基于紅外光譜PCA-LDA統(tǒng)計分析的麻纖維鑒別研究

摘要： 亞麻、漢麻與苧麻纖維的成分組成和物化性質(zhì)高度相似，三者間的分類鑒別是紡織品檢驗(yàn)檢測領(lǐng)域的難點(diǎn)。本文對不同種類麻纖維的傅里葉變換衰減全反射紅外光譜（ATR-FTIR）作主成分分析（PCA）和線性判別分析（LDA），創(chuàng)建麻纖維分類判別模型以鑒別三種易混麻纖維。選取亞麻、漢麻和苧麻纖維各60組作為樣品集進(jìn)行脫膠清洗處理并采集ATR-FTIR光譜。光譜歸一化后對800～2 000 cm-1波長的光譜作主成分分析，分析結(jié)果顯示：隨著主成分個數(shù)增加，主成分分?jǐn)?shù)依據(jù)麻纖維類別逐漸顯現(xiàn)聚類趨勢，同時前12個主成分對歸一化紅外光譜數(shù)據(jù)的累計貢獻(xiàn)率超過99.5%。以訓(xùn)練集前12主成分?jǐn)?shù)為自變量，以麻纖維種類為因變量，通過線性判別分析構(gòu)建了分類判別模型（典型判別函數(shù)和分類函數(shù)）。模型驗(yàn)證結(jié)果顯示：典型判別函數(shù)可使前12個主成分分?jǐn)?shù)矩陣根據(jù)麻纖維樣品類型形成良好的聚類，分類函數(shù)對訓(xùn)練集和測試集中所有纖維樣品的分類準(zhǔn)確率達(dá)到100%。此外，PCA-LDA分類判別模型留一交叉驗(yàn)證的分類準(zhǔn)確率仍能達(dá)到99.6%。結(jié)果表明，不同類別麻纖維的ATR-FTIR光譜存在差異，基于麻纖維ATR-FTIR光譜的PCA-LDA統(tǒng)計分析可實(shí)現(xiàn)亞麻、漢麻和苧麻三種易混麻纖維的快速無損鑒別。

關(guān)鍵詞： 亞麻;漢麻;苧麻;鑒別;紅外光譜;主成分分析;線性判別分析

中圖分類號： TS127 文獻(xiàn)標(biāo)志碼： A

麻纖維自古以來就是紡織品的重要原材料［1-2］，如今依舊是紡織工業(yè)中產(chǎn)量僅次于棉花的植物纖維。其中，亞麻、漢麻和苧麻纖維具有出色的可紡性和親膚性，被大量應(yīng)用于服裝面料生產(chǎn)。由于用途和產(chǎn)量的差異，不同種類麻纖維的市場價格存在明顯差距，以低價麻纖維冒充高價麻纖維的不法現(xiàn)象時有發(fā)生。目前國內(nèi)鑒別麻纖維的主要依據(jù)為FZ/T 01057.3—2007《紡織纖維鑒別試驗(yàn)方法顯微鏡法》，標(biāo)準(zhǔn)給出了各種麻纖維的縱橫向微觀照片，由檢測人員觀察比較實(shí)際麻纖維樣品的顯微鏡影像從而確定樣品的種類。然而亞麻、漢麻和苧麻的微觀形態(tài)高度相似，檢測人員較難根據(jù)該方法準(zhǔn)確鑒定麻纖維，以三者為代表的易混麻纖維的鑒別一直是業(yè)界的難題，因此健全麻纖維鑒別技術(shù)對維護(hù)市場穩(wěn)定和加強(qiáng)質(zhì)量監(jiān)管尤為重要。

亞麻、漢麻和苧麻纖維（以下簡稱麻纖維）均由纖維素、半纖維素、果膠和木質(zhì)素等物質(zhì)構(gòu)成［3］，它們的構(gòu)成比例差異較小且物理化學(xué)性質(zhì)幾乎相同，傳統(tǒng)的化學(xué)溶解法和燃燒法等無法達(dá)到鑒別效果。盡管麻纖維來源于不同的植物物種，DNA鑒定技術(shù)卻難以應(yīng)用于麻纖維鑒別，原因在于紡織加工用的麻纖維內(nèi)部已不存在細(xì)胞核［4］。學(xué)者們研究發(fā)現(xiàn)麻纖維旋轉(zhuǎn)方向、著色反應(yīng)及草酸鈣晶體等特征［5-8］可作為區(qū)分亞麻、漢麻和苧麻纖維的依據(jù)，然而這些微觀影像的特征差異十分微弱，檢測人員的認(rèn)知差異極易影響麻纖維鑒別準(zhǔn)確性，同時面臨操作難度大、檢測成本高等問題。

亞麻、漢麻和苧麻纖維的傅里葉變化紅外（Fourier transform infrared reflection，F(xiàn)TIR）光譜類似，尚無法通過紅外圖譜數(shù)據(jù)庫檢索鑒別。近年來研究人員致力于通過比較分析麻纖維的紅外光譜特性，試圖破解定性鑒別難題。王成云等［9］測試麻纖維FTIR光譜后提出光譜吸收峰處吸光度之比是鑒別亞麻、漢麻和苧麻的重要依據(jù)。任清慶等［10］通過燃燒法、顯微鏡法、掃描電鏡法及紅外光譜法比較亞麻、漢麻和苧麻的異同點(diǎn)，并認(rèn)為可以通過觀察纖維縱橫向形態(tài)和FTIR光譜上1 033 cm-1和2 917 cm-1處吸收峰的微小差別來區(qū)分漢麻和其他二者。相較于傳統(tǒng)的FTIR光譜技術(shù)，傅里葉變換衰減全反射紅外光譜技術(shù)（Attenuated total reflection Flourier transformed infrared spectroscopy，ATR-FTIR）具有高效無損的檢測優(yōu)勢。Garside等［3］測試了包括亞麻、漢麻和苧麻在內(nèi)的6種原麻纖維的ATR-FTIR光譜，其指出木質(zhì)素含量是區(qū)分纖維素纖維種類的重要參數(shù)，并嘗試采用紅外特征波段吸光度之比來區(qū)分麻纖維，然而效果并不理想。綜上所述，前人雖已發(fā)現(xiàn)不同種麻纖維間存在較為微弱的紅外光譜差異，但目前仍未能利用紅外光譜間的數(shù)據(jù)差異開發(fā)出一套快速準(zhǔn)確的麻纖維分類鑒別方法，有待進(jìn)一步研究。

統(tǒng)計學(xué)分析方法有利于挖掘不同種類麻纖維間的紅外光譜差異并建立與纖維類別間的聯(lián)系。其中，主成分分析（Principal component analysis，PCA）是一種無監(jiān)督降維方法，其通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，借此可將大量原始變量壓縮為有限幾個主成分（Principal component，PC）［11］，原始數(shù)據(jù)中的微小差異得以通過主成分分?jǐn)?shù)表達(dá)。線性判別分析（Linear discriminant analysis，LDA）則是一種集“有效特征選擇與狀態(tài)識別”功能于一身的監(jiān)督學(xué)習(xí)方法［12］，該統(tǒng)計方法能基于訓(xùn)練集建立判別準(zhǔn)則，并根據(jù)準(zhǔn)則確定未知樣本所屬的類別。迄今為止，基于ATR-FTIR光譜的PCA-LDA統(tǒng)計分析方法已廣泛應(yīng)用于血跡［13］、紙張［14］、朱砂［15］、塑料［16］、動物皮毛［17］、病毒［18］、榛子［19］及物質(zhì)結(jié)構(gòu)差異較為顯著的紡織纖維［20］的檢測鑒別，為基于紅外光譜的麻纖維鑒別研究提供了借鑒。

綜上所述，亞麻、漢麻和苧麻纖維難以通過傳統(tǒng)檢測方法實(shí)現(xiàn)準(zhǔn)確鑒別，本文采集不同種類的麻纖維ATR-FTIR光譜并歸一化處理，運(yùn)用主成分分析提取光譜間數(shù)據(jù)差異并簡化變量，而后通過線性判別分析建立麻纖維分類模型，以期實(shí)現(xiàn)亞麻、漢麻和苧麻三種易混麻纖維的快速無損鑒別。

1 實(shí) 驗(yàn)

1.1 材 料

亞麻、漢麻、苧麻等麻纖維樣品（桐鄉(xiāng)尚德紡織有限公司、嘉興市榮華麻紡織有限公司），三種麻纖維（產(chǎn)自中國湖南、湖北、廣東、廣西、四川及安徽），其種類信息由廠家提供并經(jīng)過寧波纖維檢驗(yàn)所的纖維定性專家抽檢驗(yàn)證。每個省份每種麻纖選取10個樣品，建成由180個麻纖維樣品（亞麻、漢麻和苧麻樣品各60個）組成的樣品集。這些麻纖維樣品在白度、果膠含量和雜質(zhì)含量等方面存在差異，為避免這些因素對光譜的影響，需對纖維進(jìn)一步脫膠并去除黏附的雜質(zhì)。脫膠所需的堿性果膠酶（適活條件為pH值7～9，溫度50～60 ℃）（淄博聯(lián)特生物酶有限公司），分析純磷酸氫二鈉十二水合物（西隴科學(xué)股份有限公司）。

1.2 儀 器

配有ATR附件和OMNI采樣器的Nicolet IS 10 FTIR光譜儀（賽默飛世爾科技），JSM-5610掃描電子顯微鏡（日本電子株式會社），SK2210LHC超聲波清洗機(jī)（上海科導(dǎo)超聲波儀器有限公司），YB902G烘箱（溫州大榮紡織儀器有限公司），F(xiàn)E20 pH值計（梅特勒-托利多儀器有限公司），JM-B5002電子天平（余姚市紀(jì)銘稱重校驗(yàn)設(shè)備有限公司）及配有IBM SPSS Statistics 25軟件的電腦。

1.3 試樣預(yù)處理

實(shí)驗(yàn)采用堿性果膠酶溶液對纖維樣品在超聲下進(jìn)行酶脫膠預(yù)處理［21］。其過程如下：首先，調(diào)制酶質(zhì)量分?jǐn)?shù)2%為酶溶液后加入磷酸氫二鈉十二水合物調(diào)節(jié)pH值至8，取各個麻纖維樣品適量放入錐形瓶中，以浴比1︰25將纖維與酶溶液混合并攪拌至纖維完全潤濕浸沒。而后將超聲波清洗儀工作頻率設(shè)置為35 kHz，錐形瓶置于超聲波清洗儀中55 ℃水浴溫度下超聲清洗脫膠6 h，脫膠后對纖維樣品用蒸餾水冷洗并烘干。最后，使用掃描電子顯微鏡（SEM）觀察脫膠前后麻纖維表面的清潔程度。脫膠預(yù)處理前后亞麻纖維樣品的SEM照如圖1所示，可見該堿性果膠酶預(yù)處理過程能有效去除麻纖維表面的果膠和雜質(zhì)。

1.4 ATR-FTIR光譜采集與處理

紅外光譜儀預(yù)熱，設(shè)置掃描樣品次數(shù)為32次，分辨率為4 cm-1，抽取預(yù)處理后的麻纖維樣品約0.2 g放置于ATR附件上，旋轉(zhuǎn)OMNI采樣器固定鈕壓緊樣品，采集400～4 000 cm-1波長的ATR-FTIR光譜，使用內(nèi)置軟件對獲得的光譜進(jìn)行5點(diǎn)平滑和基線校正，獲得的光譜數(shù)據(jù)保存為csv格式。為了在相同尺度下比較麻纖維樣品的紅外光譜，根據(jù)下式對光譜數(shù)據(jù)進(jìn)行歸一化。

式中：Nλ和Aλ分別是波長λ處的歸一化值和紅外吸光度，而Amax和Amin分別是該波長內(nèi)的最大和最小紅外吸光度。

1.5 紅外光譜的PCA-LDA分析

若將歸一化紅外光譜中每個波段的歸一化值視為一個變

量，則整個紅外光譜包含7 469個變量，鑒于主吸收峰位于800～2 000 cm-1波長內(nèi)，本文僅統(tǒng)計分析歸一化紅外光譜中該指紋區(qū)域2 490個波段的光譜數(shù)據(jù)。在SPSS中通過“分析→降維→因子分析”執(zhí)行主成分分析操作，將這些波段的光譜變量壓縮為多個主成分（PC），可得到主成分特征值、方差貢獻(xiàn)率及累計方差貢獻(xiàn)率等主成分特征指標(biāo)。同時借助該分析過程，所有180個麻纖維樣品的歸一化紅外光譜數(shù)據(jù)將轉(zhuǎn)化為180組主成分分?jǐn)?shù)矩陣。其中，特征值大于等于1且累積方差貢獻(xiàn)率超過99.5%的前若干個主成分的分?jǐn)?shù)矩陣，可被認(rèn)為代表了所有原變量所包含的大部分信息，將用于后續(xù)分析。

按照5︰1比例分配訓(xùn)練集樣本和測試集樣本，隨機(jī)選取150組麻纖維樣品的主成分分?jǐn)?shù)矩陣及其纖維種類，作為線性判別分析（LDA）的訓(xùn)練集。其中，第1～50組主成分分?jǐn)?shù)矩陣來自亞麻纖維，第51～100組主成分分?jǐn)?shù)矩陣來自漢麻纖維，第101～150組主成分分?jǐn)?shù)矩陣來自苧麻纖維。以訓(xùn)練集的主成分分?jǐn)?shù)作為自變量，纖維種類作為分組變量（亞麻、漢麻和苧麻分別標(biāo)記為1、2和3），在SPSS軟件中執(zhí)行“分析→分類→判別”操作，可得到麻纖維LDA分類模型，以典型判別函數(shù)和分類函數(shù)表示。其余30組麻纖維的主成分分?jǐn)?shù)矩陣及其纖維種類作為測試集，用于對所建函數(shù)模型的外部驗(yàn)證，其中第151～160組主成分分?jǐn)?shù)矩陣來自亞麻纖維，第161～170組主成分分?jǐn)?shù)矩陣來自漢麻纖維，而第171～180組主成分分?jǐn)?shù)矩陣來自苧麻纖維。

2 結(jié)果與分析

2.1 麻纖維的紅外光譜特征

麻纖維800～2 000 cm-1波長的歸一化紅外光譜如圖2所示。由圖2可見，亞麻、漢麻和苧麻纖維的紅外光譜具有高度相似性，這是由于三種麻纖維的主要組分均為纖維素和半纖維素等多糖物質(zhì)，且這些組分的組成比例較為接近。麻纖維紅外光譜的共同特征表現(xiàn)為：多糖物質(zhì)內(nèi)的C—OH鍵對麻纖維的紅外光譜影響最為明顯，其伸縮振動在1 029 cm-1處存在最強(qiáng)吸收峰，而在1 053 cm-1處存在第二強(qiáng)吸收峰，其面內(nèi)搖擺振動在1 203 cm-1處有微弱的吸收峰。而多糖物質(zhì)中的C—H鍵在紅外光譜中存在較多的吸收峰，但這些吸收峰強(qiáng)相對較弱，其面內(nèi)對稱伸縮振動的吸收峰出現(xiàn)在895 cm-1處，面外搖擺振動的吸收峰則出現(xiàn)在984 cm-1和1 000 cm-1處，搖擺振動的吸收峰出現(xiàn)在1 315 cm-1和1 428 cm-1處。此外，1 104 cm-1處為C—O—C糖苷鍵的伸縮振動吸收峰，1 159 cm-1處為C—C鍵的不對稱伸縮振動吸收峰，而1 280 cm-1處則為CH2鍵的搖擺振動吸收峰。

盡管麻纖維的歸一化紅外光譜十分相似，麻纖維組分的比例差異仍會導(dǎo)致典型化學(xué)鍵的含量差異，因此其歸一化紅外光譜中若干波段的吸光度略有不同，如C—OH鍵和CH2鍵在1 053 cm-1和1 280 cm-1波長處的吸收峰強(qiáng)度差異。即便如此，僅通過人眼對比光譜圖的微弱差異來鑒別麻纖維也很難具有說服力，因此需對光譜數(shù)據(jù)進(jìn)一步統(tǒng)計分析。

2.2 主成分分析結(jié)果

對所有麻纖維的歸一化紅外光譜進(jìn)行主成分分析，其主成分特征指標(biāo)如表1所示。前2個主成分的累積方差貢獻(xiàn)率達(dá)到84.74%，前3個主成分的累積方差貢獻(xiàn)率達(dá)到92.06%，而前12個主成分累積方差貢獻(xiàn)率達(dá)到99.58%，因此可認(rèn)為前12主成分足以代表光譜中2 490個波段光譜變量所包含的大部分信息。對麻纖維樣品主成分分?jǐn)?shù)矩陣作進(jìn)一步統(tǒng)計，前2主成分分?jǐn)?shù)聚類分布如圖3所示，前兩個主成分分?jǐn)?shù)分布顯得雜亂分散;而前3主成分分?jǐn)?shù)聚類分布如圖4所示，前3主成分分?jǐn)?shù)在三維坐標(biāo)空間中已表現(xiàn)出聚類趨勢;可以推斷若高于三維的坐標(biāo)空間可以被刻畫，前12主成分在多維坐標(biāo)系中極有可能按照纖維分類形成聚類，該麻纖維樣品光譜的主成分分?jǐn)?shù)聚類特征為基于紅外光譜統(tǒng)計分析鑒別麻纖維提供了可能。

2.3 基于麻纖維光譜的PCA-LDA模型

以訓(xùn)練集麻纖維樣品主成分分?jǐn)?shù)矩陣中前12個主成分作為自變量x1～x12，以麻纖維種類為分組變量，經(jīng)線性判別分析，獲得麻纖維典型判別函數(shù)y1（x）和y2（x），分別如式（2）（3）所示;亞麻、漢麻和苧麻的分類函數(shù)yf（x）、yh（x）和yr（x）分別如式（4）（5）（6）所示。

y1（x）=0.034x1+0.068x2+0.228x3-0.115x4+0.003x5+0.233x6-0.085x7-0.196x8-0.182x9+0.12x10-0.304x11+0.223x12（2）

y2（x）=0.053x1+0.035x2-0.089x3+0.06x4-0.071x5+0.03x6-0.136x7+0.095x8-0.148x9+0.022x10-0.211x11-0.059x12（3）

yf（x）=-10.644+0.276x1+0.301x2+0.286x3-0.092x4-0.243x5+0.715x6-0.697x7-0.181x8-0.996x9+0.391x10-1.533x11+0.377x12（4）

yh（x）=-11.450-0.067x1+0.099x2+1.011x3-0.559x4+0.244x5+0.635x6+0.181x7-0.928x8-0.084x9+0.302x10-0.261x11+0.894x12（5）

yr（x）=-17.693-0.209x1-0.400x2-1.297x3+0.650x4-0.001x5-1.350x6+0.516x7+1.109x8+1.079x9-0.694x10+1.794x11-1.271x12（6）

典型判別函數(shù)用以表征纖維分類的聚類效果，分類函數(shù)則用于預(yù)測判斷麻纖維樣品種類。當(dāng)未知麻纖維樣品的前12個主成分分?jǐn)?shù)代入三種麻纖維分類函數(shù)后，該未知麻纖維種類的判別規(guī)則如下：若yf（x）取值最大則該麻纖維為亞麻纖維，若yh（x）取值最大則該麻纖維為漢麻纖維，若yr（x）取值最大則該麻纖維為苧麻纖維。

2.4 麻纖維鑒別模型的驗(yàn)證

為了驗(yàn)證PCA-LDA模型的聚類效果，將訓(xùn)練集中的150組主成分分?jǐn)?shù)代回典型判別函數(shù)y1（x）和y2（x），在二維坐標(biāo)平面上以每個纖維樣品的y1（x）為橫坐標(biāo)、y2（x）為縱坐標(biāo)，構(gòu)建二維坐標(biāo)，如圖5所示。由圖5可見，亞麻樣品的典型判別函數(shù)結(jié)果集中在第一象限，漢麻樣品的典型判別函數(shù)結(jié)果出現(xiàn)在第四象限，而苧麻樣品的典型判別函數(shù)結(jié)果則集中在第二和第三象限;典型判別函數(shù)結(jié)果根據(jù)麻纖維種類展現(xiàn)出較好的聚類效果，這進(jìn)一步證明不同類別麻纖維的ATR-FTIR光譜之間存在差異。

同時，將訓(xùn)練集中的150組主成分分?jǐn)?shù)代回分類函數(shù)進(jìn)行內(nèi)部驗(yàn)證，結(jié)果如圖6所示。由圖6可見，所有亞麻纖維樣品的主成分分?jǐn)?shù)矩陣在亞麻分類函數(shù)中取得最大值，而漢麻與苧麻纖維樣品的主成分分?jǐn)?shù)也在其各自對應(yīng)的分類函數(shù)中獲得最大值，所有訓(xùn)練集樣品均被正確分類，內(nèi)部驗(yàn)證結(jié)果表明所建立的PCA-LDA模型對訓(xùn)練集自身樣品具有高效穩(wěn)定的鑒別能力。而后將測試集的主成分分?jǐn)?shù)矩陣代入分類函數(shù)進(jìn)行外部驗(yàn)證，其結(jié)果如表2所示。由表2可見，所有麻纖維樣品的實(shí)際種類與預(yù)測結(jié)果完全一致，意味著本文所建立的麻纖維分類模型的分類正確率達(dá)到100%。

為進(jìn)一步探討PCA-LDA統(tǒng)計方法鑒別麻纖維的的準(zhǔn)確性，由SPSS軟件對180組麻纖維樣品的主成分分?jǐn)?shù)矩陣作留一交叉驗(yàn)證［22］。即將每一個樣品作為測試樣本，其他179個樣品作為訓(xùn)練樣本，這樣得到180個分類器和180個測試結(jié)果，用這180個結(jié)果的平均值來衡量模型的性能。留一交叉驗(yàn)證的結(jié)果如表3所示，驗(yàn)證結(jié)果顯示僅有一個漢麻纖維樣品在分類判別分析中被誤判為亞麻，判別模型的分類正確率仍達(dá)到99.6%。綜上所述，基于麻纖維紅外光譜PCA-LDA統(tǒng)計分析獲得的麻纖維分類判別模型能夠準(zhǔn)確鑒別亞麻、漢麻及苧麻等易混麻纖維。

3 結(jié) 論

亞麻、漢麻和苧麻纖維的成分組成及物理化學(xué)性能高度相似，傳統(tǒng)的檢測方法難以鑒別，因此本文提出一種基于紅外光譜PCA-LDA統(tǒng)計分析的麻纖維分類鑒別方法。選取亞麻、漢麻和苧麻纖維各60組，脫膠清洗處理進(jìn)一步去除內(nèi)部果膠和雜質(zhì)，而后獲取其ATR-FTIR光譜并作歸一化處理，對比不同種類麻纖維間的歸一化光譜發(fā)現(xiàn)，僅1 053 cm-1和1 280 cm-1波長等處的吸收峰強(qiáng)度略有差異，但仍無法借此準(zhǔn)確區(qū)分麻纖維。對歸一化光譜數(shù)據(jù)作主成分分析發(fā)現(xiàn)：隨著主成分個數(shù)增加主成分分?jǐn)?shù)依據(jù)麻纖維類別逐漸顯現(xiàn)聚類趨勢，并且前12個主成分對歸一化光譜數(shù)據(jù)的累積方差貢獻(xiàn)率達(dá)到99.58%。以訓(xùn)練集前12主成分?jǐn)?shù)為自變量，以麻纖維種類為因變量，通過線性判別分析構(gòu)建了包括典型判別函數(shù)和分類函數(shù)的麻纖維分類判別模型。模型驗(yàn)證結(jié)果表明：典型判別函數(shù)能夠使訓(xùn)練集主成分分?jǐn)?shù)矩陣依據(jù)麻纖維種類形成聚類，分類函數(shù)對訓(xùn)練集和測試集中所有纖維樣品的分類準(zhǔn)確率達(dá)到100%。留一交叉驗(yàn)證模式下麻纖維分類判別函數(shù)的分類正確率依舊達(dá)到99.6%。由此可見，不同類別麻纖維的ATR-FTIR光譜存在差異，基于麻纖維ATR-FTIR光譜的PCA-LDA統(tǒng)計分析可快速準(zhǔn)確鑒別三種易混麻纖維。

參考文獻(xiàn)：

［1］YAGI C， YOSHIMURA N， TAKAYANAGI M， et al. Discrimination of traditional plant fibers used in Japanese cultural artifacts by infrared spectroscopy［J］. Vibrational Spectroscopy， 2022（123）： 103466.

［2］LUKEOV H， PALAU A S， HOLST B. Identifying plant fibre textiles from norwegian merovingian period and viking age graves： The late iron age collection of the university museum of bergen［J］. Journal of Archaeological Science： Reports， 2017（13）： 281-285.

［3］GARSIDE P， WYETH P. Identification of cellulosic fibres by FTIR spectroscopy： Thread and single fibre analysis by attenuated total reflectance［J］. Studies in Conservation， 2003， 48（4）： 269-275.

［4］DUNBAR M， MURPHY T M. DNA analysis of natural fiber rope［J］. Journal of Forensic Sciences， 2009， 54（1）： 108-113.

［5］HAUGAN E， HOLST B. Determining the fibrillar orientation of bast fibres with polarized light microscopy： The modified Herzog test （red plate test） explained［J］. Journal of Microscopy， 2013， 252（2）： 159-168.

［6］NAYAK R， HOUSHYAR S， KHANDUAL A， et al. Identification of natural textile fibres［M］//Handbook of Natural Fibres. Cambridge： Woodhead Publishing， 2020： 503-534.

［7］BERGFJORD C， HOLST B. A procedure for identifying textile bast fibres using microscopy： Flax， nettle/ramie， hemp and jute［J］. Ultramicroscopy， 2010， 110（9）： 1192-1197.

［8］WANG H M， WANG X. Surface morphologies and internal fine structures of bast fibers［J］. Fibers and Polymers， 2005（6）： 6-12.

［9］王成云， 劉彩明， 李麗霞， 等. 麻纖維的定性鑒別［J］. 中國纖檢， 2007（8）： 38-41.

WANG C Y， LIU C M， LI L X， et al. Qualitative identification of bast fibers［J］. China Fiber Inspection， 2007（8）： 38-41.

［10］任清慶， 馮云， 楊力生， 等. 漢麻纖維定性分析方法［J］. 上海紡織科技， 2013（1）： 50-51.

REN Q Q， FENG Y， YANG L S， et al. Methods for qualitative analysis of hemp fiber［J］. Shanghai Textile Science amp; Technology， 2013（1）： 50-51.

［11］LIU J， KANG H， TAO W， et al. A spatial distribution： Principal component analysis （SD-PCA） model to assess pollution of heavy metals in soil［J］. Science of the Total Environment， 2023（859）： 160112.

［12］SINGH G， PAL Y， DAHIYA A K. Classification of power quality disturbances using linear discriminant analysis［J］. Applied Soft Computing， 2023（138）： 110181.

［13］SHARMA S， CHOPHI R， JOSSAN J K， et al. Detection of bloodstains using attenuated total reflectance-Fourier transform infrared spectroscopy supported with PCA and PCA-LDA［J］. Medicine， Science and the Law， 2021， 61（4）： 292-301.

［14］XIA J， ZHANG J， ZHAO Y， et al. Fourier transform infrared spectroscopy and chemometrics for the discrimination of paper relic types［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2019（219）： 8-14.

［15］CHOPHI R， SHARMA S， SINGH R. Discrimination of vermilion （sindoor） using attenuated total reflectance fourier transform infrared spectroscopy in combination with PCA and PCA-LDA［J］. Journal of Forensic Sciences， 2021， 66（2）： 594-607.

［16］WU X， LI J， YAO L， et al. Auto-sorting commonly recovered plastics from waste household appliances and electronics using near-infrared spectroscopy［J］. Journal of Cleaner Production， 2020（246）： 118732.

［17］ZHAO G， LUO X， YUAN X， et al. Study on principal component analysis and multi-class discrimination against the combination to identify easy-confused fur［J］. Journal of Industrial Textiles， 2021， 50（6）： 794-811.

［18］MO H， YANG L， WU G， et al. Rapid and non-invasive screening of high-risk human papillomavirus using Fourier transform infrared spectroscopy and multivariate analysis［J］. Optik， 2020（206）： 164292.

［19］MANFREDI M， ROBOTTI E， QUASSO F， et al. Fast classification of hazelnut cultivars through portable infrared spectroscopy and chemometrics［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2018（189）： 427-435.

［20］PEETS P， KAUPMEES K， VAHUR S， et al. Reflectance FT-IR spectroscopy as a viable option for textile fiber identification［J］. Heritage Science， 2019（7）： 93.

［21］王倩麗， 劉麗芳， 俞建勇， 等. 堿性果膠酶處理對亞麻落麻纖維性能的影響［J］. 東華大學(xué)學(xué)報： 自然科學(xué)版， 2011， 37（6）： 703-707.

WANG Q L， LIU L F， YU J Y， et al. Effects of alkaline pectinase on properties of flax noil fibers［J］. Journal of Donghua University （Natural Science）， 2011， 37（6）： 703-707.

［22］袁旭政， 李鵬妮， 張紅， 等. 紅外光譜聯(lián)合主成分分析在貂毛皮鑒別中的應(yīng)用［J］. 皮革科學(xué)與工程， 2022， 32（4）： 71-76.

YUAN X Z， LI P N， ZHANG H， et al. Application of infrared spectroscopy combined with principal component analysis in identification of mink fur［J］. Leather Science and Engineering， 2022， 32（4）： 71-76.

Discrimination research of bast fibers by PCA-LDA statistical analysis on infrared spectra

ZHANG Chi， WANG Xiangrong

JIANG Jingjing1，2， JIN Xiaoke2， LI Weisong1， ZHUANG Li1， YUAN Xuzheng1， ZHU Chengyan2

（1.National Textile and Garment Quality Inspection and Testing Center （Tongxiang of Zhejiang）， Jiaxing 314502， China; 2.College ofTextile Science and Engineering （International Institute of Silk）， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract： Flax， hemp and ramie fibers have been important raw materials for textile products since ancient times. Due to the difference in use and output， there has been a significant gap in the market price of these three different species of bast fibers in recent years， and the illegal phenomenon of low-price bast fibers posing as high-price bast fibers often occurs. The composition， physical and chemical properties of flax， hemp and ramie fibers are very close. At present， the standard method for identifying bast fibers in China is FZ/T 01057.3-2007 The Method for Identification of Textile Fibers-Part 3： Microscopy. However， the microscopic morphology of flax， hemp and ramie is highly similar， and the accuracy of identifying bast fibers according to this method is insufficient. The identification of these three species of easily confused bast fibers has always been a difficult task in the field of textile inspection and testing， so it is necessary to improve the identification technology of bast fibers to maintain market stability and strengthen quality supervision.

Although the predecessors have found that there are relatively slight infrared spectral differences between different kinds of bast fibers， no rapid and accurate classification method for bast fibers based on the differences in infrared spectral data has been reported. In our study， the principal component analysis （PCA） and linear discriminant analysis （LDA） on attenuated total reflection Flourier transformed infrared spectroscopy （ATR-FTIR） of different kinds of bast fibers were proposed to establish a discriminant model to identify these three kinds of easily confused bast fibers.

In this study， 60 groups of flax， hemp and ramie fibers were selected as sample sets for degumming cleaning treatment and their ATR-FTIR spectra were collected. After spectral normalization， infrared spectra in the range of 800-2 000 cm-1 were compressed to scores of sets of principal components （PCs） by PCA. The PCA results show that： with the increase of the number of PCs， the PC scores gradually display a clustering trend according to the species of bast fibers， and the cumulative variance contribution rate of the first 12 PCs to the normalized spectral data reaches 99.5%. With the first 12 PC scores as the independent variable and the species of fiber samples as the dependent variable， a discriminant model of the bast fibers including typical discriminant functions and classification functions was established by LDA. The discriminant model verification results show that： the typical discriminant functions can make the first 12 PC scores achieve a excellent cluster according to the species of fiber samples， and the classification functions can reach a classification accuracy of 100% for all fiber samples in the training set and the test set. In addition， the classification accuracy of the PCA-LDA model can still reach 99.6% by leave-one-out cross-validation. These results prove that the differences between ATR-FTIR spectra of flax， hemp， and ramie can be discerned and utilized for the rapid and accurate identification of these easily confused textile bast fibers by PCA-LDA statistic analysis.

In the follow-up study， we will introduce more laboratories and samples to participate in the construction and verification of the PCA-LDA model， so as to further improve the applicability of the bast fiber classification and identification model.

Key words： flax; hemp; ramie; discrimination; infrared spectroscopy; principal component analysis; linear discriminant analysis

收稿日期： 2023-11-24; 修回日期： 2024-05-21

基金項目： 浙江省市場監(jiān)督管理局科技項目（ZC2021B085）;浙江省服裝工程研究中心開放基金項目（2021FZK02）

作者簡介： 蔣晶晶（1987），男，工程師，主要從事紡織品檢測標(biāo)準(zhǔn)研究。通信作者：祝成炎，教授，cyzhu@zstu.edu.cn。