非破坏性废旧服装纺织品快速鉴别分拣方法与流程

本发明属于纺织工程技术领域，具体地说，涉及一种非破坏性废旧服装纺织品快速鉴别分拣方法。

背景技术：

近红外光谱分析技术在食品领域中的应用已经十分广泛，其中在乳制品方面的分析项目主要是脂肪、蛋白、糖分(乳糖、蔗糖)和水分等(王丽杰，徐可欣，郭建英.采用近红外光谱技术检测牛奶中脂肪、蛋白质及乳糖含量[J].光电子·激光，2004，15(4)：468-471.)。

近红外光谱分析技术在中药定性分析方面，采用多类支持向量机、系统聚类等方法对中药的正品、伪品、产地和类别的鉴别分析进行了研究(刘荔荔，原源.近红外漫反射光谱法在羊蹄类生药分类中的应用[J].中草药，2001，32(11)：1024-1026.；钟蕾，朱斌，宓鹤鸣等.理化检验：化学分册[M].2004，40(1)：9-11.)。近红外技术还在中药生产过程中的在线检测(蒲登鑫，王文茂，李军会等.近红外在线质量监控技术在中药葛根素生产中的应用[J].现代仪器，2003，(5)：27-29.)得到了应用。

近红外光谱技术在服装纺织领域的应用也已经开展了多年，主要包括在纺织纤维定性判定、定量分析、纺织原料的杂质检测，以及生产过程中浆料含水率等多个方面的研究，特别是近红外光谱快速检测测棉/涤混纺织物中棉含量已经在实际检测工作中得到应用。例如袁洪福等通过收集了的12种纺织纤维共214个样品,研究了各种形态样品的近红外光谱测量方法。采用多元光散射校正方法消除噪声和基线漂移对光谱的影响。对样品总集光谱进行系统树分析,发现组成接近的纤维样本能均够聚类在一起，有些不同种类纤维之间有交叠。结合近红外光谱和簇类的独立软模式方法(SIMCA)，可以实现化学组成非常接近的不同纤维种类的区分。该研究结果表明，采用近红外分析技术,实现非破坏性地快速鉴别纺织纤维是可行的。(纺织纤维及其制品非破坏性快速鉴别的研究Study of Nondestructive and Fast Identification of Fabric Fibers Using Near Infrared Spectroscopy[期刊论文]袁洪福,常瑞学,田玲玲,宋春风,袁学芹,李效玉,YUAN Hong-fu,CHANG Rui-xue,TIAN Ling-ling,SONG Chun-feng,YUAN Xue-qin,LI Xiao-yu，《光谱学与光谱分析》2010年5期)。

唐长波等(近红外光谱法快速检测纺织品涤棉成分的研究Near Infrared Relfection Spectroscopy for Determination of Polyester Fiber and Cotton Content in Textiles[期刊论文]唐长波,TANG Chang-bo，《苏州市职业大学学报》2015年3期)通过近红外反射光谱技术并结合偏最小二乘法(PLS)，以50个涤棉纺织品为测试样品，25个涤棉纺织品为验证样品，研究近红外光谱反射技术用于预测纺织品中涤棉含量的方法。试验结果表明，对原始光谱波数范围选取9918.4～6094.4cm^-1，进行一阶导数处理，采用改进偏最小二乘法建立纺织品涤棉含量的预测模型，R2值和RMSECV分别为98.31和1.26，外部验证R2值和RMSEP分别为0.9328和0.293，说明近红外反射光谱法快速无损检测纺织品中涤棉含量是可行的。

柴金朝等(光谱预处理对棉涤混纺面料近红外定量模型的影响Influence of spectra preprocessing on the calibration models of quantitative analysis of cotton-terylene textile by near infrared spectroscopy[期刊论文]柴金朝,金尚忠,CHAI Jin-chao,JIN Shang-zhong，《中国计量学院学报》2008年4期)以46个棉涤混纺面料样品为研究对象,采集样品的近红外漫反射光谱,光谱范围为12000～4000cm^-1,利用偏最小二乘法建立定量校正模型,并用交叉检验法对模型进行检验,以交叉验证均方差RMSECV和决定系数R2作为判断模型优劣的标准。对利用无光谱预处理、一阶导数法、二阶导数法、多元散射校正和矢量归一化五种不同预处理方法所建的模型进行了比较,发现对光谱进行矢量归一化预处理所建模型最优；此外还分析了建立纺织布料的近红外光谱定量分析模型时主要的误差来源及近红外光谱分析技术用于纺织面料定量分析的可行性。

传统的废旧服装纺织品鉴别、分拣主要依靠熟练工人的主观判断。包括：手感、光泽和燃烧后的状态和气味等，上述人工分拣一方面常常造成火灾等事故，另一方面造成分拣错误，极大的增加了后续加工的难度和成本，同时减低了废旧服装纺织品的附加价值。

虽然采用传统的化学分析方法可以进行废旧纺织品的成分的准确鉴别，但由于上述方法耗时长，需对被测样品进行破坏，成本高，因此无法在废旧纺织品回收工业领域进行广泛应用，而只适用于第三方机构对服装材料成分进行抽检等。

目前的所谓无损快速鉴别技术主要采用近红外光谱技术，但该技术目前多采用传统的实验室近红外光谱仪器进行离线鉴别。上述鉴别技术一般需要较长的鉴别时间(≥10秒)不适用于大工业生产中对大量服装纺织品成分的鉴别和分拣。

另外，服装纺织品的近红外光谱特征很大程度上受到纺织品颜色、织造结构、后整理工艺等因素的影响，上述影响极易造成光谱吸收发生重大变化，有时甚至致使同一种成分纺织品出现完全不同的吸收光谱，进而造成无法按照传统的近红外光谱技术进行数据库和模型建立，最终造成纺织品成分的误判。

技术实现要素：

本发明的目的是采用近红外光谱技术，在不损坏废旧服装纺织品的前提下，对不同织造方法、不同颜色、不同染整工艺的废旧服装纺织品进行工位式或输送带式在线快速纤维成分鉴别和分拣。

为了实现本发明目的，本发明的一种非破坏性废旧服装纺织品快速鉴别分拣方法，包括以下步骤：

1)大量采集纯棉、纯毛、纯腈纶和纯涤纶废旧服装纺织品样品，按照行业标准规定的化学检测方法对各纺织品样品的成分进行检测；同时，对各纺织品样品进行近红外光谱数据信息采集；

2)将步骤1)中采集的所有纺织品样品的近红外光谱数据信息与纺织品样品的真实成分一一对应建立样品集，按比例分为校正集和验证集，使用不同光谱预处理方法对采集的光谱数据信息进行预处理后，利用校正集的光谱数据信息和纺织品样品的真实成分，建立废旧服装纺织品种类的鉴别模型(即定性模型)；利用验证集的光谱数据信息、纺织品样品的真实成分和模型参数评价鉴别模型的精准度；

3)采集待测纺织品样品的近红外光谱数据信息，利用步骤2)中建立的鉴别模型，对待测纺织品样品所属的种类进行鉴别，并结合半自动化工位式分拣系统或自动化在线式连续分拣系统实现废旧服装的在线分拣。

前述方法步骤1)中采集的纯棉、纯毛、纯腈纶和纯涤纶废旧服装纺织品样品，各类样品至少100件。

前述方法步骤1)和步骤3)中对各类纺织品样品进行近红外光谱数据信息采集使用的光谱范围为960nm-1650nm，光谱采集速度为100次全光谱/秒，光斑面积＞100cm²。

前述方法步骤2)中对采集的各类纺织品样品的近红外光谱数据信息进行预处理的方法包括Savitzky-Golay平滑、Savitzky-Golay一阶导数、差分一阶导数、多元散射校正MSC、标准正太变量变换SNV、基线校正等中的至少一种。

前述方法步骤2)中校正集和验证集的比例为6-9:1。优选9:1或7:1。

前述方法步骤2)中各类纺织品样品校正集的近红外光谱数据信息经预处理后，采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为5或8)，建立废旧服装纺织品种类的鉴别模型。

本发明提供的非破坏性废旧服装纺织品快速鉴别分拣方法的流程示意图见图1。

在本发明的一个具体实施方式中，利用近红外光谱技术快速鉴别废旧衣物主要组分并进行分拣的方法，具体步骤如下：

S1、采集废旧纯棉、纯毛、纯腈纶、纯涤纶各类衣物至少100件，每件纺织品剪裁出一定尺寸的方形样品用于化学分析，剩余样品待测；

S2、将剪裁出的所有样品编号，进行常规的化学分析，得到其真实的组分；挑选出纯棉、纯毛、纯腈纶、纯涤纶样品数量至少50个；

S3、将所有已经确定组分样品的裁剪后剩余部分进行对应编号，分别为C-001—C-050、W-001—W-050、P-001—P-050、A-001—A-050，使用在线式近红外光谱仪扫描这些样品，得到相应的近红外光谱数据信息；扫描的波长范围960nm-1650nm，光谱采集速度为100次全光谱/秒，光斑面积＞100cm²；

S4、将扫描后的所有4大类别纺织品样品分别分为两个部分，即校正集和验证集；校正集和验证集的比例为9:1；

S5、将得到的样品光谱，与纺织品样品的组分相对应，首先对光谱进行处理，采用S-G求导法、光谱的一阶导数对NIR光谱基线校正和光谱分辨预处理，并用标准正太变量变换SNV消除表面散射以及光程变化对NIR漫反射光谱的影响；

S6、纯棉样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为5，全波段建立纯棉纺织品的鉴别模型；其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure C-1；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure C-2；将两个模型的检测结果最终归为纯棉样本；

S7、纯涤纶样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为5，全波段建立纯涤纶纺织品的鉴别模型；其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure P-1；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure P-2；将两个模型的检测结果最终归为纯涤纶样本；

S8、纯毛样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为5，建立纯毛纺织品的鉴别模型；波段为1350-1650nm，模型为pure W；

S9、纯腈纶样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为5，全波段建立纯腈纶纺织品的鉴别模型，模型为pure A；

S10、建模完成后用部分验证集光谱进行验证；

S11、模型经验证后，将模型载入到近红外分析仪中的系统程序内，扫描未知纺织品样品，样品经过输送带式在线式近红外分析仪快速检测，时间为0.5-2秒，并通过鉴别模型进行识别，触发相应信号，提示所属纺织品类别，如果检测结果不符合上述模型的任一个，则归类为其他服装；检测归类后纺织品借助外力自动将样本送至相应位置。

在本发明的另一个具体实施方式中，利用近红外光谱技术快速鉴别废旧衣物主要组分并进行分拣的方法，具体步骤如下：

S1′、采集废旧纯棉、纯毛、纯腈纶、纯涤纶各类衣物至少100件，每件纺织品剪裁出一定尺寸的方形样品用于化学分析，剩余样品待测；

S2′、将剪裁出的所有样品编号，进行常规的化学分析，得到其真实的组分；挑选出纯棉、纯毛、纯腈纶、纯涤纶样品数量至少50个；

S3′、将所有已经确定组分样品的裁剪后剩余部分进行对应编号，分别为C-001—C-050、W-001—W-050、P-001—P-050、A-001—A-050，使用在线式近红外光谱仪扫描这些样品，得到相应的近红外光谱数据信息；扫描的波长范围960nm-1650nm，光谱采集速度为100次全光谱/秒，光斑面积＞100cm²；

S4′、将扫描后的所有4大类别纺织品样品分别分为两个部分，即校正集和验证集；校正集和验证集的比例为7:1；

S5′、将得到的样品光谱，与纺织品样品的组分相对应，首先对光谱进行处理，采用S-G求导法、光谱的一阶导数对NIR光谱基线校正和光谱分辨预处理，并用标准正太变量变换SNV消除表面散射以及光程变化对NIR漫反射光谱的影响；

S6′、纯棉样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为8，全波段建立纯棉纺织品的鉴别模型；其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure C-13；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure C-23；将两个模型的检测结果最终归为纯棉样本；

S7′、纯涤纶样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为8，全波段建立纯涤纶纺织品的鉴别模型；其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure P-13；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure P-23；将两个模型的检测结果最终归为纯涤纶样本；

S8′、纯毛样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为8，建立纯毛纺织品的鉴别模型；波段为1300-1650nm，模型为pure W3；

S9′、纯腈纶样品校正集光谱经预处理后采用主成分分析PCA方法，通过交叉验证，其中PCs Num为8，建立纯腈纶纺织品的鉴别模型；波段为1300-1650nm，模型为pure A3；

S10′、建模完成后用部分验证集光谱进行验证；

S11′、模型经验证后，将模型载入到近红外分析仪中的系统程序内，扫描未知纺织品样品，样品经过输送带式在线式近红外分析仪快速检测，时间为0.5-2秒，并通过鉴别模型进行识别，触发相应信号，提示所属纺织品类别，如果检测结果不符合上述模型的任一个，则归类为其他服装；检测归类后纺织品借助外力自动将样本送至相应位置。

本发明所述的半自动化工位式分拣系统包括近红外分析系统(位于工作台下方)、控制处理系统及声光提示系统。

本发明所述的自动化在线式连续分拣系统包括近红外分析系统(位于工作台下方)、控制处理系统及气动系统。

本发明中用于建模的样品来源广泛，具有代表性，并且经过精确的化学分析。用于建模的光谱涵盖两种不同近红外吸收特性的样品光谱(一类为吸收度逐渐升高的近红外吸收光谱，另一类为吸收度呈近似于线性下降的近红外吸收光谱)，使他们合二为一。选取特定特征波段进行建模，减少干扰。利用近红外光谱技术同时使用已经建立的模型，工位式分拣系统和在线式连续分拣系统高效、准确、无损快速鉴别和分拣废旧服装。

本发明首先采用常规化学分析方法对废旧纺织服装进行纤维成分鉴别，确定废旧服装中的纤维种类及其含量，结合服装面料的染色和后整理工艺，利用设备自带的化学计量学软件(用于纺织品的定性分析)建立涵盖废旧服装成分、织造种类、颜色及染整工艺的鉴别模型，结合工业自动化技术，实现废旧服装的快速、无损工位分拣或输送带在线分拣。

本发明具有以下优点：

(一)本发明的鉴别及分拣方法是采用近红外光谱技术，自动化程度高，而目前大多数纺织品回收企业采用的是人工鉴别、分拣。

(二)人工鉴别具有主观判断性，并且各分拣人员的判别标准存在差异。采用近红外分析仪器进行鉴别分拣，标准统一，并且判别更客观；人工鉴别有时需要对纺织品进行破坏以辨别其材质，例如燃烧纺织品用以辨别是否为纯羊毛类制品。采用近红外分析仪器进行鉴别分拣属于无损检测，无需对纺织品做任何处理；人工鉴别废旧纺织品速度较慢，且准确度不高。采用近红外光谱技术可在几秒钟的时间内完成鉴别与分拣。且准确率达到85％以上，对于纯涤纶的样品准确率可达到95％，显著提高废旧纺织品的附加值；同时采用近红外分析技术可以大大较少劳动力的使用，减少用工成本。

附图说明

图1为本发明非破坏性废旧服装纺织品快速鉴别分拣方法的流程示意图。

图2为本发明实施例1中用于建立模型的样品原始光谱图。

图3为本发明实施例1中验证集鉴别结果。

图4为本发明实施例1中对未知样品的鉴别结果。

图5为本发明实施例2中验证集鉴别结果。

图6为本发明实施例2中对未知样品的鉴别结果。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段，所用原料均为市售商品。

实施例1

自全国各地区不同废旧纺织品回收企业收集废旧纯棉、纯毛、纯腈纶、纯涤纶各类衣物至少100件，每件纺织品剪裁出一定尺寸的方形样品准备用于化学分析，剩余样品待测。

将剪裁出的所有样品编号，进行常规的化学分析(送检)，得到其真正的组分。纯棉、纯毛、纯腈纶、纯涤纶样品数量至少50个。

将所有已经确定组分样品的裁剪后剩余部分进行对应编号，分别为C-001—C-050、W-001—W-050、P-001—P-050、A-001—A-050，使用在线式近红外光谱仪扫描这些样品，快速得到相应的近红外光谱。扫描的波长范围960nm-1650nm，光谱采集速度为100次全光谱/秒，光斑面积＞100cm²。

将已经扫描的所有4大类别纺织品样品分别分为两个部分，即校正集和验证集。根据各类样品的总量，他们的比例为9:1。

将得到的样品光谱，与纺织品样品的组分相对应，首先对光谱进行处理，采用S-G求导法、光谱的一阶(1stDer)导数对NIR光谱基线校正和光谱分辨预处理，并用标准正态变量变换(standard normal variate transformation，SNV)消除表面散射以及光程变化对NIR漫反射光谱的影响。

纯棉样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为5)全波段建立定性模型。其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure C-1；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure C-2。但是两个模型的检测结果最终归为纯棉样本。

纯涤纶样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为5)全波段建立定性模型。其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure P-1；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure P-2。但是两个模型的检测结果最终归为纯涤纶样本。

纯毛样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num 为5)建立定性模型。波段为1350-1650nm。模型为pure W。

纯腈纶样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为5)全波段建立定性模型。模型为pure A。

用于建立模型的样品原始光谱见图2。建模完成后用部分验证集光谱进行验证。验证集光谱均可被建立的模型正确识别。(图3)

模型建立完成后扫描未知样品，样品经过输送带式在线式近红外分析仪快速检测，并通过定性模型进行鉴别，触发相应信号，提示所属类别，如果检测结果不符合四个定性模型的任一个，则归类为其他服装。检测归类后纺织品借助外力自动将样本送至相应位置。(图4)

实施例2

自全国各地区不同废旧纺织品回收企业收集废旧纯棉、纯毛、纯腈纶、纯涤纶各类衣物至少100件，每件纺织品剪裁出一定尺寸的方形样品准备用于化学分析，剩余样品待测。

将剪裁出的所有样品编号，进行常规的化学分析(送检)，得到其真正的组分。纯棉、纯毛、纯腈纶、纯涤纶样品数量至少50个。

将所有已经确定组分样品的裁剪后剩余部分进行对应编号，分别为C-001—C-050、W-001—W-050、P-001—P-050、A-001—A-050，使用在线式近红外光谱仪扫描这些样品，快速得到相应的近红外光谱。扫描的波长范围960nm-1650nm，光谱采集速度为100次全光谱/秒，光斑面积：＞100cm²。

将已经扫描的所有4大类别纺织品样品分别分为两个部分，即校正集和验证集。根据各类样品的总量，他们的比例为7:1。

将得到的样品光谱，与纺织品样品的组分相对应，首先对光谱进行处理，采用S-G求导法、光谱的一阶(1stDer)导数对NIR光谱基线校正和光谱分辨预处理，并用标准正态变量变换(standard normal variate transformation，SNV)消除表面散射以及光程变化对NIR漫反射光谱的影响。

纯棉样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为8)全波段建立定性模型。其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure C-13；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure C-23。但是两个模型的检测结果最终归为纯棉样本。

纯涤纶样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为8)全波段建立定性模型。其原始光谱主要分为两类，吸收度逐渐升高的近红外吸收光谱处理后建立的模型为pure P-13；吸收度呈近似于线性下降的近红外吸收光谱处理后建立的模型为pure P-23。但是两个模型的检测结果最终归为纯涤纶样本。

纯毛样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为8)建立定性模型。波段为1300-1650nm。模型为pure W3。

纯腈纶样品校正集光谱经预处理后采用主成分分析PCA(Principal Component Analysis)方法，通过交叉验证(cross validation，PCs Num为8，波段为1300-1650nm建立定性模型。模型为pure A3。

建模完成后用部分验证集光谱进行验证。验证集光谱均可被建立的模型正确识别。(图5)

模型建立完成后扫描未知样品，样品经过输送带式在线式近红外分析仪快速检测，并通过定性模型进行鉴别，触发相应信号，提示所属类别，如果检测结果不符合四个定性模型的任一个，则归类为其他服装。检测归类后纺织品借助外力自动将样本送至相应位置。(图6)

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。