基于近紅外光譜分析的紡織品中羊毛含量檢測(cè)技術(shù)研究.pdf

1、本論文以紡織品為研究對(duì)象，結(jié)合化學(xué)計(jì)量學(xué)方法，主要從系統(tǒng)參數(shù)選擇、奇異樣品剔除、建立模型等部分深入探討了近紅外光譜技術(shù)在快速定量檢測(cè)紡織品中羊毛含量的一些問題。 試驗(yàn)收集了羊毛、棉、絲、滌等紡織品主要原料，根據(jù)羊毛含量配制了 110個(gè)不同濃度的混合樣品，以羊毛含量為具體的檢測(cè)指標(biāo)。使用WQF-400N型傅立葉變換近紅外光譜分析儀測(cè)量樣品的近紅外光譜，通過對(duì)比試驗(yàn)，確定儀器的掃描次數(shù)、分辨率、樣品測(cè)量次數(shù)與附件。對(duì)微分、平滑和附加

2、散射校正等多種光譜預(yù)處理方法采用偏最小一乘回歸分析，以平均絕對(duì)誤差、最大絕對(duì)誤差和預(yù)測(cè)均方差等3個(gè)統(tǒng)計(jì)量來評(píng)價(jià)校正模型的預(yù)測(cè)精度，結(jié)果表明選取一階微分、5點(diǎn)S-G多項(xiàng)式平滑和附加散射校正是最佳的光譜預(yù)處理方法。 運(yùn)用馬氏距離法和杠桿算法分析了全部樣品的近紅外光譜，采用偏最小二乘回歸分析，以預(yù)測(cè)平均誤差和預(yù)測(cè)均方差來衡量預(yù)測(cè)效果，確定了需要剔除的異常光譜，結(jié)果表明馬氏距離法比杠桿算法更加適合本研究。最后剔除了4條異常樣品光譜，保留

3、了106個(gè)樣本，通過聚類分析劃分了校正集與預(yù)測(cè)集(其中校正集74個(gè)，預(yù)測(cè)集32個(gè))。進(jìn)一步運(yùn)用AKS算法對(duì)校正集進(jìn)行篩選，當(dāng)剔除了9個(gè)樣本選擇65個(gè)定標(biāo)樣本，采用相同的偏最小二乘回歸分析方法時(shí)，平均絕對(duì)誤差和預(yù)測(cè)均方差分別由2.024和2.604減少到1.932和2.371，說明最佳樣品集更具有代表性。 對(duì)剩余的97個(gè)樣本運(yùn)用最小二乘支持向量機(jī)回歸分析，選擇RBF核函數(shù)，使用三步搜索法對(duì)Gamma與γ的范圍進(jìn)行搜索計(jì)算，得到了滿

4、意的Gamma與γ參數(shù)數(shù)據(jù)點(diǎn)[0.00293，12.785]，回歸結(jié)果的平均絕對(duì)誤差和預(yù)測(cè)均方差分別由2.3230和2.7943減少到1.7144和2.1317，同時(shí)三步搜索法還節(jié)省了參數(shù)選擇的運(yùn)算量。 通過以上試驗(yàn)表明：在對(duì)羊毛成分進(jìn)行近紅外檢測(cè)時(shí)，一階微分比原始光譜和二階微分結(jié)果要好，S-G多項(xiàng)式平滑比移動(dòng)式平滑和指數(shù)式平滑結(jié)果要好；馬氏距離法剔除異常光譜比杠桿算法剔除異常光譜要好；AKS算法對(duì)校正集的篩選可以使校正集更加具