隨著我國紡織業的發展，紡織品的原料成分檢測越發受到重視。傳統的檢測方法，包括顯微鏡法、燃燒法、著色法等，能夠準確檢測面料成分，但過程復雜，人為因素影響大且污染環境，不利于綠色可持續發展。近紅外光譜分析技術（NIRS）主要用于800nm~2500nm范圍電磁波的無損測量。不同于質譜、色譜分析技術，該技術無需提純，已廣泛應用于食品、農業、醫藥、煉油與化工等領域。

近紅外光譜的定性分析是利用已知類別的樣品建立近紅外光譜鑒別模型，再考察未知樣品是否屬于該類物質的一種方法，主要用于物質的聚類分析和判別分析。

樣品準備與測量

1.樣品制備

分別收集絲類蛋白質、毛類蛋白質、棉、麻、再生纖維素每類50個代表性樣品，聚酯纖維、錦綸、腈綸、丙綸、乙綸、氨綸、氯綸、維綸、醋酯纖維每類20個代表性樣品。置于恒溫恒濕環境中備用。

2.數據采集

將樣品裝入近紅外專用的低羥值樣品瓶中進行光譜的采集，裝樣厚度不得低于1cm，樣品裝填密實并保證裝樣的密實程度一致。用TANGO?R型傅里葉變換近紅外光譜儀預熱至穩定狀態后，經積分球漫反射方式掃描得到近紅外光譜，考慮到各類纖維成分的差異性大，每條光譜信號掃描32次。

光譜數據的預處理

在近紅外光譜分析中，光譜的定性分析即用樣品光譜與標準光譜進行比較，以此判斷樣品種類。因此，所建標準光譜集要穩定可靠。近紅外光譜儀所采集的光譜包含了其他無關信息和噪聲，在用化學計量學方法中的主成分分析法選取特征峰時，為消除光譜采集過程中引入的噪聲，需要進行適當的光譜處理。

常用的光譜處理方法有平滑處理、基線校正、多元散射校正和標準正態變量校正等。對于紡織品，可以采用一階導數和矢量歸一化相結合的方法對光譜進行預處理，如圖1所示。可以看出，導數光譜可有效地消除干擾，分辨重疊峰，提高分辨率和靈敏度。

波長選擇

14類常見服用纖維的近紅外平均光譜圖如圖2所示。這些近紅外光譜特征明顯，峰的個數和曲線走勢相似，難以直觀鑒別分類。因此，需要通過合適的方法分析光譜數據。

波長選擇可以簡化模型，同時也剔除不相關或非線性變量，從而得到預測能力強、穩健性好的校正模型。

建立模型的常用數據處理方法主要有相關系數法、逐步回歸算法、間隔偏*小二乘法（iPLS）、遺傳算法等。逐步回歸算法是逐個選入對輸出結果有顯著影響的變量，并在選入新變量后逐個檢驗以剔除不顯著變量，反復選入、檢驗、剔除直至無法剔除和選入為止。但如果將光譜儀采集的上千個數據直接輸入，會產生“過擬合”的分析模型，使其預測適應能力大大下降。本次建模采用逐步回歸分析算法選取了4100cm^-1~5150cm^-1和5500cm^-1~7850cm^-1兩個波段建立了矯正模型，如圖2所示。

定性判別分析

歐氏距離標準法屬于有監督模式識別方法，通過計算樣品光譜與各類標準光譜的歐氏距離判斷樣品的類別。同類別兩個樣品的歐氏距離如式（1）所示。

根據結果得出決定鑒別模型的置信水平，從而確定鑒別模型適應的閾值，如式（2）所示。

x的大小決定了鑒別模型的置信水平。當x取值過小時，對同類物質易發生誤判；當x取值過大時，對不同類物質又易發生誤判。因此，在選擇x取值時，應確保同類樣品的光譜距離小于該閾值，而不同類的光譜距離大于該閾值。在閾值選定后，建立鑒別模型。通過反復取值確定，當x值為0.75時模型具有較高的置信水平，算法成立，如圖3所示。

通過式（1）、式（2）和圖3可以生成一個有定性鑒別匹配值的報告，其隨光譜距離的升序排列，其結果可以歸納為3種。第1種，待測樣品光譜與某一預設參考光譜的光譜距離小于閾值，而與其他參考光譜的距離大于閾值，鑒別結果為屬于某一已知類別；第2種，待測樣品光譜與所有預設參考光譜的光譜距離都大于閾值，鑒別結果為不屬于已知類別；第3種，待測樣品光譜與不止一個預設參考光譜的光譜距離小于閾值，鑒別結果為不確定。

模型的驗證與優化

利用已知特征值的驗證集樣品對校正模型進行驗證，聚酯纖維、錦綸、腈綸、絲類蛋白質、毛類蛋白質、棉、麻、再生纖維素的測試數量均為100個，正判數量為100個；丙綸、乙綸、氨綸、氯綸、維綸、醋酯纖維的測試數量均為30個，正判數量為30個，所有纖維的正判率達到100%。該模型在對單一常用服用纖維的歸類鑒別中具有非常準確的鑒別結果。

因此，近紅外光譜儀能夠加入紡織品行業監督檢測部門的日常工作，與傳統的檢測方式相輔相成，實現在海關及市場現場快檢或對較貴重紡織品的高效、便捷、無損定性鑒別。

布魯克TANGO系列傅里葉近紅外光譜儀使用了*新的光學元件和具有磚利技術的RockSolid^TM干涉儀，采用了三維立體角鏡技術，保證光路的長久準直，使儀器具有很高的抗震性能。傅立葉變換型近紅外光譜儀在模型的準確性、穩定性和傳遞性方面具有更加明顯的優勢。不需要對儀器和模型進行調整處理，實現模型的直接傳遞。