综述：按纤维类型分类的纺织废料分选技术最新进展：小型综述

《Textiles》：Recent Development on Sorting of Textiles Waste by Fibre Type for Recycling: A Mini Review Megan Robinson, Saikat Ghosh, Feng Qian, Chenyu Du, Mauro Vallati and Parikshit Goswami

　　

随着全球纺织行业的快速扩张以及对纺织废料造成环境污染的认识不断提高，加强纺织废料的回收利用已成为减少送往垃圾填埋场或焚烧厂的材料数量的关键。随着回收技术的进步，能够处理大量废料流并准确识别材料以进行适当回收路径的自动分选系统，越来越被认为是高效纺织废料管理的关键。自2015年以来，已有超过20项研究专门探索了纺织废料自动分选的技术和策略。本小型综述介绍了各种纺织纤维识别技术，包括传统的视觉和触觉检查、标签检查与现代识别技术，以及近红外光谱（NIR）、傅里叶变换红外光谱（FT-IR）、射频识别（RFID）标签。它总结了分选过程的现状，特别强调了人工智能辅助的、基于纤维类型的分选技术的发展。由于纺织品中材料的复杂性、设备识别限制以及处理成本高昂，商业规模的自动分选尚未在纺织废料回收中建立，而机器学习和人工神经网络为未来的研究进展和商业化提供了机会。

1. 引言
该部分指出，人口增长、生活水平提高、纺织材料种类增多以及纺织品生命周期加速等因素共同导致全球纤维消耗显著增加。快时尚行业以低成本服装的快速生产和消费为特征，但导致了环境退化。纺织废料数量巨大，2017年全球超过9200万吨，其中约87%进入垃圾填埋场或焚烧炉，不到1%被回收用于新纤维生产。回收纺织废料可延长纺织品寿命、减少废物、降低环境影响并节约资源。纺织废料可通过机械、化学或生物方法回收，其中按纤维类型高效分选对于提高工艺效率和选择最具成本效益的回收技术至关重要。目前，大多数分选单元仍依赖耗时且劳动密集型的人工分选，且因标签缺失或错误而不可靠。因此，需要发展基于机器的自动分选方法。

2. 综述方法
本综述聚焦于为分选废纺织物而进行的纤维类型识别。搜索策略方面，于2025年3月至5月在Google Scholar和Scopus中使用关键词组合（纺织物或纺织废料或纺织纤维）与（分选或识别或分类）进行检索。纳入标准包括：经同行评审、英文撰写、至少描述一种用于按纤维含量分选后消费废纺织物的方法。排除涉及考古或历史样本的研究。本综述是首个系统分析该领域文献的工作。

3. 用于基于纤维类型回收的纤维类型识别
该部分回顾了从人工经验技术向仪器分析方法的演进。历史方法包括肉眼检查、触觉评估和燃烧测试，但主观且缓慢。20世纪中期出现显微镜分析和化学溶解测试。自1990年代起，近红外光谱（NIR）等光谱方法被采用，实现了快速、非破坏性的纤维类型识别。本节详细介绍了以下识别方法：
- 标签检查与条形码检查：通过法律规定的标签识别纤维成分，但依赖标签完整性。引入快速响应（QR）条形码可实现机器识别，但受限于视线扫描且标签可能磨损。
- 射频识别（RFID）标签：可提供远程识别和批量读取，但成本高且标签可回收性存在挑战。
- 视觉与触觉检查：低成本但主观，依赖操作员经验，受整理处理、磨损和污染影响。
- 近红外光谱（NIR）：分析780–2526 nm范围内的分子振动，可实现快速、无损识别。局限包括需要全面数据库、涂层和染料影响分析、多层纺织品和深色材料反射率低。
- 傅里叶变换红外光谱（FT-IR）：测量2500–25000 nm（4000–400 cm^-1）范围内的红外吸收，提供分子“指纹”，可快速准确识别纤维类型。
- 高光谱成像：捕获宽波长范围内详细光谱信息，通过光谱解混和机器学习算法分类纤维。优点包括高吞吐量，缺点包括成本高、对光照和污染物敏感。
- 显微镜分析：通过光学或电子显微镜观察纤维形态，有效区分天然纤维与合成纤维，但难以区分不同单体的合成纤维。

4. 纺织废料的人工分选
传统分选主要依赖人工或半自动过程，常用于小型分选中心。人工分选通常基于织物类型、颜色和状况，但按纤维类型分选既困难又不可靠。标签检查的准确性受标签丢失、褪色和错误标签影响。视觉触觉检查依赖操作员经验，且无法定量分析混纺成分。人工分选存在劳动强度大、主观性强、处理能力有限等问题。便携式光谱设备（如FabriTell和trinamiX分析仪）可辅助识别，但人工工作流仍受处理容量限制，需要开发结合高速纤维类型识别、机器人拾取和传送系统的自动分选系统。

5. 纺织废料的自动分选
机器学习（ML）和人工神经网络（ANN）是自动化分类的关键工具。本节分为两类方法：
5.1 统计和传统机器学习方法
多项研究基于NIR光谱建立识别模型。Cura等人使用ProFOSS分析仪识别棉、涤纶和粘胶，准确率73%，但对低比例混纺识别困难。Davis等人采用软独立建模分类类比（SIMCA）方法，对6类纯纺织物取得89–98%准确率。Zhou等人同样用SIMCA获得97%识别率。Blanch Perez del Notario等人利用高光谱成像（HSI）在可见近红外（VNIR）范围分类，但受颜色限制。M?kel?等人通过回归方法预测涤纶含量，平均误差4.5%。Bonifazi等人采用HSI和便携式分光辐射计，用偏最小二乘判别分析（PLS-DA）获得99.2%和100%精度，但样本量小。Peets等人用衰减全反射傅里叶变换红外光谱（ATR-FT-IR）结合化学计量学，区分纤维素纤维有挑战。Riba等人用ATR-FT-IR结合主成分分析（PCA）、典型变量分析（CVA）和k最近邻（k-NN）算法，对350个样本获得100%识别率，但未分析混纺织物。Sun等人用NIR光谱结合偏最小二乘（PLS）模型定量棉/涤纶混纺中的棉含量，预测相关系数98.8%，均方根误差2.1%。Becker等人研究湿纺织物的分选，发现需同时训练干湿样本。Riba等人融合NIR和中红外（MIR）光谱改善暗色和湿纺织物的识别，但MIR工业适用性差。Bonifazi等人采用短波红外（SWIR）光谱，PLS-DA准确率98.4%。

5.2 人工神经网络
多项研究应用ANN进行纺织分类。Huang等人比较了多种传统ML和神经网络，其中一维卷积神经网络（1D-CNN）对高光谱成像（HSI）数据准确率达98.6%。Du等人将NIR光谱转换为二维图像，用卷积神经网络（CNN）对13类废纺织物实现超95%准确率。Liu等人提出纺织品回收网络（Tr-Net），基于CNN处理波形图像，准确率96.2%。Riba等人用CNN结合PCA和CVA降维，纯样本和混纺样本分类性能提升。Liu等人用反向传播神经网络（BPNN）定量分析纤维含量，相关系数99.8%。Li等人用BPNN对892个样本分类，准确率超99%，误分类主要发生在成分低于5%时。Qiu等人采用外部参数正交化（EPO）算法处理湿纺织物的NIR光谱，降低预测误差。总体而言，ANN模型通常优于传统方法。

6. 商业发展、挑战与未来方向
6.1 自动分选系统的商业发展
现有商业系统主要基于NIR技术，如SIPTex系统。欧盟2025年将实施纺织废料单独收集指令，加速分选设施发展，但处理量和复杂混纺仍是限制。
6.2 废料处理量
人工分选难以应对大量废料，现有自动系统仍需人工辅助，需改进以减少人工依赖。
6.3 混纺织物
研究表明纯纺织物分选效果更好，但混纺样本训练集小。扩大样本量有助于模型学习。可考虑放宽识别类别窗口（如50–90%棉），以提升分选准确性。
6.4 多层纺织品
NIR光谱仅分析表面，多层或涂层纺织品无法识别内部成分，构成挑战。
6.5 潮湿和污损纺织废料
水分会扭曲NIR光谱，水分子OH吸收带（1450 nm和1940 nm）干扰棉和粘胶识别。污损物也可能影响光谱，需进一步研究处理湿污织物的方法。
6.6 机器学习与人工神经网络
ML和ANN需要高质量标记数据集，现有数据集仅覆盖实际废料中一小部分多样性。过拟合风险存在，且计算资源需求高。
6.7 经济可行性
自动分选的经济可行性取决于处理规模，盈亏平衡点是关键指标。WRAP报告建议年处理25000吨的模型可解锁效率提升。系统模块化、设备成本降低和政策激励可降低盈亏平衡点。

7. 结论
从人工分选向自动分选系统转变对提高回收效率和可持续性至关重要。非破坏性方法如NIR光谱和高光谱成像，结合统计和ML算法，显示出自动化分选的潜力。但废物体量、混纺纤维、多层纺织品以及湿污织物等挑战需进一步研究。未来自动分选方法将更广泛采用，促进资源回收和循环经济。