一种新颖的、无损的羊绒真伪检测方法：结合光谱技术和机器学习算法

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：A novel non-destructive approach for cashmere authenticity: Combining spectroscopic techniques and machine learning algorithms

　　

春旭万|荣莉|敬谢|冯晨|余文静|刘颖

北京农业职业学院智能农业工程学院，中国北京 102442

摘要

羊绒是一种高价值的动物纤维，由于外观相似性和成本差异，经常被掺杂较便宜的绵羊毛。传统的鉴定方法主观性较强且局限性明显，而更精确的生物技术虽然准确但成本高昂且耗时。光谱学提供了一种有前景的替代方案，尽管实现高效可靠的区分仍具有挑战性。本研究旨在利用近红外（NIR）和衰减全反射傅里叶变换红外（ATR-FTIR）光谱结合机器学习算法，开发一种准确高效的方法来区分纯羊绒和绵羊毛及其混合物。共分析了200个羊绒纤维样本和200个绵羊毛纤维样本。光谱数据通过主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）、数据驱动的软独立模型类比（DD-SIMCA）和卷积神经网络（CNN）进行处理。通过线性混合模型模拟了含有10-50%绵羊毛的混合物样本。PLS-DA和DD-SIMCA模型的准确率较低（41-73%），而基于ATR-IR的模型通常表现优于NIR模型。特别是使用ATR-IR数据的CNN模型，对纯羊绒和混合物样本实现了完美的分类（100%的敏感性、特异性和准确性），显著优于传统的化学计量方法。ATR-IR-CNN方法提供了一种快速、无损且高度准确的羊绒鉴定方法，有助于打击掺假行为，保护消费者，并提升纺织行业的质量控制。

引言

羊绒是一种稀有的特种动物纤维，特指从羊绒山羊表皮获得的细软绒毛，与它们粗糙的外层毛发混合在一起。根据定义，其直径通常小于25微米；例如，中国国产羊绒的平均细度在13至19微米之间[1]。羊绒以其卓越的柔软性、极轻的重量和出色的隔热性能而备受推崇，在纺织行业中享有“纤维宝石”或“软黄金”的美誉[2][3]。商业上常用的“绵羊毛”一词可能会引起混淆。从生物学角度来看，绵羊并不产生真正的“羊绒”[4]。这种纤维实际上来源于某些品种的绵羊（具有双层绒毛）的细软绒毛，其直径不超过30微米，主要分布在14-25微米范围内[5]。

两者在微观结构上存在显著差异。羊绒纤维通常没有髓质，鳞片边缘平滑且间距较宽，这种结构特性赋予了它们无与伦比的柔软手感和对皮肤的舒适性。相比之下，绵羊毛纤维可能含有髓质，鳞片边缘较尖锐且紧密排列，导致手感较差，同等保暖性的产品通常比羊绒制品更重[4]。

正因为绵羊毛与羊绒在某些纺织特性上相似，如良好的纤维强度、耐用性和抗毡化性，并且更容易护理，再加上其产量显著更高，因此其原材料成本要低得多。这种巨大的价值差异和外观相似性使得不法商贩有动机掺假或用绵羊毛替代羊绒以获取超额利润。这种行为严重扰乱了市场秩序，侵犯了消费者权益。因此，建立准确高效的羊绒鉴定方法具有重要的实际意义。

目前区分羊绒和绵羊毛的方法大致可以分为物理、化学和生物技术。化学方法（如溶解度测试和染色方法）的鉴定准确性往往有限[6]。生物方法（包括DNA分析和生物芯片技术）虽然可能准确，但受到高设备成本、复杂程序和漫长测试周期的阻碍，难以广泛应用[7]。在物理方法中，光学显微镜是最常用和成熟的鉴定技术，因其速度快、方便且成本低。该方法依赖于对纤维微观形态特征的分析[8]。然而，其可靠性高度依赖于分析者的主观判断，尤其是在羊绒和绵羊毛的形态特征重叠或处于模糊范围时。扫描电子显微镜可以提供更高分辨率的图像，但其高昂的成本和复杂的样品制备过程使其不适合常规快速检测。

随着技术进步和动物纤维科学研究的不断深入，纤维分析的方法正从形态学检查转向快速光谱学方法。这一转变旨在解决传统鉴定方法的局限性。在此背景下，近红外（NIR）和中红外（IR）光谱已被广泛研究作为动物纤维鉴别的有前景的替代方案[9][10]。

NIR光谱主要捕捉基本分子键的 overtone 和组合振动，尤其是R-H基团[11]。此外，纤维的物理结构和形态对其特征光谱吸收特征也有显著影响。陈等人通过结合NIR光谱与偏最小二乘判别分析（PLS-DA）和软独立模型类比（SIMCA），成功区分了四种动物物种（绵羊、山羊、兔子和骆驼）的纤维；在测试集中，两种模型均实现了100%的敏感性和特异性，证明了这种方法对不同类型动物纤维分类的可行性和有效性[12]。陈等人通过结合NIR光谱和K最近邻分类器，并通过改进的线性判别分析方法进行降维处理，实现了97%的羊毛与羊绒纤维分类准确率[13]。

傅里叶变换红外（FTIR）光谱可以识别与氨基酸基团等分子键相关的化学带[14]。McGregor等人使用FT-IR对羊绒、羊毛和其他动物纤维进行了比较分析，发现羊绒和羊毛之间的FTIR光谱强度存在显著差异，不同来源的羊绒样本之间也存在差异。具体而言，大多数光谱带的强度与样本的纤维曲率呈正相关。然而，他们的研究没有结合化学计量方法进行判别分析[10]。

尽管早期研究已经成功分类了某些类型的动物纤维，但本工作解决了更具有挑战性的任务，即区分形态和光谱相似的绵羊毛，并进一步扩展了对先前研究中未考虑的掺假混合物的评估。本研究采用近红外（NIR）和衰减全反射傅里叶变换红外（ATR-FTIR）光谱结合机器学习算法，开发了一种高效准确的羊绒鉴定方法。通过提供可靠、客观和快速的分析工具，该方法有助于打击产品掺假行为，保护消费者权益，并加强供应链中的质量控制，从而促进高价值纺织行业的可持续发展。

章节摘录

样品采集

从新疆动物科学院畜牧质量标准研究所（乌鲁木齐，中国）采购了200根经过清洗的羊绒纤维和相应数量的绵羊毛纤维。在收集光谱数据之前，所有样本在50°C的烤箱中干燥约4小时，然后在25°C和55%相对湿度下调节至少20小时以平衡水分含量。通过标准方法确认了纤维的身份[15]。

光谱数据采集

分析

光谱分析

图1(a)显示了羊绒和绵羊毛的NIR原始光谱和平均光谱。两种纯纤维样本的光谱曲线趋势相似，尽管绵羊毛的整体吸收率高于羊绒，两者之间存在部分重叠。在NIR光谱中识别出几个关键吸收带。1375–1668纳米范围内的吸收带与N-H基团的第一次 overtone 拉伸有关。1710–1780纳米之间的吸收带

结论

本研究探讨了结合NIR和ATR-FTIR光谱与机器学习方法区分羊绒和绵羊毛及其混合物的可行性。PLS-DA和DD-SIMCA模型的准确率较低（41-73%），而基于ATR-IR的模型通常表现优于基于NIR的模型。在实验条件下，ATR-IR-CNN模型在纯样本和模拟混合物测试集上都实现了良好的分类（100%的敏感性、特异性和准确性）

资助

本研究得到了北京农业职业学院科技项目计划（XY-TD-25-06, XY-BS-25-05, XY-YF-25-05）的财政支持。

利益冲突声明

作者声明他们没有已知的可能会影响本研究发表的财务利益或个人关系。