汗渍|水洗|摩擦|日晒色牢度测试仪器—上海千实

当前位置:主页 > 解决方案 >

近红外纤维鉴别法在毛加工产业中的应用

  众所周知,羊毛中的成分主要是纯蛋白质纤维,杂质主要是羊新陈代谢过程中产生的羊毛蜡(羊脂肪腺体的分泌物)和脂汗(主要成分为钾的有机盐和无机盐)。另外还有环境中的草叶、种子、异性纤维等。其检测过程如图1所示,显得十分复杂和费时。
  近红外在羊毛工业中的应用始于20世纪70年代末。澳大利亚和新西兰的研究人员们首先利用近红外技术鉴别羊毛的净毛率,残脂率,纤维直径,髓度大小甚至水分含量。用近红外光谱分析混纺毛织品中毛的质量分数必须研究两个问题。
  (1)近红外光谱分析必须首先建立数学模型,建模必须具备一批含量已知的标准样品,但收集毛质量分数已知且质量分数范围较宽的毛混纺织品有一定困难。研究人员用混纺毛织品的原料(纯羊毛、粘胶、涤纶)依不同的比例人工混合后作为标准样品,纯羊毛的添加量即为该标准样品中毛的质量分数,以此质量分数和标准样品的近红外光谱建立数学模型,研究预测混纺毛织品中毛的质量分数的可能性。
  (2)各种毛织品用的染料不同,而且纺织技术也不同。这些因素是否会影响数学模型的应用。应研究建立包括染色和未染色的人工混合标样的数学模型,研究预测染色的毛织品中毛的质量分数的可能性。
  李晓薇等将用混纺毛织品的原料,依不同比例手工混合配制标样,用于建立近红外定量分析的数学模型。标样集中近红外预测值与实际值之间的相关系数是0.982;对待测样品检验结果,预测值变异系数CV为4.1%。实验证明这样的数学模型可以用于预测不同颜色(染料)的混纺毛织成品,并得到了较好的结果,这说明近红外漫反射光谱技术可以通过二阶导数等光谱预处理方法,校正样品状态(纤维的人工混合状态与纺织品状态)的差别。另外建立预测模型的标样集的背景最好与待测样品一致。印染纺织品的染料不同对数学模型的影响不大,其原因可能是染料虽然在可见光谱区造成纺织品颜色的极大差别,但这种差别只是在可见光区,在近红外区,差异并不是很大(经过对质地相同颜色不同的织物进行近红外光谱比较证实)。样品光谱在22N型傅里叶变换近红外光谱仪上用直径3mm的微量漫反射池取得。
  赵国粱利用近红外技术进行羊毛羊绒的鉴别分析,对每个样品扫描20次,利用Vision软件,随机选取每批6个光谱图,即羊绒3批18个谱图,羊毛2批12个谱图建成数据库,用定性方法建立模型。结果表明,建立模型对羊毛羊绒的分类基本正确。
  Church等研究了利用近红外技术检测松散羊毛里面含有聚合物的方法。在纺织品工业中经常会受到一些聚合物的污染,例如聚乙烯和聚丙烯等。实验中将5g羊毛样品放置于蒸发皿中,并将不同种类、不同大小的污染物分布在羊毛的不同深度。纯羊毛、污染物和带污染物的羊毛的区别在光谱图中就能被区别出来,使用PCA方法也能区别羊毛中是否舍有污染物。证明在1000~1700nm光谱区域能用来检测隐藏在羊毛中的微小聚合体污染物。他们的初步实验证明了典型的污染物即使埋藏在羊毛层以下2cm深处也能被检测到。此外,他们还进行了移动样品的快速数据分析和在线检测研究,表明样品在2m长,0.2m宽的铝带上以2m·min—1的速度移动时,能检测出大部分的污染物。
  Pielesz等利用拉曼和近红外转换光谱对使用偶氮染料处理过的羊毛中的角蛋白变化进行了分析。偶氮染料可以分解为致癌的芳香胺,如对二氨基联苯等。实验分析了染料和对二氨基联苯在原始光谱中的差异,原始羊毛、染料和经过染色的羊毛在谱图中的吸光度差异等。实验证明,即使羊毛经过了细微的化学处理,利用拉曼光谱和近红外转换光谱都能检测出来。在酪氨酸和蛋氨酸吸收区域内能辨别出羊毛样品是否经过偶氮染料染色处理。
  Hammersley等在可见近红外光范围内对羊毛的残脂率和水分含量进行预测,并比较了透射方式和反射方式对结果的影响,残脂率鉴别实验共采用348个样本(其中225个用来建模,123个用作预测集);水分分析实验共采用302个样本(193个样本用来模型建立,109个样本用作预测集)。结果表明,就总体而言,对残脂率的预测结果比水分的预测结果要好些,并且采用反射方式检测得到的SEP值比透射方式的SEP值小。作者还采用了不同的分析模型对实验数据进行分析,得到的预测集的标准差在0.047和0.59之间。说明利用近红外对残脂率和水分的检验是切实可行的。
  Fleet等利用近红外对羊毛中的染色毛和有髓毛进行检测,采用的样本分为人为混合的样本和含有自然杂质的样本。人为混合时,在5 g的羊毛样本中分别混入1~50根的染黑羊毛,染棕羊毛和有髓羊毛,然后进行建模分析,结果表明,3类样本得到的彤值分别为0.96,0.88和0.82,交互验证的标准偏差为4.34,6.97和7.17。但是利用上述模型对含有自然杂质的样本没有很好的预测效果。他们又单独利用自然样本进行建模预测,得到R2分别为0.99,0.71和0.92,SECV分别为0.923,6.43和4.54。对自然样本而言,一个好的数据结果取决于参考方法数据的准确性和样本的预处理方法。
联系我们
  • 上海千实精密机电科技有限公司
  • 电 话:021-64200566
  • 传 真:021-67801892-810
  • 邮 箱:info@qinsun-lab.com
  • 咨 询QQ:846490659
  • 地址:上海市松江区伴亭路258号

返回顶部

点击这里给我发消息