化学剂量在近红外技术的应用领域中占有重要位置;它应用在对光谱信号的处理及分析模型的建立上;化学计量中有一个多元校正的重要方法, 它能解决诸多复杂组分的体系问题;所以, 应用近红外技术进行分析定量, 定性的问题时, 要用多元校正法来建立被分析物的质量浓度和光谱间的定量关系;当前主要运用的多元校正法有:主成分回归, 人工神经网络, 偏最小二乘法, 逐步回归等。
收集320个涤纶和棉的纺织样品, 把棉和涤纶的比例达到0-100%的覆盖范围;运用近红外技术, 对所有样品的各个面进行不同位置的测试, 并建立起校正模型分析其棉与涤纶纤维的比例, 对棉含量的预测标准差结果是23.%。在进行测试的过程中, 选出70个不同含量的混纺样品, 按照分布均匀的原则, 选择其中的40个样品为回归样品, 其余作预测的使用, 以检验建立模型的优劣, 涤纶与棉的精度检测是6%;运用逐步回归分析法对涤纶与棉的适宜回归波长, 以此来对其进行样品的定量分析, 从而得出结论。有些待测的波长样品会有偏差, 然而却不会摆脱等测成分对谱带的吸收, 由此证明, 近红外技术能对面料含量和化学成分进行准确快速的分析检测。
我们将混纺毛织物的样品原料, 包括纯羊毛, 涤纶, 粘胶等按照不相同的比例进行混合, 并将其作为样品的标准, 样品光谱通过运用近红外光谱仪中三毫米直径的微量漫反射池来获取的, 应用二阶导数和五点三次的平滑来进行光谱的预处理工作, 应用偏最小二乘法来分析标准样品集中近红外的实际值和预测值间的系数0.983, 在待测样品的检测结果中, 预测值的变异系数是0.042;通过此试验青蛙, 这种数学模型能够应用在不同的染料颜色预测混纺面料中的毛织成品, 同时取得了非常好的成果;专门的技术人员应用近红外技术来鉴别分析羊绒, 羊毛等, 选择400-2500nm的波长, 进行32次扫描, NIR光谱图采集选用210nm的分辨率, 对各个样品进行多次测试, 并建立定性的方法模型;通过此试验说明, 定量分析羊绒, 羊毛混纺织品应建立合适的模型来进行分类。
我们把羊毛, 羊绒根据不同的比例来配制成混合标样103个, 应用PLS方法, 构建起近红外光谱技术的分析数学模型, 有关模型的预测系数是0.99, 其标准差是0.028, 此试验证明:应用近红外光谱技术来定量分析羊毛, 羊绒的混纺织物, 具有可操作性, 将来必将成为无需破坏的快速检测方法。此项试验中样品的数量有限, 预测模型的精确程度还有很大的提升空间, 如果在检测工作中, 能真正应用近红外光谱技术, 需要对样品进行逐步累积, 建立针对性更强的数据库及更加可靠, 精确, 稳定的分析数学模型。
我们对混纺丝织物中的真丝含量运用近红外光谱技术的检测手段来进行定量分析, 把真丝-涤纶与真丝-腈纶这两种丝织物进行混合;把纯品布料的样品打成絮状, 再根据其质量分数进行均匀混合而制成的;选取相同个数的两组丝织物, 真丝的含量范围在0-100%;其浓度梯度是0.02;结果证明, 通过对模型进行分析, 提高了其预测的精确程度, 预测模型的绝对平均误差不超过2.5, 浓度和测量的参考值, 有非常好的相关性;近红外光谱快速检测技术能够达到丝织物中含丝量的实际测量标准, 为纺织物的定量分析提供速度快, 无破损的新技术。
通过对上述的定量分析方法可实现近红外光谱技术对混纺织品中的纤维含量进行无破损, 快速检测的技术, 然而要想运用近红外光谱的技术分析法, 在此之前必须进行大量采集多种含量的光谱信息数据来建立相关的模型数据库, 若是建立模型纺织品的样品缺乏分布的均匀性, 那么就会造成采集的近红外光谱出现较大的离散现象, 这对模型库的相关测量精度有非常大的负面影响, 致使混纺织物的检测结果存在不精确的问题。
通过上述对近红外光谱技术的应用研究可知, 在进行纺织品的定量分析过程中, 根本不需要使用化学试剂, 使定量分析简单方便, 易于操作, 并且还不损坏纺织样品, 大大缩短对纺织物的检测时间, 从而有效的提高对纺织品的检测效率, 因此这种技术的应用必将会更加广泛。
摘要：对纺织品中纤维含量实行定量分析时, 我们采用具有无损检测, 大量的信息, 分析速度快等特点的近红外光谱法来进行定量分析;同时, 与化学的计量学相结合, 克服其信息量不足, 光谱峰重叠的弱点, 因此, 近红外光谱的技术近年来得以广泛推广, 针对此技术的应用于纺织品的定量分析中进行了着重的研究;其中包括对毛织物的混纺面料, 棉织物混纺面料, 氨纶混纺面料, 丝织物混纺面料等进行定量分析;并且还分析了现阶段该技术在检测中的问题。
关键词：定量分析,近红外技术,纺织品
[1] 桂祥维等.用近红外光谱定量分析混纺毛织品中羊毛的质量分数[J].中国纺织大学学报, 2016, (6) :73-76.
[2] 陈泽泉, 陆凤山.近红外光谱分析快速检测技术在丝棉混纺织物成分分析中的应用研究[J].科技通报, 2016, (3) :91-94.
