CN108489928A - 一种短波红外消光光谱纺织品纤维成分检测方法 - Google Patents
一种短波红外消光光谱纺织品纤维成分检测方法 Download PDFInfo
- Publication number
- CN108489928A CN108489928A CN201810214986.0A CN201810214986A CN108489928A CN 108489928 A CN108489928 A CN 108489928A CN 201810214986 A CN201810214986 A CN 201810214986A CN 108489928 A CN108489928 A CN 108489928A
- Authority
- CN
- China
- Prior art keywords
- sample
- textile
- spectrum
- fiber
- extinction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 102
- 239000000835 fiber Substances 0.000 title claims abstract description 79
- 239000004753 textile Substances 0.000 title claims abstract description 79
- 230000008033 biological extinction Effects 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 31
- 230000003595 spectral effect Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002329 infrared spectrum Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000002537 optical extinction spectroscopy Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000009659 non-destructive testing Methods 0.000 abstract 1
- 239000000126 substance Substances 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000009841 combustion method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011978 dissolution method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种短波红外消光光谱纺织品纤维成分检测方法，所要解决的是快速、便捷、无损地实现纺织品纤维成分含量检测问题；该纺织品纤维成分含量检测方法步骤如下：(1)收集标准纺织品样本，建立完备的纺织品样本库。(2)测量标准纺织品样本的消光光谱。(3)分阶段建立纤维成分预测模型。(4)测量待检纺织品样本的消光光谱。(5)根据(3)所建立的纤维成分预测模型对待检纺织品样本的纤维成分进行预测，得到待检纺织品样本的纤维成分。本发明的短波红外消光光谱纺织品纤维成分检测方法，可大幅度提高纺织品纤维成分检测的复杂度和效率，实现快速、便捷、无损检测。
Description
技术领域
本发明涉及一种纺织品成分检测方法，特别是涉及一种短波红外消光光谱纺织品纤维成分检测方法。
背景技术
随着科技和生活水平的提高，市场上也出现了各种新颖的面料种类，消费者对纺织品的要求也越来越高，准确地进行各种纺织品成分的检测越来越受到各方重视。尤其是，适合普通消费者的检测方法。常规的纺织品纤维成分检测(燃烧法、化学溶解法、显微镜法)存在操作繁琐、费时费力、有些试剂有污染性、需要专业人员操作等缺点。因此，开发快速、便捷、无损、易于操作的且精度能被用户接受的纺织品纤维成分检测方法将具有广阔市场前景。
光谱分析法是利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析和检测的方法。各种结构的物质都具有自己的特征光谱，光谱分析法就是利用特征光谱研究物质结构或测定化学成分的方法。光谱分析法分析物质成分具有速度快、操作简便、无损等特点。另外，随着科技的发展，光谱分析法所使用的光电设备越来越小型化。在使用光谱分析法对物质成分分析和检测时，甚至不必要采样拿回实验室内，在原位就可以很快地完成物质成分分析和检测，实现复杂环境下的物质成分分析和检测。因此，随着硬件设备的发展，光谱分析法的应用范围越来越广泛。
在短波红外900-2500nm谱段，为分子光谱中红外基频的倍频、合频及差频吸收产生的，是由于分子的非简谐振动引起的。这一谱区的吸收峰较宽，而且吸收峰之间相互重叠，可以从倍频、合频、差频三个层面反映物质与光作用的相互规律，再加上绝大多数物质在这短波红外的吸收系数都相对较小，这使得更多的光能量可以在与物质分子作用后携带信息逃逸。因此，短波红外光谱的信息量较大，具有很大的开发与应用价值。近些年来，在纤维成分检测领域中应用短波红外谱段的研究越来越多。然而，大多数研究都是针对某一单一纤维，还未见以光谱分析、大数据和深度学习相结合的纺织品纤维成分检测方法。
发明内容
针对现有的技术空白和缺点，并提供一种快速、便捷、无损地实现纺织品纤维成分检测方法。
本发明所采用的具体技术方案如下：
短波红外消光光谱纺织品纤维成分检测方法，其包括以下步骤：
1)收集标准纺织品样本，建立纺织品样本库；
2)测量纺织品样本库中各标准纺织品样本的短波红外消光光谱；
3)利用步骤2)中得到的短波红外消光光谱，分阶段建立纤维成分预测模型，包括光谱特征显著成分预测模型和光谱特征非显著成分预测模型；
4)测量待检纺织品样本的消光光谱；
5)将待检纺织品样本的消光光谱输入步骤3)中建立的纤维成分预测模型中，对待检纺织品样本的纤维成分进行预测，得到待检纺织品样本的纤维成分。
本发明中，光谱特征显著成分是指通过光谱特征显著成分预测模型能够直接预测到的纤维成分，而光谱特征显著成分是指通过光谱特征非显著成分预测模型能够预测到的纤维成分。
作为优选，所述步骤1)中所收集的标准纺织品样本尺寸不大于5×5cm，每个样本附有其纤维成分。进一步的，每个样本的其纤维成分最好从权威的纺织品检测中心出具的纤维成分检测报告中获得。
作为优选，所述步骤2)和4)中，消光光谱测量方法如下：
以积分球为光源，用光谱仪先测量没有样本的积分球信号值，再将样本放置于积分球出光口，测量有样本时的信号值，最后测量样本的厚度，并计算消光光谱，消光光谱中消光系数的计算方法为：
其中，E(λ)为样本在波长λ处的消光系数；IS(λ)为有样本时光谱仪信号；I0(λ)为无样本时光谱仪信号；h为样本厚度。
进一步的，样本的厚度采用电子数显千分尺测量。
进一步的，所述光谱仪为能响应短波红外谱段的光谱仪，所述电子数显千分尺的分辨率为1μm以上，积分球内的光源为卤素灯，口径不大于5cm。
作为优选，所述步骤3)中，光谱特征显著成分预测模型建立方法如下：
3011)将具有M个样本，N个波段的光谱图像，构成N×M矩阵X，对X的每行进行离差标准化后得到矩阵XS，进而得到协方差方阵
3012)计算的特征向量ti及对应特征值λi，其中i＝1,2,…N；
3013)再计算各个主成分的贡献率Vi，Vi可以采用如下计算公式：
3014)选取累计贡献率在贡献率阈值以上的前K个主成分为所要选取的主成分yk，k＝1,2,…K；
3015)将各个标准纺织品样本的纤维成分数据和对应的主成分变换后的光谱输入卷积神经网络模型进行训练，并得出各个样本的预测误差；
光谱特征非显著成分预测模型建立的方法如下：
3021)选出所述步骤3015)的卷积神经网络模型中预测误差大于误差阈值的纤维成分，将具有这些纤维成分的标准纺织品样本对应的短波红外消光光谱与其他样本的短波红外消光光谱进行比较，选出两类光谱之间光谱特征的差异波段，得到具有M条光谱且每条光谱具有Nc个波段的样本集Xc，Nc为所述差异波段数目；
3022)将样本集Xc中所有光谱做极差标准变换，计算方法为
其中，为变换后的光谱；xc(λj)为第j条光谱；为光谱xc(λj)的最小值；为光谱xc(λj)的最大值；λj为所选择的波长，j＝1,2,…Nc；
3023)将误差大于误差阈值的纤维成分数据和对应的极差标准变换后的光谱再次输入卷积神经网络模型进行训练，得到光谱特征非显著成分预测模型。
进一步的，所述的贡献率阈值为85％。
进一步的，所述的误差阈值为5％。
进一步的，所述的步骤5)中，将待检纺织品样本的消光光谱经过与标准纺织品样本相同的主成分变换，然后输入光谱特征显著成分预测模型中，预测得到该样本的显著纤维成分；同时，将待检纺织品样本的消光光谱中所述差异波段按照步骤3022)进行极差标准变换，然后将极差标准变换后的差异波段光谱输入光谱特征非显著成分预测模型，得到该样本的非显著纤维成分；将两部分纤维成分汇总得到待检纺织品样本的纤维成分。
本发明相对于现有技术而言，在充分利用显著光谱特征的基础上，充分挖掘非显著光谱特征，有助于提高含量较低的纤维成分的预测精度，建立各种纤维成分预测精度一致的纤维成分预测模型。
附图说明
图1本发明的短波红外消光光谱纺织品纤维成分检测方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
如图1所示，本实施例中，短波红外消光光谱纺织品纤维成分检测方法，包括以下步骤：
(1)收集5000个标准纺织品样本，建立纺织品样本库。所收集的标准纺织品样本尺寸应不大于5×5cm，每个样本附有权威部门的纤维成分检测报告，其来源为相关的纺织品检测中心。纺织品样本库应尽可能齐全，涵盖绝大部分常见的纺织品。
(2)测量标准纺织品样本的短波红外消光光谱：消光光谱测量应以积分球为光源，选择蓝菲光学生产的USS 600S积分球作为光源。美国ASD(Analytical Spectral Devices,Inc.)公司研制的产品FieldSpec4HI-RES高分辨率光谱仪(响应范围为350-2500nm)，能响应短波红外谱段的光谱仪，积分球内的光源为卤素灯，口径不大于5cm。标准纺织品样本的短波红外消光光谱的测量方法为：先测量没有样本的积分球信号值，再将样本放置于积分球出光口，测量有样本时的信号值，最后用电子数显千分尺(分辨率为1μm以上，)测量样本的厚度，并计算消光光谱。依次对不同波长，计算消光光谱消光系数：
其中，E(λ)为样本在波长λ处的消光系数；IS(λ)为有样本时光谱仪信号；I0(λ)为无样本时光谱仪信号；h为样本厚度。
(3)分阶段建立纤维成分预测模型：
首先，建立光谱特征显著成分预测模型：
该模型的建立需要首先对所有消光光谱进行主成分分析，本实施例中主成分分析步骤如下：
3011)将具有M个样本，N个波段的光谱图像，构成N×M矩阵X，对X的每行进行离差标准化后得到矩阵XS，进而得到协方差方阵M和N的具体取值可以根据实际样本量和仪器测量得到的波段数量进行确定，为保证精确性，两者均应达到足够大。
3012)计算的特征向量ti及对应特征值λi，其中i＝1,2,…N；
3013)再计算各个主成分的贡献率Vi。本实施例中Vi采用如下计算公式：
3014)选取累计贡献率在85％以上(也可以根据实际进行调整)的前K个主成分为所要选取的主成分yk，k＝1,2,…K，然后对各样本的光谱进行主成分变换；
3015)将各个标准纺织品样本的纤维成分数据和对应的主成分变换后的光谱输入卷积神经网络模型进行训练，训练完成后得出各个样本的预测误差。
由此完成光谱特征显著成分预测模型的建立，该模型可以用来预测主要的纤维成分。但部分细微非显著的纤维成分可能与所选取的主成分相关性不强，因此需要进一步建立光谱特征非显著成分预测模型。
光谱特征非显著成分预测模型建立的方法如下：
3021)选出步骤3015)中卷积神经网络模型的预测误差大于5％的纤维成分，找出具有这些纤维成分的标准纺织品样本对应的短波红外消光光谱，然后将其与其他样本的短波红外消光光谱进行比较，找出两类光谱之间光谱特征具有显著性差异的Nc个波段，差异波段的选择可以经过多次试验确定最优波段组合。将每条光谱的这Nc个波段，重新构建形成具有M条光谱且每条光谱具有Nc个波段的样本集Xc。
3022)将样本集Xc中所有光谱依次做极差标准变换。本实施例中，极差标准变换方法为：
其中，为变换后的光谱；xc(λj)为第j条光谱；为光谱xc(λj)的最小值；为光谱xc(λj)的最大值；λj为所选择的波长，j＝1,2,…Nc；
3023)将误差大于5％的纤维成分数据和对应的极差标准变换后的光谱再次输入卷积神经网络模型进行训练，得到光谱特征非显著成分预测模型。
该光谱特征非显著成分预测模型能够更好地对显著成分预测模型无法准确预测的成分进行分析，从而使提高含量较低的纤维成分的预测精度。
(4)测量待检纺织品样本的短波红外消光光谱；与(3)中测量方法一致，以蓝菲光学生产的USS 600S积分球作为光源，用FieldSpec4HI-RES高分辨率光谱仪先测量没有样本的积分球信号值，再将待检样本放置于积分球出光口，测量待检样本的信号值，最后用电子数显千分尺测量待检样本的厚度，并计算消光光谱。计算消光光谱方法与步骤(3)中所述方法相同。
(5)将待检纺织品样本的消光光谱选择与步骤3014)中相同的K个主成分，经过与标准纺织品样本相同的主成分变换，然后输入光谱特征显著成分预测模型中，预测得到该样本的显著纤维成分。同时，将待检纺织品样本的消光光谱按照3021)中相同的Nc个差异波段，将消光光谱的差异波段按照步骤3022)进行极差标准变换，然后将极差标准变换后的差异波段光谱输入光谱特征非显著成分预测模型，得到该样本的非显著纤维成分。将上述两部分纤维成分汇总后即得到待检纺织品样本的纤维成分。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，包括以下步骤：
1)收集标准纺织品样本，建立纺织品样本库；
2)测量纺织品样本库中各标准纺织品样本的短波红外消光光谱；
3)利用步骤2)中得到的短波红外消光光谱，分阶段建立纤维成分预测模型，包括光谱特征显著成分预测模型和光谱特征非显著成分预测模型；
4)测量待检纺织品样本的消光光谱；
5)将待检纺织品样本的消光光谱输入步骤3)中建立的纤维成分预测模型中，对待检纺织品样本的纤维成分进行预测，得到待检纺织品样本的纤维成分。
2.如权利要求1所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述步骤1)中所收集的标准纺织品样本尺寸不大于5×5cm，每个样本附有其纤维成分。
3.如权利要求1所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，每个样本的其纤维成分从纺织品检测中心出具的纤维成分检测报告中获得。
4.如权利要求1所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述步骤2)和4)中，消光光谱测量方法如下：
以积分球为光源，用光谱仪先测量没有样本的积分球信号值，再将样本放置于积分球出光口，测量有样本时的信号值，最后测量样本的厚度，并计算消光光谱，消光光谱中消光系数的计算方法为：
其中，E(λ)为样本在波长λ处的消光系数；IS(λ)为有样本时光谱仪信号；I0(λ)为无样本时光谱仪信号；h为样本厚度。
5.如权利要求4所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，样本的厚度采用电子数显千分尺测量。
6.如权利要求4所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述光谱仪为能响应短波红外谱段的光谱仪，所述电子数显千分尺的分辨率为1μm以上，积分球内的光源为卤素灯，口径不大于5cm。
7.如权利要求1所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述步骤3)中，光谱特征显著成分预测模型建立方法如下：
3011)将具有M个样本，N个波段的光谱图像，构成N×M矩阵X，对X的每行进行离差标准化后得到矩阵XS，进而得到协方差方阵
3012)计算的特征向量ti及对应特征值λi，其中i＝1,2,…N；
3013)再计算各个主成分的贡献率Vi，Vi可以采用如下计算公式：
3014)选取累计贡献率在贡献率阈值以上的前K个主成分为所要选取的主成分yk，k＝1,2,…K；
3015)将各个标准纺织品样本的纤维成分数据和对应的主成分变换后的光谱输入卷积神经网络模型进行训练，并得出各个样本的预测误差；
光谱特征非显著成分预测模型建立的方法如下：
3021)选出所述步骤3015)的卷积神经网络模型中预测误差大于误差阈值的纤维成分，将具有这些纤维成分的标准纺织品样本对应的短波红外消光光谱与其他样本的短波红外消光光谱进行比较，选出两类光谱之间光谱特征的差异波段，得到具有M条光谱且每条光谱具有Nc个波段的样本集Xc，Nc为所述差异波段数目；
3022)将样本集Xc中所有光谱做极差标准变换，计算方法为
其中，为变换后的光谱；xc(λj)为第j条光谱；为光谱xc(λj)的最小值；为光谱xc(λj)的最大值；λj为所选择的波长，j＝1,2,…Nc；
3023)将误差大于误差阈值的纤维成分数据和对应的极差标准变换后的光谱再次输入卷积神经网络模型进行训练，得到光谱特征非显著成分预测模型。
8.如权利要求7所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述的贡献率阈值为85％。
9.如权利要求7所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述的误差阈值为5％。
10.如权利要求7所述的一种短波红外消光光谱纺织品纤维成分检测方法，其特征在于，所述的步骤5)中，将待检纺织品样本的消光光谱经过与标准纺织品样本相同的主成分变换，然后输入光谱特征显著成分预测模型中，预测得到该样本的显著纤维成分；同时，将待检纺织品样本的消光光谱中所述差异波段按照步骤3022)进行极差标准变换，然后将极差标准变换后的差异波段光谱输入光谱特征非显著成分预测模型，得到该样本的非显著纤维成分；将两部分纤维成分汇总得到待检纺织品样本的纤维成分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810214986.0A CN108489928B (zh) | 2018-03-15 | 2018-03-15 | 一种短波红外消光光谱纺织品纤维成分检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810214986.0A CN108489928B (zh) | 2018-03-15 | 2018-03-15 | 一种短波红外消光光谱纺织品纤维成分检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108489928A true CN108489928A (zh) | 2018-09-04 |
| CN108489928B CN108489928B (zh) | 2020-08-11 |
Family
ID=63339452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810214986.0A Active CN108489928B (zh) | 2018-03-15 | 2018-03-15 | 一种短波红外消光光谱纺织品纤维成分检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108489928B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| WO2022116594A1 (zh) * | 2020-12-03 | 2022-06-09 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313712A (zh) * | 2011-05-30 | 2012-01-11 | 中国农业大学 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
| CN106370620A (zh) * | 2016-08-30 | 2017-02-01 | 四川北方硝化棉股份有限公司 | 一种检测乙基纤维素乙氧基含量的方法 |
-
2018
- 2018-03-15 CN CN201810214986.0A patent/CN108489928B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313712A (zh) * | 2011-05-30 | 2012-01-11 | 中国农业大学 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
| CN106370620A (zh) * | 2016-08-30 | 2017-02-01 | 四川北方硝化棉股份有限公司 | 一种检测乙基纤维素乙氧基含量的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨萌: "近红外光谱技术在棉\氨纶面料分析中的应用 ", 《中国纤检》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| WO2022116594A1 (zh) * | 2020-12-03 | 2022-06-09 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108489928B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhargava | Towards a practical Fourier transform infrared chemical imaging protocol for cancer histopathology | |
| CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
| CN101995395B (zh) | 一种激光诱导多种光谱联合指纹网络在线检测材料的方法 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN104062258B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
| CN104062259B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法 | |
| CN1982872A (zh) | 快速检测滴丸剂水分含量的近红外漫反射光谱法 | |
| CN104730004B (zh) | 基于紫外漫反射光谱的纺织纤维的鉴别方法 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN106932360A (zh) | 便携式近红外光谱食品快速检测与建模一体化系统和方法 | |
| CN108489928B (zh) | 一种短波红外消光光谱纺织品纤维成分检测方法 | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| CN110320197A (zh) | 基于Raman光谱分析的微小型拉曼血液专用分析仪 | |
| GB2561879A (en) | Spectroscopic analysis | |
| CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| CN104849234A (zh) | 基于近红外光谱分析吡虫啉原药主成分含量的测定方法 | |
| CN113588597A (zh) | 一种提升炉渣分析精度的方法 | |
| CN113970528B (zh) | 基于完全约束最小二乘法的纺织品成分解混方法 | |
| CN115165848A (zh) | 基于激光诱导击穿光谱的中药重金属定量检测方法及系统 | |
| CN114018861A (zh) | 一种基于特征峰的光谱重构方法 | |
| CN110579467B (zh) | 一种时间分辨激光诱导击穿光谱定量方法 | |
| CN109145887B (zh) | 一种基于光谱潜变量混淆判别的阈值分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |