摘 要： 亞麻、漢麻與苧麻纖維的成分組成和物化性質高度相似，三者間的分類鑒別是紡織品檢驗檢測領域的難點。本文對不同種類麻纖維的傅里葉變換衰減全反射紅外光譜(ATR-FTIR)作主成分分析(PCA)和線性判別分析(LDA)，創(chuàng)建麻纖維分類判別模型以鑒別三種易混麻纖維。選取亞麻、漢麻和苧麻纖維各60 組作為樣品集進行脫膠清洗處理并采集ATR-FTIR光譜。光譜歸一化后對800~2000cm-1波長的光譜作主成分分析，分析結果顯示:隨著主成分個數(shù)增加，主成分分數(shù)依據(jù)麻纖維類別逐漸顯現(xiàn)聚類趨勢，同時前12個主成分對歸一化紅外光譜數(shù)據(jù)的累計貢獻率超過99.5%。以訓練集前12主成分數(shù)為自變量，以麻纖維種類為因變量，通過線性判別分析構建了分類判別模型(典型判別函數(shù)和分類函數(shù))。模型驗證結果顯示:典型判別函數(shù)可使12個主成分分數(shù)矩陣根據(jù)麻纖維樣品類型形成良好的聚類，分類函數(shù)對訓練集和測試集中所有纖維樣品的分類準確率達到100%。此外，PCA-LDA分類判別模型留一交叉驗證的分類準確率仍能達到99. 6%。結果表明，不同類別麻纖維的ATR-FTIR光譜存在差異，基于麻纖維ATR-FTIR 光譜的PCA-LDA統(tǒng)計分析可實現(xiàn)亞麻、漢麻和苧麻三種易混麻纖維的快速無損鑒別。
關鍵詞：亞麻；漢麻；苧麻；鑒別；紅外光譜；主成分分析；線性判別分析
麻纖維自古以來就是紡織品的重要原材料[1-2]，如今依舊是紡織工業(yè)中產(chǎn)量僅次于棉花的植物纖維。其中，亞麻、漢麻和苧麻纖維具有出色的可紡性和親膚性，被大量應用于服裝面料生產(chǎn)。由于用途和產(chǎn)量的差異，不同種類麻纖維的市場價格存在明顯差距，以低價麻纖維冒充高價麻纖維的不法現(xiàn)象時有發(fā)生。 目前國內鑒別麻纖維的主要依據(jù)為FZ/T01057.3—2007《紡織纖維鑒別試驗方法 顯微鏡法》，標準給出了各種麻纖維的縱橫向微觀照片，由檢測人員觀察比較實際麻纖維樣品的顯微鏡影像從而確定樣品的種類。然而亞麻、漢麻和苧麻的微觀形態(tài)高度相似，檢測人員較難根據(jù)該方法準確鑒定麻纖維，以三者為代表的易混麻纖維的鑒別一直是業(yè)界的難題，因此健全麻纖維鑒別技術對維護市場穩(wěn)定和加強質量監(jiān)管尤為重要。
亞麻、漢麻和苧麻纖維(以下簡稱麻纖維)均由纖維素、半纖維素、果膠和木質素等物質構成[3]，它們的構成比例差異較小且物理化學性質幾乎相同，傳統(tǒng)的化學溶解法和燃燒法等無法達到鑒別效果。 盡管麻纖維來源于不同的植物物種，
DNA鑒定技術卻難以應用于麻纖維鑒別，原因在于紡織加工用的麻纖維內部已不存在細胞核[4]。 學者們研究發(fā)現(xiàn)麻纖維旋轉方向、著色反應及草酸鈣晶體等特征[5-8] 可作為區(qū)分亞麻、漢麻和苧麻纖維的依據(jù)，然而這些微觀影像的特征差異十分微弱，檢測人員的認知差異極易影響麻纖維鑒別準確性，同時面臨操作難度大、檢測成本高等問題。
亞麻、漢麻和苧麻纖維的傅里葉變化紅外(Fourier transform infrared reflection，FTIR)光譜類似，尚無法通過紅外圖譜數(shù)據(jù)庫檢索鑒別。近年來研究人員致力于通過比較分析麻纖維的紅外光譜特性，試圖破解定性鑒別難題。 王成云等[9] 測試麻纖維FTIR光譜后提出光譜吸收峰處吸光度之比是鑒別亞麻、漢麻和苧麻的重要依據(jù)。任清慶等[10] 通過燃燒法、顯微鏡法、掃描電鏡法及紅外光譜法比較亞麻、漢麻和苧麻的異同點，并認為可以通過觀察纖維縱橫向形態(tài)和 FTIR 光譜上1 033 cm- 1和 2 917 cm- 1處吸收峰的微小差別來區(qū)分漢麻和其他二者。 相較于傳統(tǒng)的 FTIR 光譜技術，傅里葉變換衰減全反射紅外光譜技術(Attenuated total reflection Flourier transformed infrared spectroscopy，ATR-FTIR)具有高效無損的檢測優(yōu)勢。Garside等[3]測試了包括亞麻、漢麻和苧麻在內的6 種原麻纖維的 ATR-FTIR光譜，其指出木質素含量是區(qū)分纖維素纖維種類的重要參數(shù)，并嘗試采用紅外特征波段吸光度之比來區(qū)分麻纖維，然而效果并不理想。綜上所述，前人雖已發(fā)現(xiàn)不同種麻纖維間存在較為微弱的紅外光譜差異，但目前仍未能利用紅外光譜間的數(shù)據(jù)差異開發(fā)出一套快速準確的麻纖維分類鑒別方法，有待進一步研究。
統(tǒng)計學分析方法有利于挖掘不同種類麻纖維間的紅外光譜差異并建立與纖維類別間的聯(lián)系。其中， 主成分分析(Principal component analysis，PCA)是一種無監(jiān)督降維方法，其通過正交變換將一組可能存在相關性的變量轉換為一組線性不相關的變量，借此可將大量原始變量壓縮為有限幾個主成分(Principal component，PC)[11]，原始數(shù)據(jù)中的微小差異得以通過主成分分數(shù)表達。 線性判別分析(Linear discriminant analysis，LDA)則是一種集“有效特征選擇與狀態(tài)識別”功能于一身的監(jiān)督學習方法[12]，該統(tǒng)計方法能基于訓練集建立判別準則，并根據(jù)準則確定未知樣本所屬的類別。迄今為止，基于ATR-FTIR 光譜的PCA-LDA 統(tǒng)計分析方法已廣泛應用于血跡[13]、紙張[14]、朱砂[15]、塑料[16]、動物皮毛[17]、病毒[18]、榛子[19]及物質結構差異較為顯著的紡織纖維[20] 的檢測鑒別，為基于紅外光譜的麻纖維鑒別研究提供了借鑒。
綜上所述，亞麻、漢麻和苧麻纖維難以通過傳統(tǒng)檢測方法實現(xiàn)準確鑒別，本文采集不同種類的麻纖維ATR-FTIR光譜并歸一化處理，運用主成分分析提取光譜間數(shù)據(jù)差異并簡化變量，而后通過線性判別分析建立麻纖維分類模型，以期實現(xiàn)亞麻、漢麻和苧麻三種易混麻纖維的快速無損鑒別。
1實驗
1.1材料
亞麻、漢麻、苧麻等麻纖維樣品(桐鄉(xiāng)尚德紡織有限公司、嘉興市榮華麻紡織有限公司)，三種麻纖維(產(chǎn)自中國湖南、湖北、廣東、廣西、四川及安徽)，其種類信息由廠家提供并經(jīng)過寧波纖維檢驗所的纖維定性專家抽檢驗證。每個省份每種麻纖選取10個樣品，建成由180個麻纖維樣品(亞麻、漢麻和苧麻樣品各60 個)組成的樣品集。這些麻纖維樣品在白度、果膠含量和雜質含量等方面存在差異，為避免這些因素對光譜的影響，需對纖維進一步脫膠并去除黏附的雜質。脫膠所需的堿性果膠酶(適活條件為pH值 7~9，溫度 50~60 ℃) (淄博聯(lián)特生物酶有限公司)，分析純磷酸氫二鈉十二水合物(西隴科學股份有限公司)。
1.2儀器
配有ATR附件和OMNI采樣器的 Nicolet IS 10 FTIR 光譜儀(賽默飛世爾科技)，JSM-5610掃描電子顯微鏡(日本電子株式會社)，SK2210LHC超聲波清洗機(上海科導超聲波儀器有限公司)，YB902G烘箱(溫州大榮紡織儀器有限公司)，FE20 pH值計(梅特勒托利多儀器有限公司)，JM-B5002電子天平(余姚市紀銘稱重校驗設備有限公司)及配有IBM SPSS Statistics 25軟件的電腦。
1.3試樣預處理
實驗采用堿性果膠酶溶液對纖維樣品在超聲下進行酶脫膠預處理[21]。 其過程如下:首先，調制酶質量分數(shù)2%為酶液后加入磷酸氫二鈉十二水合物調節(jié)pH 值至8，取各溶個麻纖維樣品適量放入錐形瓶中，以浴比1︰25將纖維與酶溶液混合并攪拌至纖維完全潤濕浸沒。而后將超聲波清洗儀工作頻率設置為35kHz，錐形瓶置于超聲波清洗儀中55 ℃水浴溫度下超聲清洗脫膠6h，脫膠后對纖維樣品用蒸餾水冷洗并烘干。最后，使用掃描電子顯微鏡(SEM)觀察脫膠前后麻纖維表面的清潔程度。脫膠預處理前后亞麻纖維樣品的SEM照如圖1所示，可見該堿性果膠酶預處理過程能有效去除麻纖維表面的果膠和雜質。
圖1 亞麻纖維酶脫膠預處理前后的掃描電鏡照
1.4 ATR-FTIR 光譜采集與處理
紅外光譜儀預熱，設置掃描樣品次數(shù)為32次，分辨率4cm- 1，抽取預處理后的麻纖維樣品約0.2g放置于ATR附件上， 旋轉OMNI采樣器固定鈕壓緊樣品，采集400 ~4000 cm- 1波長的ATR-FTIR光譜，使用內置軟件對獲得的光譜進行5點平滑和基線校正，獲得的光譜數(shù)據(jù)保存為csv格式。為了在相同尺度下比較麻纖維樣品的紅外光譜，根據(jù)下式對光譜數(shù)據(jù)進行歸一化。
式中:Nλ 和 Aλ 分別是波長λ處的歸一化值和紅外吸光度，而Amax和 Amin分別是該波長內的最大和最小紅外吸光度。
1.5紅外光譜的 PCA-LDA 分析
若將歸一化紅外光譜中每個波段的歸一化值視為一個變量，則整個紅外光譜包含7469個變量，鑒于主吸收峰位于800~2000 cm- 1波長內，本文僅統(tǒng)計分析歸一化紅外光譜中該指紋區(qū)域2490個波段的光譜數(shù)據(jù)。在SPSS中通過“分析→降維→因子分析”執(zhí)行主成分分析操作，將這些波段的光譜變量壓縮為多個主成分(PC)，可得到主成分特征值、方差貢獻率及累計方差貢獻率等主成分特征指標。 同時借助該分析過程，所有180個麻纖維樣品的歸一化紅外光譜數(shù)據(jù)將轉化為180組主成分分數(shù)矩陣。其中，特征值大于等于1且累積方差貢獻率超過99.5%的前若干個主成分的分數(shù)矩陣，可被認為代表了所有原變量所包含的大部分信息，將用于后續(xù)分析。
按照5︰1比例分配訓練集樣本和測試集樣本，隨機選取150組麻纖維樣品的主成分分數(shù)矩陣及其纖維種類，作為線性判別分析(LDA)的訓練集。其中，第1~50組主成分分數(shù)矩陣來自亞麻纖維，第51~100組主成分分數(shù)矩陣來自漢麻纖維，第101~150組主成分分數(shù)矩陣來自苧麻纖維。以訓練集的主成分分數(shù)作為自變量，纖維種類作為分組變量(亞麻、漢麻和苧麻分別標記為1、2和3)，在SPSS軟件中執(zhí)行“分析→分類→判別”操作，可得到麻纖維LDA分類模型，以典型判別函數(shù)和分類函數(shù)表示。其余30組麻纖維的主成分分數(shù)矩陣及其纖維種類作為測試集，用于對所建函數(shù)模型的外部驗證，其中第151~160組主成分分數(shù)矩陣來自亞麻纖維，第161~170組主成分分數(shù)矩陣來自漢麻纖維，而第171~180組主成分分數(shù)矩陣來自苧麻纖維。
2結果與分析
2. 1 麻纖維的紅外光譜特征
麻纖維800~2000cm- 1 波長的歸一化紅外光譜如圖2所示。由圖2可見，亞麻、漢麻和苧麻纖維的紅外光譜具有高度相似性，這是由于三種麻纖維的主要組分均為纖維素和半纖維素等多糖物質，且這些組分的組成比例較為接近。 麻纖維紅外光譜的共同特征表現(xiàn)為:多糖物質內的C-OH鍵對麻纖維的紅外光譜影響最為明顯，其伸縮振動在1029cm- 1處存在最強吸收峰，而在1053cm- 1處存在第二強吸收峰，其面內搖擺振動在1203cm- 1處有微弱的吸收峰。而多糖物質中的C-H鍵在紅外光譜中存在較多的吸收峰，但這些吸收峰強相對較弱，其面內對稱伸縮振動的吸收峰出現(xiàn)在895cm- 1處，面外搖擺振動的吸收峰則出現(xiàn)在984cm- 1 和1000cm- 1處，搖擺振動的吸收峰出現(xiàn)在1315cm- 1和1428cm- 1處。此外，1104cm- 1處為C-O-C糖苷鍵的伸縮振動吸收峰，1159cm- 1處為C-C鍵的不對稱伸縮振動吸收峰，而1280cm- 1處則為CH2鍵的搖擺振動吸收峰。
圖2 麻纖維800~2000cm-1波長的歸一化紅外光譜
盡管麻纖維的歸一化紅外光譜十分相似，麻纖維組分的比例差異仍會導致典型化學鍵的含量差異，因此其歸一化紅外光譜中若干波段的吸光度略有不同，如C—OH鍵和CH鍵在1053cm- 1和1280cm- 1波長處的吸收峰強度差異。即便如此，僅通過人眼對比光譜圖的微弱差異來鑒別麻纖維也很難具有說服力，因此需對光譜數(shù)據(jù)進一步統(tǒng)計分析。
2.2主成分分析結果
對所有麻纖維的歸一化紅外光譜進行主成分分析，成分特征指標如表1所示。前2個主成分的累積方差貢獻率達到84.74%，前3個主成分的累積方差貢獻率達到92.06%，而前12個主成分累積方差貢獻率達到99.58%，因此可認為前12主成分足以代表光譜中2490個波段光譜變量所包含的大部分信息。 對麻纖維樣品主成分分數(shù)矩陣作進一步統(tǒng)計，前2主成分分數(shù)聚類分布如圖3所示，前兩個主成分分數(shù)分
表1 主成分特征指標統(tǒng)計
布顯得雜亂分散；而前 3 主成分分數(shù)聚類分布如圖 4 所示，前3 主成分分數(shù)在三維坐標空間中已表現(xiàn)出聚類趨勢；可以推斷若高于三維的坐標空間可以被刻畫，前 12 主成分在多維坐標系中極有可能按照纖維分類形成聚類，該麻纖維樣品光譜的主成分分數(shù)聚類特征為基于紅外光譜統(tǒng)計分析鑒別麻纖維提供了可能。
圖3 麻纖維樣品前兩主成分分數(shù)的聚類分布
圖4 麻纖維樣品前三主成分分數(shù)的聚類分布
2.3 基于麻纖維光譜的 PCA-LDA 模型
以訓練集麻纖維樣品主成分分數(shù)矩陣中前12個主成分作為自變量x1~x12 ，以麻纖維種類為分組變量，經(jīng)線性判別分析，獲得麻纖維典型判別函數(shù)y1(x) 和 y2(x)，分別如式(2)(3)所示；亞麻、漢麻和苧麻的分類函數(shù) yf(x)、yh(x)和 yr(x)分別如式(4)(5)(6)所示。
典型判別函數(shù)用以表征纖維分類的聚類效果，分類函數(shù)則用于預測判斷麻纖維樣品種類。當未知麻纖維樣品的前1個主成分分數(shù)代入三種麻纖維分類函數(shù)后，該未知麻纖維種類的判別規(guī)則如下:若yf(x)取值最大則該麻纖維為亞麻纖維，若yh(x)取值最大則該麻纖維為漢麻纖維，若yr(x)取值最大則該麻纖維為苧麻纖維。
2.4 麻纖維鑒別模型的驗證
為了驗證PCA-LDA模型的聚類效果，將訓練集中的150組主成分分數(shù)代回典型判別函數(shù)y1(x)和y2(x)，在二維坐標平面上以每個纖維樣品的y1(x)為橫坐標、y2(x)為縱坐標，構建二維坐標，如圖5所示。由圖5可見，亞麻樣品的典型判別函數(shù)結果集中在第一象限，漢麻樣品的典型判別函數(shù)結果出現(xiàn)在第四象限，而苧麻樣品的典型判別函數(shù)結果則集中在第二和第三象限；典型判別函數(shù)結果根據(jù)麻纖維種類展現(xiàn)出較好的聚類效果，這進一步證明不同類別麻纖維的ATR-FTIR光譜之間存在差異。
圖5 訓練集樣品對應的典型判別函數(shù)值
同時，將訓練集中的150組主成分分數(shù)代回分類函數(shù)進行內部驗證，結果如圖6所示。由圖6可見，所有亞麻纖維樣品的主成分分數(shù)矩陣在亞麻分類函數(shù)中取得最大值，而漢麻與苧麻纖維樣品的主成分分數(shù)也在其各自對應的分類函數(shù)中獲得最大值，所有訓練集樣品均被正確分類，內部驗證結果表明所建立的PCA-LDA模型對訓練集自身樣品具有高效穩(wěn)定的鑒別能力。而后將測試集的主成分分數(shù)矩陣代入分類函數(shù)進行外部驗證，其結果如表2所示。由表2可見，所有麻纖維樣品的實際種類與預測結果完全一致，意味著本文所建立的麻纖維分類模型的分類正確率達到100% 。
圖6 訓練集樣品對應的分類函數(shù)值
表2 麻纖維分類函數(shù)的外部驗證結果
為進一步探討PCA-LDA統(tǒng)計方法鑒別麻纖維的的準確性，由SPSS軟件對180 組麻纖維樣品的主成分分數(shù)矩陣作留一交叉驗證[22]。即將每一個樣品作為測試樣本，其他179個樣品作為訓練樣本，這樣得到180個分類器和180個測試結果，用這180個結果的平均值來衡量模型的性能。 留一交叉驗證的結果如表3所示，驗證結果顯示僅有一個漢麻纖維樣品在分類判別分析中被誤判為亞麻，判別模型的分類正確率仍達到99.6%。綜上所述，基于麻纖維紅外光譜PCA-LDA統(tǒng)計分析獲得的麻纖維分類判別模型能夠準確鑒別亞麻、漢麻及苧麻等易混麻纖維。
表3 分類判別的留一交叉驗證結果
3 結論
亞麻、漢麻和苧麻纖維的成分組成及物理化學性能高度相似，傳統(tǒng)的檢測方法難以鑒別，因此本文提出一種基于紅外光譜PCA-LDA統(tǒng)計分析的麻纖維分類鑒別方法。選取亞麻、漢麻和苧麻纖維各60組，脫膠清洗處理進一步去除內部果膠和雜質，而后獲取其ATR-FTIR光譜并作歸一化處理，對比不同種類纖維間的歸一化光譜發(fā)現(xiàn)， 僅1053cm-1和1280cm-1波長等處的吸收峰強度略有差異，但仍無法借此準確區(qū)分麻纖維。對歸一化光譜數(shù)據(jù)作主成分分析發(fā)現(xiàn):隨著主成分個數(shù)增加主成分分數(shù)依據(jù)麻纖維類別逐漸顯現(xiàn)聚類趨勢，并且前12個主成分對歸一化光譜數(shù)據(jù)的累積方差貢獻率達到99.58%。以訓練集前12主成分數(shù)為自變量，以麻纖維種類為因變量，通過線性判別分析構建了包括典型判別函數(shù)和分類函數(shù)的麻纖維分類判別模型。 模型驗證結果表明:典型判別函數(shù)能夠使訓練集主成分分數(shù)矩陣依據(jù)麻纖維種類形成聚類，分類函數(shù)對訓練集和測試集中所有纖維樣品的分類準確率達到100%。留一交叉驗證模式下麻纖維分類判別函數(shù)的分類正確率依舊達到99.6%。由此可見，不同類別麻纖維的ATR-FTIR光譜存在差異，基于麻纖維ATR-FTIR光譜的PCA-LDA統(tǒng)計分析可快速準確鑒別三種易混麻纖維。
參考文獻
[1]YAGI C, YOSHIMURA N, TAKAYANAGI M, et al. Discrimination of traditional plant fibers used in Japanese cultural artifacts by infrared spectroscopy [ J ]. Vibrational Spectroscopy, 2022(123):103466.
[2]LUKEŠOVÁ H, PALAU A S, HOLST B. Identifying plant fibre textiles from norwegian merovingian period and viking age graves: The late ironage collection of the university museum of bergen[ J]. Journal of Archaeological Science: Reports, 2017(13): 281-285.
[3]GARSIDE P, WYETH P. Identification of cellulosic fibres by FTIR spectroscopy: Thread and single fibre analysis by attenuated total reflectance[J]. Studies in Conservation, 2003, 48(4): 269-275.
[4]DUNBAR M, MURPHY T M. DNA analysis of natural fiber rope [J]. Journal of Forensic Sciences, 2009, 54(1): 108-113.
[5]HAUGAN E, HOLST B. Determining the fibrillar orientation of bast fibres with polarized light microscopy: The modified Herzog test (replate test) explained[ J]. Journal of Microscopy, 2013, 252 (2): 159-168.
[6]NAYAK R, HOUSHYAR S, KHANDUAL A, et al. Identification of natural textile fibres [ M ] / / Handbook of Natural Fibres. Cambridge: Woodhead Publishing, 2020: 503-534.
[7]BERGFJORD C, HOLST B. A procedure for identifying textile bast fibres using microscopy: Flax, nettle / ramie, hemp and jute [ J]. Ultramicroscopy, 2010, 110(9): 1192-1197.
[8] WANG H M, WANG X. Surface morphologies and internal fine structures of bast fibers[J]. Fibers and Polymers, 2005(6): 6-12.
[9]王成云, 劉彩明, 李麗霞, 等. 麻纖維的定性鑒別[J]. 中國纖檢, 2007(8): 38-41. WANG C Y, LIU C M, LI L X, et al. Qualitative identification of bast fibers[J]. China Fiber Inspection, 2007(8): 38-41.
[10]任清慶, 馮云, 楊力生, 等. 漢麻纖維定性分析方法[J]. 上海紡織科技, 2013(1): 50-51. REN Q Q, FENG Y, YANG L S, et al. Methods for qualitative analysis of hemp fiber[J]. Shanghai Textile Science &Technology, 2013(1): 50-51.
[11]LIU J, KANG H, TAO W, et al. A spatial distribution: Principal component analysis (SD-PCA) model to assess pollution of heavy metals in soil[J]. Science of the Total Environment, 2023(859): 160112.
[12]SINGH G, PAL Y, DAHIYA A K. Classification of power quality disturbances using linear discriminant analysis [ J]. Applied Soft Computing, 2023(138): 110181.
[13] SHARMA S, CHOPHI R, JOSSAN J K, et al. Detection of bloodstains using attenuated total reflectance-Fourier transform infrared spectroscopy supported with PCA and PCA-LDA [ J ]. Medicine, Science and the Law, 2021, 61(4): 292-301.
[14] XIA J, ZHANG J, ZHAO Y, et al. Fourier transform infrared spectroscopy and chemometrics for the discrimination of paper relic types[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019(219): 8-14.
[15]CHOPHI R, SHARMA S, SINGH R. Discrimination of vermilion ( sindoor ) using attenuated total reflectance fourier transform infrared spectroscopy in combination with PCA and PCA-LDA[J]. Journal of Forensic Sciences, 2021, 66(2): 594-607.
[16] WU X, LI J, YAO L, et al. Auto-sorting commonly recovered plastics from waste household appliances and electronics using nearinfrared spectroscopy [ J ]. Journal of Cleaner Production, 2020 (246): 118732.
[17]ZHAO G, LUO X, YUAN X, et al. Study on principal component analysis and multi-class discrimination against the combination to identify easy-confused fur[J]. Journal of Industrial Textiles, 2021, 50(6): 794-811.
[18]MO H, YANG L, WU G, et al. Rapid and non-invasive screening of high-risk human papillomavirus using Fourier transform infrared spectroscopy and multivariate analysis [ J]. Optik, 2020 ( 206 ): 164292.
[19]MANFREDI M, ROBOTTI E, QUASSO F, et al. Fast classification of hazelnut cultivars through portable infrared spectroscopy and chemometrics [ J] . Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018(189): 427- 435.
[20] PEETS P, KAUPMEES K, VAHUR S, et al. Reflectance FT-IR spectroscopy as a viable option for textile fiber identification [ J]. Heritage Science, 2019(7): 93.
[21]王倩麗, 劉麗芳, 俞建勇, 等. 堿性果膠酶處理對亞麻落麻纖維性能的影響[ J]. 東華大學學報: 自然科學版, 2011, 37 (6 ): 703-707. WANG Q L, LIU L F, YU J Y, et al. Effects of alkaline pectinase on properties of flax noil fibers[J]. Journal of Donghua University (Natural Science), 2011, 37(6): 703-707.
[22]袁旭政, 李鵬妮, 張紅, 等. 紅外光譜聯(lián)合主成分分析在貂毛皮鑒別中的應用[J]. 皮革科學與工程, 2022, 32(4): 71-76. YUAN X Z, LI P N, ZHANG H, et al. Application of infrared spectroscopy combined with principal component analysis in identification of mink fur [ J]. Leather Science and Engineering, 2022, 32(4): 71-76.
文章摘自：蔣晶晶, 金肖克, 李偉松, 莊莉, 袁緒政,祝成炎.基于紅外光譜PCA-LDA統(tǒng)計分析的麻纖維鑒別研究[J].絲綢,2024 ,61(07).
