差别(图1),这些差别在其一阶导数光谱中更加明显(图2),3种纤维化学成分含量以及结构上的差异,使得不同纤维光谱的吸光度有明显区别(图1),这些差异是不同品种纤维鉴别的物质基础。

2.2　判别模型的建立

　　利用CAMO公司Unscrambler软件,随机选取每种纤维20个光谱图,共60个谱图建成数据库,对上述中得到的光谱数据进行平滑处理,利用化学计量学方法建立竹原纤维判别模型MNF,竹原纤维样品的近红外光谱图如图1a所示。按照与竹原纤维判别模型相同的建立方法,建立竹粘胶纤维判别模型MNM,竹粘胶纤维样品的近红外光谱图如图1b所示。同样建立苎麻纤维判别模型MTZ,麻纤维样品的近红外光谱图如图1c所示。用待测样品的光谱和每个试样的平均光谱计算相关系数。若相关系数大于099时,即认定待测物为该种产品(竹原纤维、竹粘胶纤维或苎麻纤维)。

2.3　模型的验证与对未知样品的预测

　　数学模型建立后,利用建模样品进行交叉检验,验证数据模型的专属性。结果表明数学模型的专属性较好,各样品之间没有交叉误判。用建立的数学模型对每种纤维剩余的10个样品,共30个样品进行检测,分析结果如表1所示。

　　从表1所示的相关系数可以判断出待测纤维(a)为竹原纤维,待测纤维(b)为竹粘胶纤维,待测纤维(c)为麻纤维,这个判断结果与实际情况完全一致,说明利用近红外光谱技术不仅速度快、无损,而且鉴别结果准确。

3　结论

　　利用近红外光谱技术可以在不破坏样品的情况下鉴别竹原纤维、竹粘胶纤维和苎麻纤维。与目前常用的纺织纤维鉴别方法相比,本方法操作简单,检测时间短,结果准确。近红外光谱进行定性鉴别的准确性、可靠性,很大程度上取决于建立模型数据库的代表性。由于本研究中建立模型样品有限,适用范围有限,如欲将近红外技术真正应用于纤维质量检验或海关、商检等领域,还需要逐步积累样品,建立更为完善的数据库和检验模型。