羊毛／羊絨的定性定量分析模型研究

劉軍紅，蔡宗群，李軍法

（泉州出入境檢驗檢疫局，福建 泉州 362000）

0 引言

在紡織服裝領(lǐng)域羊毛與羊絨的成分鑒別及其含量檢測一直都是研究的難點，其原因在于羊毛與羊絨同屬于天然蛋白質(zhì)纖維，兩者的化學(xué)組成、組織結(jié)構(gòu)和理化性質(zhì)非常相近。而羊絨纖維具有光澤好、細度均勻、滑糯柔軟、富有彈性等優(yōu)良特性，是一種稀有的動物纖維，產(chǎn)量少、價格貴，素有“軟黃金”的美稱；羊毛盡管和羊絨具有相近的化學(xué)成分，但在組織結(jié)構(gòu)上，尤其在纖維特性和經(jīng)濟價值上遠不如羊絨［1-3］。我國雖然是生產(chǎn)羊毛羊絨的大國，但是因為羊毛羊絨的國家標準還不夠完善，使得我國的羊毛羊絨產(chǎn)品經(jīng)常在國際貿(mào)易中陷于被動。因此如何準確鑒別羊毛與羊絨，以及如何準確確定紡織品中羊毛、羊絨的含量就顯得極為重要。這既是保證產(chǎn)品質(zhì)量，維護消費者權(quán)益，提高我國毛紡織品國際貿(mào)易地位的需要，也是擺在出入境檢測機構(gòu)面前的一大課題。

紅外測試技術(shù)是1800年由物理學(xué)家W.Herschel發(fā)現(xiàn)紅外輻射以后逐漸建立和發(fā)展起來的［4］，是一種依據(jù)某一物質(zhì)成分對電磁波的吸收特性而進行的定性、定量的分析技術(shù)，是20世紀90年代以來發(fā)展最快、最引人注目的光譜分析技術(shù)。化學(xué)計量學(xué)可視為數(shù)學(xué)、統(tǒng)計學(xué)、計算機科學(xué)與化學(xué)化工的“接口”，支持向量機（Support Vector Machine，SVM）是20世紀90年代Vapnik基于統(tǒng)計學(xué)習(xí)理論提出的一種新的機器學(xué)習(xí)方法［5-7］。它以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)，采用結(jié)構(gòu)風險最小化準則和VC維理論，根據(jù)有限數(shù)據(jù)信息在模型的復(fù)雜度和學(xué)習(xí)能力之間尋找最佳折衷，從而獲得最好的推廣能力；能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題［8-10］。

本研究將基于支持向量的集成算法與近紅外光譜結(jié)合，以研究羊毛、羊絨的定性和定量分析。通過選取不同的羊毛、羊絨標準樣品，測量其紅外光譜圖，經(jīng)數(shù)據(jù)預(yù)處理后使用基于支持向量機的集成算法建立分析模型，對羊毛、羊絨進行定性分析。選取不同含量的羊毛、羊絨標準混合樣品，通過測量其紅外光譜圖，經(jīng)數(shù)據(jù)預(yù)處理后使用基于支持向量機的集成算法建立分析模型，對羊毛、羊絨進行定量分析。該方法與目前常用的羊毛、羊絨測定方法相比，具有無需化學(xué)試劑、樣品無需預(yù)處理、制樣簡單、檢測速度快，準確性高等特點，可為開發(fā)一種可靠、高效、無損的羊毛羊絨檢測手段奠定基礎(chǔ)。

1 試驗部分

1.1 材料和儀器

定性分析樣品：不同產(chǎn)地的羊絨30份，羊毛纖維30份（內(nèi)蒙古自治區(qū)鄂爾多斯，遼寧丹東，吉林白山，山東臨沂，河北滄州等產(chǎn)地）。定量分析樣品：將收集到的羊絨與羊毛纖維按質(zhì)量分數(shù)稱重，羊絨質(zhì)量分數(shù)從0%到100%，間隔2%，共51份樣品，每份樣品均重0.4g，精確到0.000 1g。

儀器設(shè)備：Antaris II近紅外光譜儀（美國賽默飛世爾公司）；積分球檢測器。

1.2 實驗方法

將樣品置于樣品池中，采用反射模式采集樣品光譜。光譜采集條件為波數(shù)范圍12 000～4 000cm-1，對每份樣品進行32次掃描，所有樣品均重復(fù)采集4次光譜。由于羊絨與羊毛的物質(zhì)組成和化學(xué)結(jié)構(gòu)幾乎相同，其內(nèi)部的化學(xué)基團對近紅外光的吸光度相近，在同一譜圖上表現(xiàn)為譜形相似，吸收峰值一致，而且近紅外光譜區(qū)域的峰較寬，峰與峰常常重疊；因此直接通過譜圖很難鑒別羊絨與羊毛，需要對原始光譜進行合理的處理，減弱甚至消除各種非目標因素對光譜信息的影響，為穩(wěn)定、可靠的校正模型的建立奠定基礎(chǔ)。對光譜求導(dǎo)可以消除基線平移，強化譜帶特征，克服譜帶重疊，是常用的光譜預(yù)處理方法。本研究采用對原始譜圖求取二階導(dǎo)數(shù)的方法，以去除與波長線性相關(guān)的漂移，強化光譜信號。

2 結(jié)果與討論

2.1 定性分析模型

在使用支持向量機進行分類時，對訓(xùn)練結(jié)果影響最大的參數(shù)組是（C，σ），過大或過小都會使誤差增大。C是懲罰因子，它控制對錯分樣本的懲罰程度，C越大表示對錯誤的懲罰越大，σ是核函數(shù)的寬度。最初將C和σ分別在C=2-1，20，21，22，23，…，210，σ=2-1，20，21，22，23，…，210之間調(diào)整，對所有（C，σ）組，支持向量機使用訓(xùn)練集訓(xùn)練之后，都要經(jīng)預(yù)測集預(yù)測一下精度。經(jīng)過這樣一個循環(huán)，就可得到最佳的參數(shù)區(qū)間組（C1，σ）；然后在（C1，σ）附近調(diào)整（C，σ），再尋找最佳的參數(shù)區(qū)間組（C2，σ）；然后在（C2，σ）附近調(diào)整（C，σ），經(jīng)過這樣幾個循環(huán)可得到C和σ的最佳值。隨機選取24個羊毛和24個羊絨樣品作為訓(xùn)練集，其余的樣品作為預(yù)測集，對羊毛羊絨進行分類，在支持向量機的目標輸出中，“1”表示羊毛，“-1”表示羊絨。經(jīng)過調(diào)試，C為10，σ為2時，預(yù)測效果最好。預(yù)測結(jié)果如表1所示，預(yù)測結(jié)果全部正確。

表1 定性模型預(yù)測結(jié)果

2.2 定量分析模型

在使用支持向量機回歸時，對訓(xùn)練結(jié)果影響很大的參數(shù)組是（σ，C），過大或者過小都會使誤差增大。ε是不敏感損失函數(shù)，太小易產(chǎn)生過擬合現(xiàn)象，太大易產(chǎn)生欠擬合。C是懲罰因子，它控制對錯分樣本的懲罰程度，C越大表示對錯誤的懲罰越大，σ是核函數(shù)的寬度。根據(jù)經(jīng)驗將σ，C分別在0.1-512之間調(diào)整，以尋找最佳的參數(shù)組（σ，C），使得回歸有最好的預(yù)測能力。選用41個混合樣品為訓(xùn)練集，其余10個樣品為預(yù)測集，經(jīng)過調(diào)試ε為0.01，C為274，σ為3時其預(yù)測效果最好。預(yù)測結(jié)果如表2所示。

表2 定量模型預(yù)測結(jié)果

由表2可見，對大部分樣品預(yù)測模型具有較好的預(yù)測結(jié)果，對個別樣品的預(yù)測值和真實值的結(jié)果偏差較大，這可能與樣品的混勻程度有關(guān)。

3 結(jié)論

以不同產(chǎn)地的羊絨與羊毛纖維為研究對象，采用近紅外光譜技術(shù)并結(jié)合支持向量機所建立的羊毛、羊絨定性和定量分析模型，被用于對未知樣品進行預(yù)測?？傻贸龅慕Y(jié)論是，定性分析模型能夠準確地鑒別出羊絨與羊毛纖維，定量分析模型具有較好的預(yù)測結(jié)果；驗證了近紅外光譜技術(shù)用于羊絨、羊毛定性及定量分析的可行性，為開發(fā)一種可靠、高效、無損的羊絨、羊毛檢測手段奠定了基礎(chǔ)。

本研究中建立的數(shù)學(xué)模型還具有一定的局限性，如果要將近紅外光譜技術(shù)真正應(yīng)用到實際檢測工作中，還需要進一步考慮的方面是：收集更多不同產(chǎn)地、不同種類的羊絨和羊毛樣品，不斷充實數(shù)據(jù)庫，完善定性分析模型；增加羊絨和羊毛混合比數(shù)量，擴充定量分析模型的樣品量；設(shè)計更為有效的混紡工具，盡量減少因纖維混合不均勻?qū)δＰ皖A(yù)測產(chǎn)生的影響，盡可能減少實驗誤差。

［1］ 李維紅，席 斌，郭天芬，等.綿羊毛與山羊絨的鑒別［J］.湖北農(nóng)業(yè)科學(xué)，2011，50（3）：544-545.

［2］ 彭偉良，蔣耀興，袁長泰.山羊絨和細綿羊毛纖維的形態(tài)特征分析［J］.上海紡織科技，2005，33（11）：11-12.

［3］ 王柏華，胡志宇，葛順順，等.基于光鏡條件下綿羊毛與山羊絨的鑒別［J］.毛紡科技，2011，39（4）：42-45.

［4］ 王學(xué)琳，孫淑萍，鐵 梅.傅立葉變換近紅外光譜進展［J］.現(xiàn)代儀器，1999，（6）：1-3，7.

［5］ Luinge H J，Van der Maas J H，Visser T.Partial least squares regression as a multivariate tool for the interpretation of infrared spectra［J］.Chemometrics and Intelligent Laboratory Systems，1995，28（1）：129-138.

［6］ Belousov A I，Verzakov S A，Von Frese J.A flexible classification approach with optimal generalisation performance：support vector machines［J］.Chemometrics and Intelligent Laboratory Systems，2002，64（1）：15-25.

［7］ Vapnik V N.統(tǒng)計學(xué)習(xí)理論［M］.許建華，張學(xué)工，譯.北京：電子工業(yè)出版社，2004.

［8］ Li S T，Kwok J T，Zhu H L，etal.Texture classification using the support vector machines［J］.Pattern Recognition，2003，36（12）：2 883-2 893.

［9］ 陳念貽，陸文聰，武海順，等.支持向量機算法在氮化鋁薄膜生長過程控制中的應(yīng)用［J］.計算機與應(yīng)用化學(xué)，2002，19（6）：726-728.

［10］Burbidge R，Trotter M，Buxton B，etal.Drug design by machine learning：support vector machines for pharmaceutical data analysis［J］.Computers and Chemistry，2001，26（1）：5-14.