光谱与机器学习策略在纺织品混纺自动分类与定量中的应用：助力纺织行业实现材料回收与循环经济

《Journal of Cleaner Production》：Spectroscopic and machine learning strategies for automated classification and quantification of textile blends: Enabling material recovery and circular economy in the textile sector

　　近红外光谱技术实现了对纺织纤维的非破坏性分类。机器学习模型提高了纺织混纺成分的判别准确率。支持向量机（SVM）在一级分类中取得了最高的准确率，而随机森林（RF）和k近邻（k-NN）算法在复杂的混纺成分回归任务中表现优异。低含量氨纶混纺物可通过回归模型被成功检出。本研究为纺织品分拣和回收流程的自动化提供了有力支持。引言全球纺织业带来的环境负担日益加剧，据估计每年产生超过9200万吨的消费后及工业后废弃物，这迫切需要向循环经济模式转变（Harris, 2025）。当前的线性"获取-制造-废弃"模式导致了严重的生态后果，包括温室气体排放增加、微塑料污染蔓延以及原生资源的快速耗竭（Agency, 2019）。因此，可持续的纺织品回收已成为减少该行业环境足迹、推动资源循环利用的关键迫切任务（Fung and Hardcastle, 2015）。然而，实现高质量纺织品回收的一个根本性瓶颈在于对复杂混合废物流中多种纤维类型的准确识别与分离，尤其是二元和三元混纺物（如棉-涤纶、聚酰胺-氨纶）在当代纺织产品中占据主导地位（Villar et al., 2024）。传统的纤维识别方法，如人工分拣、经验燃烧测试和耗时的湿化学技术，本质上受到劳动力强度大、准确率有限以及往往具有有害环境影响的制约（Ali et al., 2024）。相比之下，先进的光谱技术，特别是近红外光谱（NIRS），为材料表征提供了一种快速、非破坏性且可扩展的分析解决方案（Ali et al., 2024; Zhou et al., 2019）。近红外光谱在区分化学性质不同的纤维类别方面已显示出显著的功效，涵盖天然纤维（如棉、羊毛、丝绸）、再生纤维素纤维（如粘胶、莱赛尔、莫代尔）以及各种合成聚合物（如涤纶、聚酰胺、聚丙烯、氨纶）（Faghih et al., 2025）。例如，当代工业分拣系统利用基于近红外技术的传感器阵列，实现了每小时数吨的纺织品自动化分离（Abbas-Abadi et al., 2025）。然而，实际纺织废弃物的固有复杂性，包括光谱重叠、存在多种染料、织物化学处理以及因老化导致的材料降解，可能会显著损害原始光谱数据的准确性和可解释性（Wang and Salmon, 2022）。为应对这些分析挑战，化学计量学——即应用数学和统计方法处理化学数据的学科——在从复杂光谱数据集中提取有意义信息方面发挥着关键作用（Otto, 2023）。主成分分析（PCA）等多变量技术被广泛用于光谱数据的降维、噪声过滤和模式识别，从而增强类别可分离性并促进可解释性（Geladi and Kowalski, 1986）。主成分分析在纺织品回收中非常有效，可将重叠的近红外光谱降至能分离再生羊绒和原生羊绒纤维的水平（Anceschi et al., 2022）。在电子废物管理中，PCA精简了由激光诱导击穿光谱产生的大型数据集，以快速分类设备类型并实现电子废弃物的自动化快速分拣（Ferreira et al., 2026）。在通用和建筑材料领域，多变量化学计量学PCA有效地映射了复杂的化学输出，基于多种性能和再生塑料的纯度来验证塑料复合材料（Gu et al., 2016）。通过最小化数据噪声并提取关键特征，这一数学方法使PCA能够实现极高的分拣准确率。此外，先进的机器学习（ML）算法，包括支持向量机（SVM）、随机森林（RF）和k近邻（k-NN），提供了强大的框架，可开发预测模型，即使在高度复杂和非线性的光谱空间中，也能对纤维类型进行分类或准确估算混纺成分（Yildirim et al., 2018）。例如，SVM在区分具有挑战性的涤纶和粘胶混纺物方面表现出卓越的性能（Qiu et al., 2023），而近红外光谱结合使用由连续投影算法选择波长的最小二乘支持向量机模型，提供了一种简单、快速、经济且非破坏性的方法，用于准确量化棉-涤纶混纺成分（Liu et al., 2018）。此外，先进的机器学习模型，特别是优化的随机森林和梯度提升模型，有效地预测了可持续再生棉/Lyocell混纺纱线的质量，该模型使用了由Shapley可加性解释分析确定的关键纤维长度特征，从而实现了数据驱动的可持续纺织发展（Biswas et al., 2025）。尽管取得了这些重大进展，但在科学文献中仍存在一个明显的空白：缺乏使用经过严格控制且经化学验证的纺织样品，针对分类和回归任务对监督机器学习模型进行系统而全面的评价，涵盖广泛的纤维类型和混纺比例。此外，将这些先进模型与近红外光谱数据相结合，专门用于准确反映现实回收场景（其中织物年龄、染色工艺和整理处理等因素可能引入显著的光谱干扰），还需要更深入的研究。本研究旨在严格探索SVM、RF和k-NN算法与主成分分析预处理协同结合，在利用近红外光谱对多种纯纤维和混纺织物样品进行纤维含量分类和定量预测方面的有效性。研究将利用一个综合数据集，其中包括100%纯纤维以及涉及棉、涤纶、聚酰胺、氨纶、莫代尔、莱赛尔以及其他商业上重要的纺织纤维的工业相关二元混纺物。总体目标是建立一个稳健的、数据驱动的框架，实现可靠且可扩展的纺织识别，从而为先进的自动化分拣系统提供关键技术支持，并促进高质量再生纺织原料的生产。分节片段样品收集与制备共选择了947个纺织面料样品，以代表纺织业中常用的多种纤维类型和混纺比例。样品包括100%纯纤维和多纤维混纺面料。纯纤维面料共有605个样品，其中包括棉（97个样品）、涤纶（84个样品）、莫代尔（6个样品）、莱赛尔（12个样品）、羊毛（70个样品）、黑色羊毛（18个样品）、聚酰胺（39个样品）、聚丙烯（9个样品）、丝绸（101个样品）、粘胶（75个样品），关键纺织纤维的近红外光谱特性（1100-1650纳米）棉的典型近红外光谱（图1A，1100-1650纳米）、亚麻的近红外光谱（图1B）、莱赛尔（图1C）、莫代尔（图1D）、粘胶（图1E）、涤纶近红外光谱（图1F及1100-1650纳米）、聚酰胺（尼龙）（图1G）、聚丙烯（PP）（图1H）、氨纶（图1I及1100-1650纳米）、羊毛（图1J）和丝绸（图1K）在近红外光谱方面已在补充材料1中进行了描述。具体而言，详细的数学公式、算法推导以及特定操作参数等结论本研究证明，将近红外光谱与先进的机器学习框架相结合，为分类和定量复杂的纺织基质提供了一种客观、高通量的解决方案。重要的是，实证结果表明各模型具有互补的优势，而非存在单一普遍最优的算法。对于初级纤维识别和主要混纺分类，SVM始终取得了最高的总体准确率，在外部验证下达到93–97%，在内部验证下达到96%。CRediT作者贡献声明Mourad Kharbach：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、软件、资源、方法学、调查研究、形式分析、概念构思。Niko Rintala：可视化、验证、软件、资源、数据整理。Mohammed Alaoui Mansouri：验证、软件、方法学、调查研究、形式分析、概念构思。Huiwen Yu：撰写——审阅与编辑、可视化、验证、监督、软件、方法学。利益冲突声明作者声明不存在可能被视为与本研究、作者身份或论文出版相关的潜在利益冲突。致谢FINIX项目获得了芬兰研究理事会战略研究理事会（Strategic Research Council）的资金支持，资助协议编号：327296。作者感谢欧盟共同资助的项目OmniTexLux以及LAB应用科学大学对本研究的支持。Mourad Kharbach|Niko Rintala|Mohammed Alaoui Mansouri|Huiwen Yu|Kirsti Cura