CN109844500A - 纤维鉴别方法 - Google Patents

Abstract

本发明提供一种纤维鉴别方法，其鉴别操作比较简单且具有客观性，能够在不依赖于检查员的经验、专有技术的情况下进行同类异种纤维的鉴别，并且能够极力减小根据所要鉴别的纤维的组合产生的鉴别精度的偏差，从而实现高度的鉴别精度。对于所要鉴别的2种(2组)以上的同类异种纤维，分别准备多条纤维种类已知的单一纤维作为比较纤维，对各比较纤维照射红外线或近红外线而求出各自的吸收光谱。基于这些光谱数据X，进行求出组间分离且各组集中的轴w的判别分析，由所得到的得分图预先制作判别模型。接着，将纤维种类未知的纤维作为被测纤维，将以与判别模型的制作相同的方式由该被测纤维的光谱数据Y求出的得分套用至判别模型中，比对被测纤维属于哪一组，从而鉴别纤维的种类。

Description

纤维鉴别方法

技术领域

本发明涉及对纤维制品或编织物等中使用的纤维的种类进行鉴别的纤维鉴别方法。特别是涉及对分类为纤维素类纤维、蛋白质类纤维等同类的同类异种纤维进行鉴别的纤维鉴别方法。

背景技术

在市场上大量的纤维制品在广泛的用途中流通。另外，在纤维制品的生产地和消费地全球部署的今天，为了在纤维制品的进出口时确保交易的安全、可靠，由各国的纤维相关的检查机构进行纤维鉴别。

在这些检查机构、例如日本的检查机构中，基于JIS L 1030-1(纤维制品的混用率试验方法-第一部：纤维鉴别)和JIS L 1030-2(纤维制品的混用率试验方法-第二部：纤维混用率)进行鉴别。

例如，在JIS L 1030-1(纤维制品的混用率试验方法-第一部：纤维鉴别)中的鉴别方法中有：燃烧试验、纤维中的氯的确认试验、纤维中的氮的确认试验、显微镜试验、利用碘-碘化钾溶液进行的着色试验、黄色蛋白反应试验、红外吸收光谱的测定试验等。

这些试验法分别有效，通过将它们组合能够鉴别大量纤维。但是，对于化学组成相同的纤维(以下称为“同类异种纤维”)、例如棉、各种麻、各种人造丝、铜氨人造丝、溶剂纺纤维素纤维等纤维素类纤维；山羊绒、羊毛、牦牛毛、马海毛、安哥拉毛、羊驼毛、骆马毛、驼绒、美洲驼绒等动物毛纤维而言，通过上述各试验法中的化学试验法被鉴别为同一纤维或类似纤维。因此，通过这些化学试验法无法明确地区分同类异种纤维。

另外，在上述试验法中还包括红外吸收光谱的测定试验。但是，该测定试验鉴别仅化学组成不同的纤维(以下称为“异类纤维”)，不能明确地区分同类异种纤维。

因此，在这些纤维素类纤维、蛋白质类纤维等同类异种纤维的鉴别中，主要以其外观特征的差异作为指标的显微镜试验是有效的，被广泛地进行。为了进行利用该显微镜试验进行的纤维鉴别，检查员使用光学显微镜通过目视对比作为检查对象的纤维与标准照片样本来进行。

因此，在这些方法中存在如下问题：产生由各检查机构的检查员的经验和专有技术的差异导致的鉴别结果的偏差。而且，在昂贵的蛋白质类纤维、特别是动物毛纤维等中存在进行精心伪装的情况，存在仅通过上述方法不能进行准确的鉴别的问题。

此外，在纤维素类纤维中，天丝(注册商标)、莱赛尔(注册商标)等溶剂纺纤维素纤维(以下，代表性地也称为“莱赛尔”)的外观特征是与铜氨人造丝(以下也称为“铜氨丝”)大致相同的圆形截面。另外，在蛋白质类纤维中、特别是在使用被认为是高级品的山羊绒的纤维制品中混合难以与山羊绒区分的牦牛的毛、或者进行将毛鳞除去(称为“脱鳞”)而进行混合等精心伪装。在这样的情况下，即使是在显微镜试验中经验丰富的检查员也难以进行准确的判断。

与此相对，在下述专利文献1中提出了作为纤维素类的同类异种纤维的纤维素纤维(与溶剂纺纤维素纤维相同)与铜氨丝的鉴别方法。该鉴别方法通过在显微镜下观察两种纤维浸渍在61％以上的硫酸中时的溶解状态来鉴别纤维素类的同类异种纤维。

另外，在下述专利文献2中提出了针对动物毛类的同类异种纤维的纤维鉴别方法和纤维鉴别装置。该纤维鉴别方法通过使用利用了波长比一般的红外线长的电磁波的太赫兹光谱法对动物毛纤维的细胞结构(一级结构)、细胞的聚集形式(高级结构)进行分析来鉴别动物毛类的同类异种纤维。

此外，在下述非专利文献1中，由本发明的发明人提出了使用波长比一般的红外线短的近红外光谱法的布料材质的判别。该判别方法在近红外光谱法中应用了基于傅里叶变换的光谱的波动分析的方法。

另外，在下述非专利文献2中，由本发明的发明人提出了利用近红外光谱法进行的混纺纤维布料的纤维鉴别和混用率测定。该鉴别方法应用了使用近红外光谱法和化学计量学(由表示化学的chemistry和表示计量学的metrics构成的复合词)的分析方法。

下述专利文献1的鉴别方法是在显微镜下观察纤维的溶解状态的方法，在此情况下也存在产生由检查员的经验和专有技术的差异导致的鉴别结果的偏差的问题。另外，在对纤维实施染色、树脂加工等的情况下，存在溶解状态发生变化而无法进行准确的鉴别的问题。

另外，在下述专利文献2的纤维鉴别方法中，如果不将作为鉴别对象的纤维制成与太赫兹电磁波的波长相比足够小的尺寸(约10μm)，则入射太赫兹电磁波发生散射从而入射到检测器的太赫兹电磁波的强度衰减。因此，需要在防止伴随粉碎的温度升高的同时进行冷冻粉碎的方法。这些操作麻烦，另外，存在纤维的高级结构由于粉碎而被破坏从而信息量减少的问题。

另一方面，在下述非专利文献1的判别方法中，虽然启示了判别的可能性，但是尚未实现准确的鉴别。另外，在下述非专利文献2的鉴别方法中，主要启示求出作为异类纤维的棉-聚酯混纺布料的混用率的可能性，并非提出同类异种纤维的鉴别、混用率的鉴别。

为了应对这样的问题，本发明人等首先提出了下述专利文献3的纤维鉴别方法。在该纤维鉴别方法中，对所要对比的2种同类异种纤维(比较纤维)照射波数4000cm^-1～600cm^-1范围内的红外线而求出吸收光谱数据，对所述吸收光谱数据进行主要成分分析而存储数据库。接着，求出纤维种类未知的纤维(被测纤维)的吸收光谱，与数据库的数据组进行比对，从而鉴别被测纤维的种类和混用率。

现有技术文献

专利文献

专利文献1：日本特开平10-332684号公报

专利文献2：日本特开2011-203138号公报

专利文献3：WO2016/027792号公报

非专利文献

非专利文献1：光谱研究(分光研究)，第53卷，第4期，第249-256页(2004年)

非专利文献2：光谱研究(分光研究)，第58卷，第6期，第268-274页(2009年)

发明内容

发明所要解决的问题

上述专利文献3的纤维鉴别方法是鉴别操作比较简单且具有客观性、能够在不依赖于检查员的经验、专有技术的情况下进行同类异种纤维的鉴别的良好的方法。但是，在利用主要成分分析进行的鉴别中，有时根据所要鉴别的纤维的组合而在鉴别精度上产生偏差。特别是，在纤维素类纤维的鉴别中，有时无法在人造丝与(铜氨丝和莱赛尔)的鉴别、铜氨丝与莱赛尔的鉴别中保证高度的鉴别精度(例如，准确回答率90％以上)。

因此，本发明的目的在于，应对上述问题，提供一种纤维鉴别方法，所述方法的鉴别操作比较简单且具有客观性，能够在不依赖于检查员的经验、专有技术的情况下进行同类异种纤维的鉴别，并且能够极力减小根据所要鉴别的纤维的组合产生的鉴别精度的偏差，从而实现高度的鉴别精度。

用于解决问题的方法

在解决上述问题时，本发明人等进行了深入研究，结果发现，通过采用吸收光谱的信息量丰富的红外光谱法、并在对所得到的吸收光谱进行判别分析时采用正则化项，能够以高度的鉴别精度鉴别同类异种纤维，从而完成了本发明。

即，本发明的纤维鉴别方法根据方案1的记载为，

一种纤维鉴别方法，其为对纤维素类纤维、蛋白质类纤维等分类为同类的同类异种纤维进行鉴别的纤维鉴别方法，其中，

对于所要鉴别的2种(2组)以上的同类异种纤维，分别准备多条纤维种类已知的单一纤维作为比较纤维，对各比较纤维照射红外线或近红外线而求出各自的吸收光谱，

使用从这些吸收光谱得到的光谱数据X，进行根据式(1)求出组间分离且各组集中的轴w的判别分析，由所得到的得分图预先制作判别模型，

S_Bw＝λ(S_W+ζI)w…(1)

(在此，S_B·S_W为方差-协方差矩阵或变分矩阵，在使用方差-协方差矩阵的情况下，S_B为组间方差-协方差矩阵，S_W为组内方差-协方差矩阵，在使用变分矩阵的情况下，S_B为组间变分矩阵，S_W为组内变分矩阵。另一方面，ζ为正则化系数，I为单位矩阵。)

接着，将纤维种类未知的纤维作为被测纤维，将以与所述判别模型的制作相同的方式由该被测纤维的光谱数据Y求出的得分套用至所述判别模型中，比对所述被测纤维属于哪一组，从而鉴别纤维的种类。

另外，本发明根据方案2的记载为，如方案1所述的纤维鉴别方法，其特征在于，

在所述判别模型的制作阶段，制作由各比较纤维的光谱数据X求出的得分图的等概率椭圆，

在所述被测纤维的鉴别阶段，将由该被测纤维的光谱数据Y求出的得分套用至所述等概率椭圆中，比对所述被测纤维属于哪一组。

另外，本发明根据方案3的记载为，如方案1所述的纤维鉴别方法，其特征在于，

在所述判别模型的制作阶段，根据由各比较纤维的光谱数据X求出的得分进行n维(n为1以上的整数)正态分布的推定，

在所述被测纤维的鉴别阶段，由从该被测纤维的光谱数据Y求出的得分计算出相对于所述n维正态分布的概率密度，由此比对所述被测纤维属于哪一组。

另外，本发明根据方案4的记载为，如方案1～3中任一项所述的纤维鉴别方法，其特征在于，

对所述比较纤维和被测纤维照射除近红外线以外的波数4000cm^-1～600cm^-1范围内的红外线而求出所述吸收光谱，

从这些吸收光谱提取规定波数范围内的吸收光谱而求出所述光谱数据X和Y。

另外，本发明根据方案5的记载为，如方案1～4中任一项所述的纤维鉴别方法，其特征在于，

在制作所述判别模型时，

在第一次判别分析中，由以各比较纤维的原始光谱数据作为数据X₁求出的第一轴w₁和数据X₁根据式(2)计算出数据X₁的第一轴坐标(w₁轴坐标)的值t₁，

t₁＝w₁ ^TX₁…(2)

(在此，w₁ ^T为w₁的转置向量)

根据式(3)求出从所述数据X₁中抽出w₁轴方向的信息后的数据X₂，

X₂＝X₁-w₁t₁…(3)

接着，在第二次判别分析中，由以光谱数据作为数据X₂求出的第二轴w₂和数据X₂根据式(4)计算出数据X₂的第二轴坐标(w₂轴坐标)的值t₂，

t₂＝w₂ ^TX₂…(4)

(在此，w₂ ^T为w₂的转置向量)

从而制作完成了正交分解的判别模型。

另外，本发明根据方案6的记载为，如方案5所述的纤维鉴别方法，其特征在于，

通过多次重复进行上述式(3)和式(4)的操作，制作3维以上的具有相互正交的轴坐标的判别模型。

另外，本发明根据方案7的记载为，如方案1～6中任一项所述的纤维鉴别方法，其特征在于，

对于纤维素类纤维而言，使用对下述各组合的2种(2组)比较纤维的光谱数据X进行判别分析而得到的各判别模型，将所述被测纤维的光谱数据Y套用至所述各判别模型中，比对所述被测纤维属于哪一组，从而鉴别纤维的种类，所述组合为：

(1)天然纤维与再生纤维，

(2)棉与麻类，

(3)亚麻与苎麻，

(4)粘胶类人造丝与铜氨人造丝或溶剂纺纤维素纤维，

(5)铜氨人造丝与溶剂纺纤维素纤维。

另外，本发明根据方案8的记载为，如方案1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的天然纤维与再生纤维的鉴别中，主要使用包含波数1300cm^-1～850cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

另外，本发明根据方案9的记载为，如方案1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的棉与麻类的鉴别中，主要使用包含波数1600cm^-1～800cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

另外，本发明根据方案10的记载为，如方案1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的再生纤维彼此的鉴别中，主要使用包含波数1600cm^-1～900cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

另外，本发明根据方案11的记载为，如方案1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的铜氨人造丝与溶剂纺纤维素纤维的鉴别中，主要使用包含波数1500cm^-1～800cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

另外，本发明根据方案12的记载为，如方案1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的亚麻与苎麻的鉴别中，主要使用包含波数1700cm^-1～900cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

另外，本发明根据方案13的记载为，如方案1～12中任一项所述的纤维鉴别方法，其特征在于，

将所述式(1)中的正则化系数ζ的值设定在1～0的范围内而进行鉴别。

另外，本发明根据方案14的记载为，如方案1～13中任一项所述的纤维鉴别方法，其特征在于，

对纤维素类纤维中的比较纤维和被测纤维实施利用碱性物质进行的前处理，然后求出吸收光谱。

另外，本发明根据方案15的记载为，如方案1～14中任一项所述的纤维鉴别方法，其特征在于，

求出所述比较纤维和所述被测纤维的吸收光谱的方法为ATR法(全反射测定法)。

另外，本发明根据方案16的记载为，如方案1～15中任一项所述的纤维鉴别方法，其特征在于，

作为分类为所述纤维素类纤维的同类异种纤维，包含：棉、亚麻、苎麻、黄麻、大麻、粘胶人造丝、高湿模量人造丝、波里诺西克人造丝、铜氨人造丝以及溶剂纺纤维素纤维。

发明效果

根据上述构成，本发明为对纤维素类纤维、蛋白质类纤维等分类为同类的同类异种纤维进行鉴别的纤维鉴别方法。能够利用红外吸收光谱(包括近红外吸收光谱)对作为化学组成相同的纤维且起源不同的纤维彼此进行鉴别。根据上述构成，首先，对于所要鉴别的2种(2组)以上的同类异种纤维，分别准备多条纤维种类已知的单一纤维作为比较纤维。接着，对这些比较纤维照射红外线或近红外线而求出各自的吸收光谱。接着，基于从这些吸收光谱得到的光谱数据X，进行根据上述式(1)求出轴w的判别分析，由所得到的得分图预先制作判别模型。通过该轴w能够实现组间分离且各组集中，因此能够清楚地区分各组的纤维。

接着，将纤维种类未知的纤维作为被测纤维，将以与判别模型的制作相同的方式由该被测纤维的光谱数据Y求出的得分套用至判别模型中，比对被测纤维属于哪一组。由此，能够客观地鉴别被测纤维的种类。如此地，通过对由比较纤维得到的多个光谱数据X进行判别分析、并利用所得到的判别模型，能够比较简单且客观地进行更准确的纤维鉴别。

因此，根据上述构成，能够进行客观的纤维鉴别，能够准确地鉴别被测纤维的种类。这些操作比较简单，并且为仪器分析，因此不存在产生由检查员的经验和专有技术的差异导致的鉴别结果的偏差的情况。

另外，根据上述构成，在判别模型的制作阶段，也可以制作由各比较纤维的光谱数据X求出的得分图的等概率椭圆。接着，在被测纤维的鉴别阶段，将由该被测纤维的光谱数据Y求出的得分套用至所制作的等概率椭圆中，比对被测纤维属于哪一组。由此，能够更进一步具体地发挥上述效果。

另外，根据上述构成，在判别模型的制作阶段，也可以根据由各比较纤维的光谱数据X求出的得分进行n维(n为1以上的整数)正态分布的推定。接着，在被测纤维的鉴别阶段，由从该被测纤维的光谱数据Y求出的得分计算出针对推定出的n维正态分布的概率密度，并比对被测纤维属于哪一组。由此，能够更进一步具体地发挥上述效果。

另外，根据上述构成，也可以对比较纤维和被测纤维照射除近红外线以外的波数4000cm^-1～600cm^-1范围内的红外线。从利用该范围的红外线得到的吸收光谱能够得到丰富的信息。由此，能够更进一步具体地发挥上述效果。

另外，根据上述构成，也可以进行二次判别分析而制作判别模型。具体而言，在第一次判别分析中，以各比较纤维的原始光谱数据作为数据X₁，根据上述式(1)求出第一轴w₁。接着，由该第一轴w₁和数据X₁根据上述式(2)计算出数据X₁的第一轴坐标(w₁轴坐标)的值t₁。进而，根据上述式(3)求出从数据X₁中抽出w₁轴方向的信息后的数据X₂。

接着，在第二次判别分析中，以光谱数据作为数据X₂，根据上述式(1)求出第二轴w₂。接着，由该第二轴w₂和数据X₂根据式(4)计算出数据X₂的第二轴坐标(w₂轴坐标)的值t₂。以这样的方式能够制作完成了正交分解的判别模型。由此，能够更进一步具体地发挥上述效果。

另外，根据上述构成，也可以多次重复进行上述式(3)和式(4)的操作。由此，能够制作3维以上的具有相互正交的轴坐标的判别模型。由此，能够更进一步具体地发挥上述效果。

另外，根据上述构成，在进行比较纤维和被测纤维的判别分析时，也可以根据作为鉴别对象的同类异种纤维的组合改变所要提取的规定波数范围的光谱数据。如此地，通过选择在判别分析中使用的波数范围，能够进一步提高鉴别的精度。

另外，根据上述构成，也可以将上述式(1)中的正则化系数ζ的值设定在1～0范围内而进行判别分析。如此地，通过选择正则化系数ζ的值，能够进一步提高鉴别的精度。

另外，根据上述构成，也可以对比较纤维和被测纤维实施利用碱性物质进行的前处理，然后求出吸收光谱。如此地，通过实施前处理，能够进一步提高鉴别的精度。

由此，根据本发明能够提供一种纤维鉴别方法，其鉴别操作比较简单且具有客观性，能够在不依赖于检查员的经验、专有技术的情况下进行同类异种纤维的鉴别，并且能够极力减小根据所要鉴别的纤维的组合产生的鉴别精度的偏差，从而实现高度的鉴别精度。

附图说明

图1是表示各种纤维素类纤维的吸收光谱(平均光谱)的图。

图2是表示对图1的各光谱进行一阶微分而得到的光谱(微分光谱)的图。

图3是表示在第一实施方式中鉴别被测纤维的分析步骤的鉴别流程图。

图4是提取图3的鉴别流程图的一部分而得到的部分流程图。

图5是在实施例1中得到的“天然纤维”与“再生纤维”的判别模型(FDOD图)。

图6是在实施例1中得到的“棉”与“麻类”的判别模型(FDOD图)。

图7是在实施例1中得到的“亚麻”与“苎麻”的判别模型(FDOD图)。

图8是在实施例1中得到的“人造丝”与“铜氨丝和莱赛尔”的判别模型(FDOD图)。

图9是在实施例1中得到的“铜氨丝”与“莱赛尔”的判别模型(FDOD图)。

图10是表示在第二实施方式中鉴别被测纤维的图像的示意图。

图11是在实施例2中得到的“天然纤维”与“再生纤维”的FDOD图。

图12是在实施例2中得到的“棉”与“麻类”的FDOD图。

图13是在实施例2中得到的“亚麻”与“苎麻”的FDOD图。

图14是在实施例2中得到的“人造丝”与“铜氨丝和莱赛尔”的FDOD图。

图15是在实施例2中得到的“铜氨丝”与“莱赛尔”的FDOD图。

具体实施方式

在本发明中，将化学组成相同的纤维定义为“同类异种纤维”。作为该同类异种纤维，可以列举以下所述的纤维素类纤维和蛋白质类纤维等。在本发明中，纤维素类纤维是指，包含天然纤维素纤维、再生纤维素纤维等纤维素的所有纤维。作为天然纤维素纤维，可以列举：棉以及亚麻(linen)、苎麻(ramie)、黄麻(jute)、大麻(hemp)等麻类。作为再生纤维素纤维，可以列举：粘胶人造丝、高湿模量人造丝(也称为“HWM人造丝”)、波里诺西克人造丝、铜氨人造丝(铜氨丝)、溶剂纺纤维素纤维(天丝和莱赛尔)等。以下，也将这些再生纤维素纤维中通过粘胶法再生的纤维、即粘胶人造丝、高湿模量人造丝(HWM人造丝)以及波里诺西克人造丝称为“粘胶类人造丝”。

在本发明中，蛋白质类纤维不仅指羊毛、蚕丝等包含动物性蛋白质的动物纤维，还指包含植物性蛋白质的纤维以及含有这些蛋白质的所有纤维。在此，在动物纤维中还包含除羊毛以外的动物毛纤维(后述)、除蚕丝以外的昆虫、蜘蛛等制作的纤维。特别是研究了蜘蛛丝纤维的工业化生产，例如有将蜘蛛丝基因插入蚕的基因组DNA中，使蚕以与蚕丝相同的方式吐出含有蜘蛛丝的蛋白质的丝的研究(信州大学，中垣雅雄教授)。另外，出现了对通过微生物培养制造的蜘蛛丝的蛋白质进行纺丝而制造蜘蛛丝的企业(丝芭博株式会社)。

在这些蛋白质类纤维中，认为特别重要的是动物毛纤维。动物毛纤维包含所有从动物得到的以天然角蛋白作为主要成分的毛发纤维，可以列举：羊毛(羊的毛)、山羊绒(克什米尔山羊的毛)、牦牛毛(作为一种牛的牦牛的毛)、马海毛(安哥拉山羊的毛)、安哥拉毛(安哥拉兔的毛)、羊驼毛(作为小型无驼峰骆驼的羊驼的毛)、骆马毛(作为小型无驼峰骆驼的骆马的毛)、驼绒(骆驼的毛)、美洲驼绒(作为小型无驼峰骆驼的美洲驼的毛)、狐狸毛(狐狸的毛)、水貂毛(作为一种鼬的水貂的毛)、毛丝鼠毛(作为一种鼠的毛丝鼠的毛)、兔毛(兔子的毛)等。

这些同类异种纤维的化学组成相同，鉴别不容易。特别是，作为操作简单且客观的鉴别方法的红外吸收光谱等光学测定法对化学组成不同的异类纤维的鉴别发挥效果，但对同类异种纤维的鉴别困难。与此相对，本发明在作为同类异种纤维的纤维素类纤维彼此、或者蛋白质类纤维彼此的鉴别等中发挥效果。

例如，对于纤维素类纤维而言，能够识别天然纤维素纤维与再生纤维素纤维。另外，能够识别同样作为天然纤维素纤维的棉与麻类。另外，能够识别同样作为麻类的亚麻(linen)与苎麻(ramie)等。此外，能够识别同样作为再生纤维素纤维的粘胶类人造丝与“铜氨丝和莱赛尔”。另外，能够识别同样作为再生纤维素纤维的、纤维截面形状为圆形且通过显微镜观察难以判定的铜氨丝与莱赛尔。进而，对于蛋白质类纤维而言，能够识别高级的山羊绒与酷似山羊绒的牦牛毛、脱鳞后的羊毛。

在此，在本发明中通过判别分析(后述)进行纤维鉴别时、从纤维种类已知的纤维(以下称为“比较纤维”)以及作为鉴别对象的纤维(以下称为“被测纤维”)得到红外吸收光谱(包括近红外光谱)的方法进行说明。该方法通常被称为红外光谱法(以下称为“IR光谱法”)或者近红外光谱法(以下称为“NIR光谱法”)，是通过对作为测定对象的物质照射红外线(近红外线)并且对透射光或反射光进行分光而得到光谱从而获知对象物的特性的方法。特别是IR光谱法用于获知对象物的分子结构、状态，对于化学组成不同的有机物的分析而言是极为普通的方法。

通常，光谱法是从无线电波到γ射线广泛地测定电磁波的释放或者吸收的方法，其中，IR光谱法从吸收光谱获得的信息量多，在产业上不仅在研究部门广泛地普及，而且在制造部门、质量管理部门中也广泛普及。另一方面，与IR光谱法相比，NIR光谱法所得到的信息量少，但是由于近年来的利用多变量分析的化学计量学的发展，提出了在各产业中将其用于鉴别。在本发明中，作为信息分析法，使用加入了独创的措施的判别分析(后述)，与IR光谱法和NIR光谱法中的任一光谱法均能够对应。需要说明的是，在本发明中，考虑到信息量的多少和鉴别精度，优选使用IR光谱法。

通常，红外线被区分为近红外线、中红外线和远红外线，但有时会更详细地进行区分，其波长范围的定义不明确。因此，在本发明中，作为在IR光谱法中使用的波长范围，设定为除近红外线以外的2500nm～17000nm(也可以设定为2500nm～20000nm)的范围内。另外，在IR光谱法中，与波长相比，使用波数(在本发明中也称为“WN”)的情况更多。在本发明中，作为在IR光谱法中使用的波数范围，设定为除近红外线以外的4000cm^-1～600cm^-1的范围内。另一方面，在本发明中，作为在NIR光谱法中使用的波长范围，设定为800nm～2500nm的范围内。另外，作为在NIR光谱法中使用的波数范围，设定为12500cm^-1～4000cm^-1的范围内。

需要说明的是，将在IR光谱法和NIR光谱法中使用的波数范围的边界设定为4000cm^-1。由此，有时会产生4000cm^-1自身是近红外线还是中红外线的疑问。因此，在本发明中，在需要严格地解释“除近红外线以外的4000cm^-1～600cm^-1的范围内”的含义时，可以设定为“波数(WN)在4000cm^-1＞WN≥600cm^-1的范围内”。

如上所述，提出了将NIR光谱法用于纤维的鉴别(上述专利文献1和2)。但是，由于其信息量少，因此没有实现同类异种纤维的实用的鉴别。因此，本发明能够利用尽管从纤维得到的信息量多、但是目前为止仅用于化学组成不同的异类纤维的鉴别而没有用于同类异种纤维的鉴别的一般的IR光谱法。另外，在本发明中使用的红外分光光度计在许多产业中被使用，因此廉价，能够抑制用于鉴别的设备投资、维护的费用。需要说明的是，本发明通过使用加入了独创的措施而得到的判别分析(后述)，能够利用信息量少的NIR光谱法。

以下，通过IR光谱法详细说明本发明。在本发明中，为了通过IR光谱法进行鉴别，可以使用通常使用的傅里叶变换红外分光光度计(以下称为“FT/IR分光光度计”)。为了得到比较纤维和被测纤维的吸收光谱，也可以用KBr片剂法等透射法进行测定，所述KBr片剂法为如下方法：将纤维微细粉碎，与溴化钾(KBr)粉末一起形成片剂，从而测定其透射光。或者，也可以通过能够在不破坏编织物的情况下直接测定反射光的ATR法(全反射测定法)、与FT/IR分光光度计的普及一起广泛使用的漫反射法等反射法进行测定。另外，优选对所得到的吸收光谱根据需要通过通常的方法进行大气校正、基线校正、平滑化校正、穿透深度校正等。

需要说明的是，在KBr片剂法中粉碎纤维的情况下，可以利用用剪刀的切断、利用磨机进行的粉碎、或者冷冻粉碎等。另外，粉碎后的纤维的长度和直径可以是任意的，但优选进行微细粉碎。另外，在采用KBr片剂法和ATR法中的任一种方法的情况下，也优选控制纤维的吸湿状态。这是因为，特别是对于吸湿性高的纤维素类纤维、蛋白质类纤维而言，在同类异种纤维之间吸湿性不同，吸收光谱有时受到纤维中的游离水的影响。

在此，以纤维素类纤维为例，对其中包含的棉、麻类(亚麻和苎麻)、粘胶类人造丝(以下，简称为“人造丝”)、铜氨丝、莱赛尔的各纤维的吸收光谱进行比较。图1是表示各种纤维素类纤维的吸收光谱(平均光谱)的图。图1的各吸收光谱(1～6)是用FT/IR分光光度计的ATR法在波数4000cm^-1～600cm^-1的范围内测定的。需要说明的是，在图1中，将作为标准样品的结晶纤维素(6)Avicel(注册商标，旭化成工业)与作为标准样品的各纤维(1～5)进行了比较。这些吸收光谱是用标准偏差标准化而得到的平均光谱。

在图1中，在3600cm^-1～3100cm^-1之间，与作为天然纤维的棉(1)、麻类(2)相比，作为再生纤维的人造丝(3)、铜氨丝(4)、莱赛尔(5)的吸收光谱显示出较宽的峰宽。另外，在作为天然纤维的棉(1)、麻类(2)中，在3330cm^-1处出现尖锐的峰，但是在作为再生纤维的人造丝(3)、铜氨丝(4)、莱赛尔(5)中没有出现。此外，在1200cm^-1～800cm^-1之间出现的主峰中，在作为天然纤维的棉(1)、麻类(2)中，在顶点出现2个峰，但是在作为再生纤维的人造丝(3)、铜氨丝(4)、莱赛尔(5)中仅出现1个峰。

如此地，通过详细地观察波数4000cm^-1～600cm^-1范围内的吸收光谱，有能够鉴别天然纤维与再生纤维的可能性。但是，仅对这些吸收光谱进行比较，不容易清楚地鉴别纤维素类纤维中的天然纤维与再生纤维。另外，难以进行同样作为天然纤维的棉与麻类的鉴别、同样作为麻类的亚麻与苎麻的鉴别、再生纤维彼此的鉴别、以及形状类似的铜氨丝与莱赛尔的鉴别等。

在本发明中，认为能够从通过IR光谱法得到的吸收光谱鉴别作为化学组成相同的纤维素类纤维的天然纤维与再生纤维的理由是由于构成这些纤维的纤维素的晶体状态不同。一般而言，关于纤维素类纤维的晶体结构，天然纤维为I型晶体，再生纤维构成II型晶体。另外，关于纤维素分子的取向状态，天然纤维显示出使分子的还原末端朝向同一方向的平行结构，再生纤维显示出分子的还原末端交替地改变位置的反平行结构。

认为由于这些晶体状态的差异，在天然纤维和再生纤维的吸收光谱中产生吸收位置的偏移、吸收强度的变化。进而，本发明人等根据在同样作为纤维素类天然纤维的棉与麻类中或者在同样作为纤维素类再生纤维的人造丝、铜氨丝、莱赛尔中，结晶度、晶体尺寸、晶体的分布也不同的事实，预测出在IR光谱法的吸收光谱中包含某些信息。

以下，通过各实施方式更详细地说明本发明的纤维鉴别方法。需要说明的是，本发明不仅限于下述各实施方式。在本发明中，根据由各种比较纤维的吸收光谱得到的光谱数据X进行判别分析，进行准备作为所得到的判别模型。在各实施方式中将该工序称为“判别模型准备工序”。接着，以相同的方式将由被测纤维的吸收光谱得到的光谱数据Y与判别模型进行比对。在该比对中，以被测纤维的光谱数据Y与由比较纤维的光谱数据X得到的判别模型的一致性为指标，鉴别被测纤维的种类。在各实施方式中将该工序称为“鉴别工序”。

《第一实施方式》

在本第一实施方式中，对多种单一纤维进行各单一纤维间的鉴别。例如，对纤维素类纤维中的天然纤维与再生纤维的鉴别、棉与麻类的鉴别、麻类中的亚麻与苎麻的鉴别、再生纤维彼此的鉴别、以及铜氨丝与莱赛尔的鉴别等进行说明。需要说明的是，在本第一实施方式中，根据被测纤维的得分相对于判别模型的得分的等概率椭圆的拟合程度进行鉴别。

(1)判别模型准备工序

在本第一实施方式中，在进行所要鉴别的纤维的组合、例如棉与麻类的鉴别的情况下，将这些纤维作为比较纤维，求出吸收光谱。需要说明的是，对于这些吸收光谱，也可以通过规定的方法进行各种校正。作为这些校正，例如有基于波数的变化的红外光的穿透深度的校正或者多元散射校正(MSC)等。

在此，在要求出棉的吸收光谱的情况下，将包含棉的多个试样作为一个组，求出各自的吸收光谱。另外，在要求出麻类的吸收光谱的情况下，也将包含麻类的多个试样作为一个组，求出各自的吸收光谱。在此，也可以将作为麻类的亚麻、苎麻、黄麻、大麻等作为一个麻类组求出吸收光谱。另外，例如也可以将亚麻与苎麻作为另一个组，求出吸收光谱，将各个组与棉的组进行鉴别。

另外，在纤维素类纤维制品的情况下，有时为了在成为编织物的阶段提高染色性、物性而实施利用碱性物质进行的纤维加工。作为该纤维加工，一般进行利用碱性水溶液或者液氨等进行的浸渍处理。特别是，将利用氢氧化钠水溶液对棉进行的浸渍处理称为“丝光加工”，被广泛进行。需要说明的是，认为根据是否对作为鉴别对象的纤维素类纤维实施利用碱性物质进行的纤维加工，红外吸收光谱稍微发生变化。因此，用利用碱性物质进行的纤维加工的有无混合存在的试样组进行鉴别时，也认为鉴别精度降低。

另外，在市场中流通实施了利用碱性物质进行的纤维加工的纤维素类纤维制品以及未实施利用碱性物质进行的纤维加工的纤维素类纤维制品。因此，本发明人等发现，通过在对比较纤维和被测纤维进行利用规定浓度的碱性物质进行的前处理之后求出红外吸收光谱，鉴别精度提高。即，认为通过对利用碱性物质进行的纤维加工的有无混合存在的比较纤维和被测纤维进行利用碱性物质进行的前处理，将它们统一为实施了利用碱性物质进行的纤维加工的纤维素类纤维，吸收光谱近似，鉴别精度提高。

该利用碱性物质进行的前处理的条件没有特别限制，根据所使用的碱性物质的种类、浓度、所要处理的纤维的种类等适当选定即可。例如，在纤维素类纤维为棉的情况下，与通常的丝光加工同样地，使用8重量％～24重量％浓度、优选为10重量％～20重量％浓度、进一步优选为15重量％～20重量％浓度的氢氧化钠水溶液作为碱性物质，在室温下进行浸渍处理，由此，鉴别精度提高。

需要说明的是，对于准备判别模型时的比较纤维以及作为鉴别对象的被测纤维，求出实施了上述利用碱性物质进行的前处理的红外吸收光谱以及未实施上述前处理的红外吸收光谱两者，通过并用它们来进行鉴别，鉴别精度进一步提高。

此外，在各纤维中有编织物的区別、丝的粗细的差异、染色的有无、纤维处理剂的有无等。因此，考虑这些信息对吸收光谱带来的影响与分析中使用的波数范围(后述)的关系而求出各组的吸收光谱。

在本第一实施方式中，在求出比较纤维的吸收光谱时使用FT/IR分光光度计。FT/IR分光光度计在许多产业中被使用，因此是廉价的，因此能够抑制用于鉴别的设备投资、维护的费用。另外，在本第一实施方式中，在测定中使用ATR法。这是因为，所要鉴别的纤维多数情况下已经作为纤维制品处于编织物的状态，具有能够在该编织物的状态下非破坏性地进行鉴别的优点。需要说明的是，在ATR法中使用的棱镜的种类没有特别限制，在纤维试样的情况下，通常优选使用ZnSe棱镜。

在本第一实施方式中，照射除近红外线以外的波数4000cm^-1～600cm^-1范围内的红外线来求出各个吸收光谱。在此，“除近红外线以外”不应理解为在测定吸收光谱时“不测定近红外线部分的吸收光谱”的含义。应理解为“鉴别中使用的吸收光谱的范围在波数4000cm^-1～600cm^-1的范围内”。

另外，在本发明中，也可以用波数4000cm^-1～600cm^-1范围内的整个区域的吸收光谱进行分析。或者，也可以选择规定波数范围来进行分析。在本第一实施方式中，将规定波数范围内的光谱数据用于分析。这是因为，通过限定分析中使用的波数范围，强调了鉴别所必要的红外吸收，并且排除噪声，从而鉴别精度提高。

在此，对于规定波数范围内的光谱数据的提取而言，也可以预先确定测定区域，仅在该范围内求出吸收光谱。但是，优选从在通常所使用的分光光度计的整个测定区域中得到的吸收光谱提取分析所必要的规定波数范围的光谱数据。

需要说明的是，对于在此所谓的规定波数范围而言，优选根据所要鉴别的纤维的种类和组合适当进行选择。本发明人等确认到在纤维素类纤维中的天然纤维与再生纤维的鉴别、棉与麻类的鉴别、亚麻与苎麻的鉴别、再生纤维彼此的鉴别、以及铜氨丝与莱赛尔的鉴别等中分别存在合适的波数范围。需要说明的是，对于在鉴别中使用的规定波数范围而言，可以仅在一个波数范围进行分析，或者也可以将2个或2个以上的多个波数范围组合而进行分析。

在此，在分析比较纤维的光谱数据时，优选首先进行光谱数据的处理。在光谱数据的处理中优选进行例如一阶微分、二阶微分或者二阶以上的高阶微分处理等。这是因为，通过进行这些微分处理，能够进行埋没在光谱中的峰的锐化、背景影响的消除等光谱信息的增强。在微分处理中使用的方法和维度没有特别限制，优选根据所要鉴别的纤维的种类和组合适当选择。作为一例，将通过Savitzky-Golay法对图1的各光谱(1～5)进行一阶微分而得到的各光谱(1～5)示于图2。

接着，从所得到的微分光谱提取对分析有效的规定波数范围的光谱数据。提取光谱数据的方法没有特别限制。可以针对所要鉴别的纤维的种类和组合，选定基于认为对分析必要的规定官能团的波数范围。另外，也可以主动排除认为对分析具有噪声的波数范围的光谱数据。例如，在纤维素类纤维的情况下，也可以不将波数2750cm^-1～1850cm^-1范围内的光谱数据用于分析。这是因为，认为从该波数范围对分析有效的信息少，相反，CO₂的吸收等表现为噪声。

例如，在纤维素类纤维的鉴别中，认为波数3500cm^-1～3000cm^-1的范围内(O-H)的光谱数据以及波数1200cm^-1～1000cm^-1的范围内(C-OH、C-O-C、C-C)的光谱数据等是重要的，因此，也可以将它们组合而进行分析。但是，在吸湿性高的纤维素类纤维的鉴别中，波数3500cm^-1～3000cm^-1范围内的光谱数据容易受到吸湿状态的影响，也可以考虑将它们排除而进行鉴别。

本发明人等使用红外吸收大的波数范围的组合进行判别分析，能够提取认为特别有效的规定波数范围。例如，在天然纤维与再生纤维的鉴别中，提取波数1300cm^-1～850cm^-1的范围内(C-OH、C-O-C、C-C)的光谱数据。另外，在棉与麻类的鉴别中，提取波数1600cm^-1～800cm^-1的范围内(O-H、C-OH、C-O-C、C-C)的光谱数据。另外，在亚麻与苎麻的鉴别中，提取波数1600cm^-1～900cm^-1的范围内(O-H、C-OH、C-O-C、C-C)的光谱数据。另外，在再生纤维彼此的鉴别、即人造丝与“铜氨丝和莱赛尔”的鉴别中，提取波数1500cm^-1～800cm^-1的范围内(O-H、C-OH、C-O-C、C-C)的光谱数据。另外，在铜氨丝与莱赛尔的鉴别中，提取波数1700cm^-1～900cm^-1的范围内(O-H、C-OH、C-O-C、C-C)的光谱数据。

接着，对提取出的光谱数据进行判别分析而制作判别模型。在此，判别分析是指，在事先给予的数据被分在不同组的情况下，在得到新数据时，用于得到用于判别进入哪一组的基准(判别函数)的方法。作为判别分析使用的方法没有特别限制，可以采用任何方法。例如，通常是作为Fisher的判别分析的FDA(Fisher’s linear discriminant analysis：Fisher的线性判别分析)等。与此相对，本发明人等使用了在判别分析的方法中加入了独创的措施而得到的FDOD(Fisher’s linear discriminant orthogonal decomposition：Fisher的线性判别正交分解)。以下，具体地说明利用FDOD进行的判别分析。

FDOD的特征在于，在求出分离2个组的轴w(组间分离且各组集中的轴w)时，通过正交分解求出相互正交的2个轴w₁、w₂。另外，在本第一实施方式中，其特征在于，在FDOD中进行正则化。具体而言，在下述式(1)中引入正则化项ζI。

S_Bw＝λ(S_W+ζI)w…(1)

在上述式(1)中，S_B·S_W是方差-协方差矩阵或者变分矩阵。在S_B·S_W使用方差-协方差矩阵的情况下，S_B表示组间方差-协方差矩阵，S_W表示组内方差-协方差矩阵。另一方面，在S_B·S_W使用变分矩阵的情况下，S_B表示组间变分矩阵，S_W表示组内变分矩阵。另外，ζ表示正则化系数，I表示单位矩阵。需要说明的是，在本第一实施方式中，优选将所述式(1)中的正则化系数ζ的值设定在1～0的范围内，另外，更优选设定在1×10^-3～1×10^-8的范围内。

一般而言，通过在判别分析中进行正则化，模型样品(在此情况下是比较纤维)的判别精度降低。这也被认为是意味着在另一方面防止过拟合。发生过拟合时，在模型样品(在此情况下是比较纤维)中会出现过度拟合的判别模型，对测试样品(在此情况下被测纤维)的拟合度变差，成为泛化性能差的状态。因此，本发明人等发现，通过选择适当的正则化系数ζ，能够兼顾高判别精度与良好的泛化性能。

在本第一实施方式中，为了进行上述轴的正交分解而进行二次判别分析。首先，从各比较纤维的吸收光谱中提取上述规定波数范围的光谱数据X，将其作为数据X₁。使用该数据X₁，根据上述式(1)进行第一次判别分析而求出第一轴w₁。此时，使用预先选定的正则化系数ζ₁。需要说明的是，对于在判别分析中使用的分析软件没有特别限制。在本第一实施方式中，使用发明人自己制作的程序进行分析。

接着，由在第一次判别分析中得到的第一轴w₁和数据X₁，根据下述式(2)计算出数据X₁的第一轴坐标(w₁轴坐标)的值t₁(也称为投影t₁)。

t₁＝w₁ ^TX₁…(2)

在此，w₁ ^T表示w₁的转置向量。

接着，为了求出在第二次判别分析中使用的数据，进行被称为降阶的操作。具体而言，将根据下述式(3)从之前的数据X₁中抽出w₁轴方向的信息后的数据作为数据X₂(也称为剩余矩阵)。

X₂＝X₁-w₁t₁…(3)

接着，使用该数据X₂，根据上述式(1)进行第二次判别分析而求出第二轴w₂。此时，使用预先选定的正则化系数ζ₂。此时使用正则化系数ζ₂也可以是与第一次判别分析中使用正则化系数ζ₁不同的值。由以这样的方式求出的第二轴w₂和数据X₂，根据式(4)计算出数据X₂的第二轴坐标(w₂轴坐标)的值t₂(也称为投影t₂)。

t₂＝w₂ ^TX₂…(4)

在此，w₂ ^T表示w₂的转置向量。

使用以这样的方式求出的相互正交的2个轴w₁、w₂，能够制作出完成了正交分解的判别模型。在该判别模型中，将轴w₁、w₂作为正交轴来清楚地区分2个组。

将与属于各组的各比较纤维的投影t₁和投影t₂相对应的值称为该比较纤维的得分。将相对于2个轴w₁、w₂标绘出各比较纤维的得分而得到的图表称为得分图(FDOD图)。在本第一实施方式中，对作为判别模型得到的2个得分图分别制作等概率椭圆。需要说明的是，关于这些判别模型和等概率椭圆，在下述实施例1详细说明。

另外，在本第一实施方式中，如上所述使用相互正交的2个轴w₁、w₂制作出完成了正交分解的判别模型，但是也可以通过重复进行上述式(3)和式(4)的操作，制作相互正交的3轴以上的高维的判别模型。

(2)鉴别工序

在本第一实施方式的鉴别工序中，首先，求出所要鉴别的被测纤维的吸收光谱。求出吸收光谱的方法、对吸收光谱进行各种校正的方法、以及对所得到的吸收光谱进行微分处理等处理的方法与针对上述比较纤维的方法相同。接着，从所求出的微分光谱中提取与比较纤维相同波数范围的光谱数据Y，以与比较纤维相同的方式计算出被测纤维的得分(与投影t₁和投影t₂相对应)。接着，将所得到的被测纤维的得分套用至判别模型的等概率椭圆中，从而鉴别被测纤维是属于哪个组的纤维。

需要说明的是，在本鉴别工序中，被测纤维的种类是未知的，但是通过比较简单的显微镜法等证实了被测纤维是纤维素类纤维。但是，不清楚被测纤维是纤维素类纤维中的哪一种纤维。因此，在本第一实施方式中，优选按照如下所述的步骤进行纤维鉴别。

图3是表示在本第一实施方式中鉴别被测纤维的分析步骤的鉴别流程图。在图3中，首先，鉴别被测纤维是天然纤维还是再生纤维。此时，使用由天然纤维和再生纤维得到的判别模型。在此，在鉴别出被测纤维为天然纤维的情况下，接着鉴别被测纤维是棉还是麻类。此时，使用由棉和麻类得到的判别模型。进而，在鉴别出被测纤维为麻类的情况下，接着鉴别被测纤维是哪一种麻。需要说明的是，在图3中，作为麻类，鉴别是最常见的亚麻还是苎麻。此时，使用由亚麻和苎麻得到的判别模型。

同样地，在图3中，在鉴别出被测纤维为再生纤维的情况下，接着鉴别被测纤维是人造丝还是“铜氨丝或莱赛尔”。此时，使用由人造丝和“铜氨丝和莱赛尔”得到的判别模型。在此，在鉴别出被测纤维为“铜氨丝或莱赛尔”的情况下，接着鉴别被测纤维是铜氨丝还是莱赛尔。此时，使用由铜氨丝和莱赛尔得到的判别模型。

另外，图4是提取图3的鉴别流程图的一部分而得到的部分流程图。在图4中，在鉴别被测纤维是天然纤维还是再生纤维时，在由天然纤维和再生纤维得到的判别模型中存在无法对应的情况。在此情况下，图4的无法判别的被测纤维有可能是天然纤维与再生纤维的混合纤维或者混合了除纤维素类纤维以外的纤维。

以这样的方式，通过根据图3的鉴别流程图进行鉴别，能够客观地鉴别被测纤维的种类。接着，通过实施例1具体地说明本第一实施方式的鉴别方法。

[实施例1]

本实施例1进行上述第一实施方式的各单一纤维间的鉴别，根据鉴别流程图(参照图3)对多条被测纤维进行鉴别。需要说明的是，各被测纤维在显微镜法等预鉴定中均被证实是纤维素类纤维。

(1)判别模型准备工序

在本实施例1中，首先，作为纤维种类已知的单一纤维，准备了棉27条、亚麻25条、苎麻21条的天然纤维73条。另外，作为纤维种类已知的单一纤维，准备了人造丝48条、铜氨丝30条、莱赛尔31条的再生纤维109条。将这些合计182条的单一纤维作为本实施例1的比较纤维。需要说明的是，对于棉和麻类(亚麻和苎麻)73条、以及再生纤维的一部分40条(人造丝14条、铜氨丝13条、莱赛尔13条)，在室温下进行了利用氢氧化钠水溶液(17重量％)进行的前处理。

接着，对于这些合计182条的编织物，得到了其吸收光谱。吸收光谱的测定使用红外分光光度计FT/IR-4700(日本分光株式会社)，用利用ZnSe棱镜的ATR法测定了波数4000cm^-1～600cm^-1的吸收光谱。接着，通过Savitzky-Golay法对多元散射校正(MSC)后的各吸收光谱进行一阶微分从而得到了微分光谱。

接着，将这些吸收光谱(微分光谱)分类为利用FDOD的判别模型制作用组与等概率椭圆制作用组。将在后文中说明将吸收光谱分类为判别模型制作用组与等概率椭圆制作用组的理由。

[判别模型制作用组]

·第1组(A1)：30条天然纤维(棉15条、亚麻7条、以及苎麻8条)

·第2组(A2)：30条再生纤维(前处理人造丝10条、前处理铜氨丝10条、以及前处理莱赛尔10条)

·第3组(B1)：15条棉

·第4组(B2)：15条麻类(亚麻7条和苎麻8条)

·第5组(C1)：15条亚麻

·第6组(C2)：15条苎麻

·第7组(D1)：35条未处理人造丝

·第8组(D2)：35条铜氨丝和莱赛尔(未处理铜氨丝18条和未处理莱赛尔17条)

·第9组(E1)：15条未处理铜氨丝

·第10组(E2)：15条未处理莱赛尔

得到了这样的上述10组。

[等概率椭圆制作用组]

·第11组(A3)：10条天然纤维(棉5条、亚麻2条、以及苎麻3条)

·第12组(A4)：10条再生纤维(前处理人造丝4条、前处理铜氨丝3条、以及前处理莱赛尔3条)

·第13组(B3)：10条棉

·第14组(B4)：10条麻类(亚麻7条和苎麻3条)

·第15组(C3)：5条亚麻

·第16组(C4)：5条苎麻

·第17组(D3)：10条未处理人造丝

·第18组(D4)：10条铜氨丝和莱赛尔(未处理铜氨丝5条和未处理莱赛尔5条)

·第19组(E3)：10条未处理铜氨丝

·第20组(E4)：10条未处理莱赛尔

得到了这样的上述10组。

接着，使用判别模型制作用组制作了判别模型。将上述第1组(A1)～第10组(E2)中的每2个进行组合，作为5组组合。接着，从这些微分光谱中提取出表征各组合的规定波数范围。进而，规定了针对各组合的判别分析用的2个正则化系数ζ₁、ζ₂。在本实施例1中，在下文中示出各判别模型A～E、所提取出的波数范围以及2个正则化系数ζ₁、ζ₂的值。

[判别模型A]：天然纤维与再生纤维

·第1组(A1)和第2组(A2)：波数1200cm^-1～850cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-5

·第二次判别分析用正则化系数：ζ₂＝1×10^-5

[判别模型B]：棉与麻类

·第3组(B1)和第4组(B2)：波数1400cm^-1～900cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-7

·第二次判别分析用正则化系数：ζ₂＝1×10^-7

[判别模型C]：亚麻与苎麻

·第5组(C1)和第6组(C2)：波数1400cm^-1～900cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-7

·第二次判别分析用正则化系数：ζ₂＝1×10^-7

[判别模型D]：人造丝与(铜氨丝和莱赛尔)

·第7组(D1)和第8组(D2)：波数1400cm^-1～900cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-6

·第二次判别分析用正则化系数：ζ₂＝1×10^-6

[判别模型E]：铜氨丝与莱赛尔

·第9组(E1)和第10组(E2)：波数1400cm^-1～900cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-6

·第二次判别分析用正则化系数：ζ₂＝1×10^-6

将以这样的方式提取出的波数范围内的各组的光谱数据X作为第一次判别分析中使用的数据X₁。使用该数据X₁进行对5组组合的二次判别分析，计算出各个比较纤维的得分(与投影t₁和投影t₂相对应)。将各组的比较纤维的得分标绘到相互正交的2个轴w₁、w₂上，得到了判别模型(临时模型)A～E。

接着，对判别模型(临时模型)A～E的各组，使用等概率椭圆制作用组制作了等概率椭圆。在本实施例1中，除判别模型制作用比较纤维以外，使用等概率椭圆制作用比较纤维。其理由考虑如下。即，在判别分析中制作了判别模型的情况下，求出组间分离且各组集中的轴w。因此，在仅用该窄区域的数据制作等概率椭圆的情况下，产生由于被测纤维的数据上的微小差异导致对等概率椭圆的拟合度变差的情况。

为了消除该情况，可以考虑2种方法。一种是使各组的比较纤维的数量(样品数量)非常多而制作判别模型、使根据由它们制作的等概率椭圆的拟合度变得良好的方法。另一种是用有限数量的比较纤维制作判别模型、并且除判别模型制作用比较纤维以外使用等概率椭圆制作用比较纤维来制作考虑了拟合度差的信息的等概率椭圆的方法。在本实施例1中，由于比较纤维的数量有限，因此采用了后者的方法。

在本实施例1中，制作了95％置信水平的等概率椭圆。具体而言，对上述第11组(A3)～第20组(E4)的等概率椭圆用的各比较纤维，通过与上述相同的方法计算出得分(与投影t₁和投影t₂相对应)。将这些得分标绘到标绘有各个组的各判别模型A～E中。接着，使用发明人自身制作的程序制作了95％置信水平的等概率椭圆。

图5～图9是本实施例1中得到的各判别模型(完整模型)A～E(FDOD图)。另外，包围各判别模型所记载的组的椭圆是针对各组的95％置信水平的等概率椭圆。图5是判别模型A：“天然纤维”与“再生纤维”的FDOD图，以第一判别轴(w₁轴)为横轴，以第二判别轴(w₂轴)为纵轴，将“天然纤维”与“再生纤维”这2个组清楚地分层。图6是判别模型B：“棉”与“麻类”的分布图，以第一判别轴为横轴，以第二判别轴为纵轴，将“棉”与“麻类”这2个组清楚地分层。图7是判别模型C：“亚麻”与“苎麻”的分布图，以第一判别轴为横轴，以第二判别轴为纵轴，将“亚麻”与“苎麻”这2个组清楚地分层。图8是判别模型D：“人造丝”与“铜氨丝和莱赛尔”的分布图，以第一判别轴为横轴，以第二判别轴为纵轴，将“人造丝”与“铜氨丝和莱赛尔”这2个组清楚地分层。图9是判别模型E：“铜氨丝”与“莱赛尔”的分布图，以第一判别轴为横轴，以第二判别轴为纵轴，将“铜氨丝”与“莱赛尔”这2个组清楚地分层。将以这样的方式求出的分析数据组作为针对各组合的判别模型，作为本实施例1的数据库进行了存储。

(2)鉴别工序

在本实施例1的鉴别中，准备由纤维素类纤维的单一纤维构成的5条被测纤维Z1～Z5。首先，以与判别模型的制作相同的方式，求出所要鉴别的被测纤维Z1～Z5的吸收光谱，得到了微分光谱。

首先，鉴别被测纤维Z1～Z5属于“天然纤维”与“再生纤维”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型A相同的波数范围(波数1200cm^-1～850cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z1～Z5的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。将这些被测纤维Z1～Z5的得分标绘在图5的“天然纤维”与“再生纤维”的判别模型A中(图5的Z1～Z5)。在图5中，可知本实施例1的被测纤维Z1～Z5中的被测纤维Z1和Z2是属于“天然纤维”的第1组(A1)的纤维。另一方面，可知被测纤维Z3～Z5是属于“再生纤维”的第2组(A2)的纤维。

接着，鉴别了被鉴别为“天然纤维”的被测纤维Z1、Z2属于“棉”与“麻类”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型B相同的波数范围(波数1400cm^-1～900cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z1、Z2的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。将这些被测纤维Z1、Z2的得分标绘在图6的“棉”与“麻类”的判别模型B中(图6的Z1、Z2)。在图6中，可知本实施例1的被测纤维Z1、Z2中的被测纤维Z1是属于“棉”的第3组(B1)的纤维。另一方面，可知被测纤维Z2是属于“麻类”的第4组(B2)的纤维。

接着，鉴别了被鉴别为“麻类”的被测纤维Z2属于“亚麻”与“苎麻”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型C相同的波数范围(波数1400cm^-1～900cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z2的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。将该被测纤维Z2的得分标绘在图7的“亚麻”与“苎麻”的判别模型C中(图7的Z2)。在图7中，可知本实施例1的被测纤维Z2是属于“亚麻”的第5组(C1)的纤维。

另一方面，鉴别了被鉴别为“再生纤维”的被测纤维Z3～Z5属于“人造丝”与“铜氨丝和莱赛尔”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型D相同的波数范围(波数1400cm^-1～900cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z3～Z5的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。将这些被测纤维Z3～Z5的得分标绘在图8的“人造丝”与“铜氨丝和莱赛尔”的判别模型D中(图8的Z3～Z5)。在图8中，可知本实施例1的被测纤维Z3～Z5中的被测纤维Z3是属于“人造丝”的第7组(D1)的纤维。另一方面，可知被测纤维Z4、Z5是属于“铜氨丝和莱赛尔”的第8组(D2)的纤维。

接着，鉴别了被鉴别为“铜氨丝和莱赛尔”的被测纤维Z4、Z5属于“铜氨丝”与“莱赛尔”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型E相同的波数范围(波数1400cm^-1～900cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z4、Z5的光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。将这些被测纤维Z4、Z5的得分标绘在图9的“铜氨丝”与“莱赛尔”的判别模型E中(图9的Z4、Z5)。在图9中，可知本实施例1的被测纤维Z4、Z5中的被测纤维Z4是属于“铜氨丝”的第9组(E1)的纤维。另一方面，可知被测纤维Z5是属于“莱赛尔”的第10组(E2)的纤维。

如以上说明的那样，在本第一实施方式中，对于由单一纤维构成的被测纤维，能够容易且准确地鉴别纤维的种类。由此，在本发明中能够提供一种纤维鉴别方法，其鉴别操作比较简单且具有客观性，能够在不依赖于检查员的经验、专有技术的情况下进行同类异种纤维的鉴别，并且能够极力减小根据所要鉴别的纤维的组合产生的鉴别精度的偏差，从而实现高度的鉴别精度。

《第二实施方式》

在本第二实施方式中，与上述第一实施同样地，对多种单一纤维进行各单一纤维间的鉴别。例如，对纤维素类纤维中的天然纤维与再生纤维的鉴别、棉与麻类的鉴别、麻类中的亚麻与苎麻的鉴别、再生纤维彼此的鉴别、以及铜氨丝与莱赛尔的鉴别等进行说明。需要说明的是，在本第二实施方式中，根据被测纤维的得分相对于判别模型的得分组的正态分布的概率密度进行鉴别。

(1)判别模型准备工序

本第二实施方式中的判别模型准备工序的各操作基本上与上述第一实施方式相同。首先，求出比较纤维的各组的吸收光谱。吸收光谱的校正也与上述第一实施方式相同。另外，利用碱性物质进行前处理的方法也与上述第一实施方式相同。

在本第二实施方式中，与上述第一实施例同样地，在求出比较纤维的吸收光谱时，利用FT/IR分光光度计，使用ATR法。另外，与上述第一实施方式同样地，照射除近红外线以外的波数4000cm^-1～600cm^-1范围内的红外线而求出各个吸收光谱。另外，光谱数据的微分处理等也与上述第一实施方式相同。

接着，从所得到的微分光谱提取对分析有效的规定波数范围的光谱数据。在本第二实施方式中，对比较纤维的各组合提取出的光谱数据的波数范围基本上与上述第一实施方式相同。但是，在本第二实施方式中，还存在分割为更窄的波数范围而提取多个波数范围的方式。需要说明的是，关于所使用的波数范围，在下述实施例2中详述。

接着，对提取出的光谱数据进行判别分析而制作判别模型。在本第二实施方式中，与上述第一实施例同样地，使用了本发明人等加入了独创的措施而得到的判别分析的方法、即FDOD(Fisher’s linear discriminant orthogonal decomposition：Fisher的线性判别正交分解)。另外，在本第二实施方式中也进行二次判别分析。

首先，从各比较纤维的吸收光谱提取规定波数范围的光谱数据X，将其作为数据X₁。使用该数据X₁，根据与上述第一实施方式相同的式(1)进行第一次判别分析而求出第一轴w₁。此时，使用预先选定的正则化系数ζ₁。需要说明的是，在本第二实施方式中，也使用发明人自身制作的程序进行了分析。

接着，根据与上述第一实施方式相同的式(2)，由在第一次判别分析中得到的第一轴w₁和数据X₁计算出数据X₁的第一轴坐标(w₁轴坐标)的值t₁(也称为投影t₁)。接着，将根据与上述第一实施方式相同的式(3)从之前的数据X₁中抽出w₁轴方向的信息后的数据作为数据X₂(也称为剩余矩阵)。接着，使用该数据X₂，根据与上述第一实施方式相同的式(1)进行第二次判别分析而求出第二轴w₂。此时，使用预先选定的正则化系数ζ₂。根据与上述第一实施方式相同的式(4)，由以这样的方式求出的第二轴w₂和数据X₂计算出数据X₂的第二轴坐标(w₂轴坐标)的值t₂(也称为投影t₂)。

使用以这样的方式求出的相互正交的2个轴w₁、w₂，能够制作出完成了正交分解的判别模型。在该判别模型中，将轴w₁、w₂作为正交轴来清楚地区分2个组。将与属于各组的各比较纤维的投影t₁和投影t₂相对应的值称为该比较纤维的得分。在本第二实施方式中，对判别模型的2个组分别进行从各个光谱数据求出的得分组的2维正态分布的推定。具体而言，对判别模型的2个组(组a、组b)分别求出各得分组的2维正态分布的概率密度函数Fa(x)、Fb(x)。需要说明的是，关于这些判别模型和概率密度函数Fa(x)、Fb(x)，在下述实施例2中详述。

另外，在本第二实施方式中，如上所述，使用相互正交的2个轴w₁、w₂来制作出完成了正交分解的判别模型，但是也可以通过重复进行上述式(3)和式(4)的操作来制作相互正交的3轴以上的高维的判别模型。需要说明的是，在制作不是2维而是n维的判别模型的情况下，由各得分组进行n维(n为1以上的整数)正态分布的推定，求出n维的概率密度函数。

(2)鉴别工序

在本第二实施方式的鉴别工序中，首先，求出所要鉴别的被测纤维Z的吸收光谱。求出吸收光谱的方法、对吸收光谱进行各种校正的方法、以及对所得到的吸收光谱进行微分处理等处理的方法与针对上述比较纤维的方法相同。接着，从所求出的微分光谱提取与比较纤维相同的波数范围的光谱数据Y，以与比较纤维相同的方式计算出被测纤维Z的得分(与投影t₁和投影t₂相对应)。接着，使用所得到的被测纤维Z的得分，由判别模型的2个组(组a、组b)各自的概率密度函数Fa(x)、Fb(x)计算出针对各组的被测纤维Z的概率密度dz,a、dz,b。

接着，由所得到的被测纤维的概率密度dz,a、dz,b，根据下述式(5)计算出被测纤维的针对一个组(例如，组a)的概率密度比Rz,a。

Rz,a＝dz,a/(dz,a+dz,b)…(5)

在本第二实施方式中，根据以这样的方式得到的概率密度比Rz,a，判别被测纤维Z是属于哪一组(组a或组b)的纤维。

首先，设定基于被测纤维Z的针对组a的概率密度比Rz,a(或者，针对组b的概率密度比Rz,b)的任意的判别基准。例如，将基于针对组a的概率密度比Rz,a的判别基准设定为：

Rz,a≥0.9…属于组a

Rz,a≤0.1…属于组b

0.1＜Rz,a＜0.9…无法判别。

在此情况下，如果Rz,a≥0.9，则能够判别被测纤维Z属于组a的概率为90％以上、属于组b的概率小于10％。相反地，如果Rz,a≤0.1，则能够判别被测纤维Z属于组b的概率大于90％、属于组a的概率为10％以下。另一方面，如果0.1＜Rz,a＜0.9，则判断为无法判别。需要说明的是，判别基准不限于90％，也可以是任意的基准。通常优选为约85％～约95％。

图10是表示在本第二实施方式中鉴别被测纤维的图像的示意图。在图10中，对于组a的分布和组b的分布，存在概率密度比Rz,a＝0.9的2条判别线L1、L2和概率密度比Rz,a＝0.1的2条判别线L3、L4。将靠近组a的判别线L1的组a侧的区域G1判别为组a。另外，将被靠近组b的2条判别线L3和判别线L4包围的区域G3判别为组b。与此相对，被判别线L1和判别线L3包围的区域G2为0.1＜Rz,a＜0.9的区域，判别为无法判别。同样地，被判别线L2和判别线L4包围的区域G4也是0.1＜Rz,a＜0.9的区域，判别为无法判别。这样的被测纤维有可能是2种以上的混合纤维或者是除纤维素类纤维以外的纤维。

另一方面，存在显著远离组a的分布和组b的分布的区域G5。在该区域G5中，概率密度dz,a、dz,b的值均变小，概率密度比Rz,a的值有时成为0.9以上或0.1以下。这样的被测纤维有可能是2种以上的混合纤维或者是除纤维素类纤维以外的纤维。在此情况下，尽管区域G5相对地靠近组b，但根据概率密度比Rz,a的值判别为组a。为了避免这样的误判，在本第二实施方式中，优选并非仅根据概率密度比Rz,a的值进行判断，而是根据判别模型的得分组的FDOD图以及根据需要的等概率椭圆来进行确认。

[实施例2]

接着，通过实施例2具体说明本第二实施方式的鉴别方法。本实施例2与上述实施例1同样地进行各单一纤维间的鉴别，对多条被测纤维，根据鉴别流程图(参见图3)来进行鉴别。需要说明的是，各被测纤维在显微镜法等预鉴定中均被证实是纤维素类纤维。

(1)判别模型准备工序

在本实施例2中，首先，作为纤维种类已知的单一纤维，准备了棉25条、亚麻25条、苎麻25条的天然纤维75条。另外，作为纤维种类已知的单一纤维，准备了人造丝45条、铜氨丝25条、莱赛尔25条的再生纤维95条。将这些合计170条的单一纤维作为本实施例2的比较纤维。需要说明的是，对于棉和麻类(亚麻和苎麻)75条和再生纤维的一部分40条(人造丝14条、铜氨丝13条、莱赛尔13条)，在室温下进行了利用氢氧化钠水溶液(17重量％)进行的前处理。

接着，对于这些合计170条的编织物，得到了其吸收光谱。吸收光谱的测定与上述实施例1同样地使用红外分光光度计FT/IR-4700(日本分光株式会社)，用利用ZnSe棱镜的ATR法测定了波数4000cm^-1～600cm^-1的吸收光谱。接着，通过Savitzky-Golay法对多元散射校正(MSC)后的各吸收光谱进行一阶微分从而得到了微分光谱。将所得到的吸收光谱(微分光谱)分类为利用FDOD的判别模型制作用组。

[判别模型制作用组]

·第1组(A3)：40条天然纤维(棉20条、亚麻10条、以及苎麻10条)

·第2组(A4)：40条再生纤维(前处理人造丝14条、前处理铜氨丝13条、以及前处理莱赛尔13条)

·第3组(B3)：25条棉

·第4组(B4)：25条麻类(亚麻12条和苎麻13条)

·第5组(C3)：25条亚麻

·第6组(C4)：25条苎麻

·第7组(D3)：45条未处理人造丝

·第8组(D4)：45条铜氨丝和莱赛尔(未处理铜氨丝24条和未处理莱赛尔21条)

·第9组(E3)：25条未处理铜氨丝

·第10组(E4)：25条未处理莱赛尔

得到了这样的上述10组。

接着，使用判别模型制作用组制作了判别模型。将上述第1组(A3)～第10组(E4)中的每2个组进行组合，作为5组组合。接着，从这些微分光谱中提取出表征各组合的规定波数范围。进而，规定了针对各组合的判别分析用的2个正则化系数ζ₁、ζ₂。在本实施例2中，在下文中示出各判别模型A～E、所提取出的波数范围、以及2个正则化系数ζ₁、ζ₂的值。但是，在本实施例2中，所提取出的波数范围与上述实施例1不同，也提取出多个狭窄地划分的波数范围。

[判别模型A]：天然纤维与再生纤维

·第1组(A3)和第2组(A4)：波数1300cm^-1～900cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-6

·第二次判别分析用正则化系数：ζ₂＝1×10^-3

[判别模型B]：棉与麻类

·第3组(B3)和第4组(B4)：波数1600cm^-1～1400cm^-1、波数1200cm^-1～1100cm^-1、波数1000cm^-1～800cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-6

·第二次判别分析用正则化系数：ζ₂＝1×10-⁴

[判别模型C]：亚麻与苎麻

·第5组(C3)和第6组(C4)：波数1600cm^-1～1500cm^-1、波数1400cm^-1～1100cm^-1、波数1000cm^-1～900cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-6

·第二次判别分析用正则化系数：ζ₂＝1×10^-6

[判别模型D]：人造丝与(铜氨丝和莱赛尔)

·第7组(D3)和第8组(D4)：波数1500cm^-1～1400cm^-1、波数1300cm^-1～1000cm^-1、波数900cm^-1～800cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-4

·第二次判别分析用正则化系数：ζ₂＝1×10^-7

[判别模型E]：铜氨丝与莱赛尔

·第9组(E3)和第10组(E4)：波数1700cm-¹～1600cm-¹、波数1500cm-¹～1300cm^-1、波数1100cm^-1～1000cm^-1

·第一次判别分析用正则化系数：ζ₁＝1×10^-6

·第二次判别分析用正则化系数：ζ₂＝1×10^-5

将以这样的方式提取出的波数范围内的各组的光谱数据X作为第一次判别分析中使用的数据X₁。使用该数据X₁对5组组合进行二次判别分析，计算出各个比较纤维的得分(与投影t₁和投影t₂相对应)。

在本实施例2中，所要判别的2个组中包含的比较纤维的2个得分组与判别模型相对应。例如，对于判别模型A而言，与第1组(A3)和第2组(A4)的各比较纤维的得分组的组合相对应。以这样的方式，得到了判别模型(所要判别的各比较纤维的得分组)A～E。因此，在本实施例2中，制作将各组的比较纤维的得分组标绘在相互正交的2个轴w₁、w₂上的判别模型(FDOD图)A～E并不被作为必要条件。但是，为了确认属于判别出的组或者不属于任何组(无法判别)，优选预先制作FDOD图以及根据需要的等概率椭圆。

接着，对判别模型(所要判别的各比较纤维的得分组)A～E的各组(A3～E4)分别进行了得分组的2维正态分布的推定。例如，对于判别模型A而言，对2个组A3、A4的各得分组，求出2维正态分布的概率密度函数F_A3(x)、F_A4(x)。在求出概率密度函数时，使用通常的方法即可。以相同的方式，对判别模型B求出概率密度函数F_B3(x)、F_B4(x)，对判别模型C求出概率密度函数F_C3(x)、F_C4(x)，对判别模型D求出概率密度函数F_D3(x)、F_D4(x)，对判别模型E求出概率密度函数F_E3(x)、F_E4(x)。

(2)鉴别工序

本实施例2的鉴别中，与上述实施例1同样地准备了由纤维素类纤维的单一纤维构成的5条被测纤维Z6～Z10。首先，以与判别模型的制作相同的方式，求出所要鉴别的被测纤维Z6～Z10的吸收光谱，得到了微分光谱。

首先，鉴别被测纤维Z6～Z10属于“天然纤维”与“再生纤维”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型A相同的波数范围(波数1300cm^-1～900cm^-1)的光谱数据Y。通过与上述相同的方法由以这样的方式得到的被测纤维Z6～Z10的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。

使用所得到的被测纤维Z6的得分，根据概率密度函数F_A3(x)、F_A4(x)计算出针对各组A3、A4的被测纤维Z6的概率密度d_Z6,A3、d_Z6,A4。以相同的方式，计算出被测纤维Z7的概率密度d_Z7,A3、d_Z7,A4、被测纤维Z8的概率密度d_Z8,A3、d_Z8,A4、被测纤维Z9的概率密度d_Z9,A3、d_Z9,A4、被测纤维Z10的概率密度d_Z10,A3、d_Z10,A4。将计算出的各概率密度的值示于表1。

根据下述式(5-1)由所得到的被测纤维Z6的概率密度d_Z6,A3、d_Z6,A4计算出被测纤维Z6的针对组A3的概率密度比R_Z6,A3。

R_Z6,A3＝d_Z6,A3/(d_Z6,A3+d_Z6,A4)…(5-1)

以相同的方式，计算出被测纤维Z7的针对组A3的概率密度比R_Z7,A3、被测纤维Z8的针对组A3的概率密度比R_Z8,A3、被测纤维Z9的针对组A3的概率密度比R_Z9,A3、被测纤维Z10的针对组A3的概率密度比R_Z10,A3。将计算出的各概率密度比的值示于表1。

表1

在表1中，在如下所示地设定针对组A3的概率密度比的判别基准的情况下，

R_Z,A3≥0.9…属于组A3

R_Z,A3≤0.1…属于组A4

0.1＜R_Z,A3＜0.9…无法判别

可知本实施例2的被测纤维Z6～Z10中的被测纤维Z6和Z7是属于“天然纤维”的第1组(A3)的纤维。另一方面，可知被测纤维Z8～Z10是属于“再生纤维”的第2组(A4)的纤维。

需要说明的是，在本实施例2中，如上所述，为了确认判别结果，预先制作了FDOD图和基于其的99.7％置信水平的等概率椭圆。图11是本实施例2中得到的“天然纤维”和“再生纤维”的FDOD图。在图11中，以第一判别轴(w₁轴)为横轴，以第二判别轴(w₂轴)为纵轴，将“天然纤维”与“再生纤维”这2个组A3、A4清楚地分层。另外，被测纤维Z6～Z10的各标绘容纳在2个组A3、A4中的任意一个等概率椭圆中，与基于概率密度比的判别结果一致。由此，确认了本实施例2的基于概率密度比的判别结果是准确的，而不是误判。

接着，鉴别了被鉴别为“天然纤维”的被测纤维Z6、Z7属于“棉”与“麻类”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型B相同的波数范围(波数1600cm^-1～1400cm^-1、波数1200cm^-1～1100cm^-1、波数1000cm^-1～800cm^-1)的光谱数据Y。通过与上述相同的方法由以这样的方式得到的被测纤维Z6、Z7的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。

使用所得到的被测纤维Z6的得分，根据概率密度函数F_B3(x)、F_B4(x)计算出针对各组B3、B4的被测纤维Z6的概率密度d_Z6,B3、d_Z6,B4。以相同的方式，计算出被测纤维Z7的概率密度d_Z7,B3、d_Z7,B4。将计算出的各概率密度的值示于表2。接着，根据下述式(5-2)由所得到的被测纤维Z6的概率密度d_Z6,B3、d_Z6,B4计算出被测纤维Z6的针对组B3的概率密度比R_Z6,B3。

R_Z6,B3＝d_Z6,B3/(d_Z6,B3+d_Z6,B4)…(5-2)

以相同的方式，计算出被测纤维Z7的针对组B3的概率密度比R_Z7,B3。将计算出的各概率密度比的值示于表2。

表2

在表2中，在如下所示地设定针对组B3的概率密度比的判别基准的情况下，

R_Z,B3≥0.9…属于组B3

R_Z,B3≤0.1…属于组B4

0.1＜R_Z,B3＜0.9…无法判别

可知本实施例2的被测纤维Z6、Z7中的被测纤维Z6是属于“棉”的第3组(B3)的纤维。另一方面，可知被测纤维Z7是属于“麻类”的第4组(B4)的纤维。

图12是本实施例2中得到的“棉”和“麻类”的FDOD图。在图12中，以第一判别轴(w₁轴)为横轴，以第二判别轴(w₂轴)为纵轴，将“棉”与“麻类”这2个组B3、B4清楚地分层。另外，被测纤维Z6、Z7的各标绘容纳在2个组B3、B4中的任意一个等概率椭圆中，与基于概率密度比的判别结果一致。由此，确认了本实施例2的基于概率密度比的判别结果是准确的，而不是误判。

接着，鉴别了被鉴别为“麻类”的被测纤维Z7属于“亚麻”与“苎麻”中的哪一组。具体而言，从所求出的微分光谱提取与判别模型C相同的波数范围(波数1600cm^-1～1500cm^-1、波数1400cm^-1～1100cm^-1、波数1000cm^-1～900cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z7的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。

使用所得到的被测纤维Z7的得分，根据概率密度函数F_C3(x)、F_C4(x)计算出针对各组C3、C4的被测纤维Z7的概率密度d_Z7,C3、d_Z7,C4。将计算出的各概率密度的值示于表3。接着，根据下述式(5-3)由所得到的被测纤维Z7的概率密度d_Z7,C3、d_Z7,C4计算出被测纤维Z7的针对组C3的概率密度比R_Z7,C3。

R_Z7,C3＝d_Z7,C3/(d_Z7,C3+d_Z7,C4)…(5-3)

将计算出的概率密度比的值示于表3。

表3

在表3中，在如下所示地设定针对组C3的概率密度比的判别基准的情况下，

R_Z,C3≥0.9…属于组C3

R_Z,C3≤0.1…属于组C4

0.1＜R_Z,C3＜0.9…无法判别

可知本实施例2的被测纤维Z7是属于“苎麻”的第6组(C4)的纤维。

图13是本实施例2中得到的“亚麻”和“苎麻”的FDOD图。在图13中，以第一判别轴(w₁轴)为横轴，以第二判别轴(w₂轴)为纵轴，将“亚麻”与“苎麻”这2个组C3、C4清楚地分层。另外，被测纤维Z7的标绘容纳在组C4的等概率椭圆中，与基于概率密度比的判别结果一致。由此，确认了本实施例2的基于概率密度比的判别结果是准确的，而不是误判。

另一方面，鉴别了被鉴别为“再生纤维”的被测纤维Z8～Z10属于“人造丝”与“铜氨丝和莱赛尔”中的哪一组。具体而言，从所求出的微分光谱提取出与判别模型D相同的波数范围(波数1500cm^-1～1400cm^-1、波数1300cm^-1～1000cm^-1、波数900cm^-1～800cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z8～Z10的各光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。

使用所得到的被测纤维Z8的得分，根据概率密度函数F_D3(x)、F_D4(x)计算出针对各组D3、D4的被测纤维Z8的概率密度d_Z8,D3、d_Z8,D4。以相同的方式，计算出被测纤维Z9的概率密度d_Z9,D3、d_Z9,D4、被测纤维Z10的概率密度d_Z10,D3、d_Z10,D4。将计算出的各概率密度的值示于表4。接着，根据下述式(5-4)由所得到的被测纤维Z8的概率密度d_Z8,D3、d_Z8,D4计算出被测纤维Z8的针对组D3的概率密度比R_Z8,D3。

R_Z8,D3＝d_Z8,D3/(d_Z8,D3+d_Z8,D4)…(5-4)

以相同的方式，计算出被测纤维Z9的针对组D3的概率密度比R_Z9,D3、被测纤维Z10的针对组D3的概率密度比R_Z10,D3。将计算出的各概率密度比的值示于表4。

表4

在表4中，在如下所示地设定针对组D3的概率密度比的判别基准的情况下，

R_Z,D3≥0.9…属于组D3

R_Z,D3≤0.1…属于组D4

0.1＜R_Z,D3＜0.9…无法判别

可知本实施例2的被测纤维Z8～Z10中的被测纤维Z8是属于“人造丝”的第7组(D3)的纤维。另一方面，可知被测纤维Z9、Z10是属于“铜氨丝和莱赛尔”的第8组(D4)的纤维。

图14是本实施例2中得到的“人造丝”和“铜氨丝和莱赛尔”的FDOD图。在图14中，以第一判别轴(w₁轴)为横轴，以第二判别轴(w₂轴)为纵轴，将“人造丝”与“铜氨丝和莱赛尔”这2个组D3、D4清楚地分层。另外，被测纤维Z8～Z10的各标绘容纳在2个组B3、B4中的任意一个等概率椭圆中，与基于概率密度比的判别结果一致。由此，确认了本实施例2的基于概率密度比的判别结果是准确的，而不是误判。

接着，鉴别了被鉴别为“铜氨丝和莱赛尔”的被测纤维Z9、Z10属于“铜氨丝”与“莱赛尔”中的哪一组。具体而言，从所求出的微分光谱提取与判别模型E相同的波数范围(波数1700cm^-1～1600cm^-1、波数1500cm^-1～1300cm^-1、波数1100cm^-1～1000cm^-1)的光谱数据Y。通过与上述相同的方法，由以这样的方式得到的被测纤维Z9、Z10的光谱数据Y计算出得分(与投影t₁和投影t₂相对应)。

使用所得到的被测纤维Z9的得分，根据概率密度函数F_E3(x)、F_E4(x)计算出针对各组E3、E4的被测纤维Z9的概率密度d_Z9,E3、d_Z9,E4。以相同的方式，计算出被测纤维Z10的概率密度d_Z10,E3、d_Z10,E4。将计算出的各概率密度的值示于表5。接着，根据下述式(5-5)由所得到的被测纤维Z9的概率密度d_Z9,E3、d_Z9,E4计算出被测纤维Z9的针对组E3的概率密度比R_Z9,E3。

R_Z9,E3＝d_Z9,E3/(d_Z9,E3+d_Z9,E4)…(5-5)

以相同的方式，计算出被测纤维Z10的针对组E3的概率密度比R_Z10,E3。将计算出的各概率密度比的值示于表5。

表5

在表5中，在如下所示地设定针对组E3的概率密度比的判别基准的情况下，

R_Z,E3≥0.9…属于组E3

R_Z,E3≤0.1…属于组E4

0.1＜R_Z,E3＜0.9…无法判别

可知本实施例2的被测纤维Z9、Z10中的被测纤维Z9是属于“铜氨丝”的第9组(E3)的纤维。另一方面，可知被测纤维Z10是属于“莱赛尔”的第10组(E4)的纤维。

图15是本实施例2中得到的“铜氨丝”和“莱赛尔”的FDOD图。在图15中，以第一判别轴(w₁轴)为横轴，以第二判别轴(w₂轴)为纵轴，将“铜氨丝”与“莱赛尔”这2个组E3、E4清楚地分层。另外，被测纤维Z9、Z10的各标绘容纳在2个组E3、E4中的任意一个等概率椭圆中，与基于概率密度比的判别结果一致。由此，确认了本实施例2的基于概率密度比的判别结果是准确的，而不是误判。

如以上说明的那样，在本第二实施方式中，对于由单一纤维构成的被测纤维，能够容易且准确地鉴别纤维的种类。由此，在本发明中，能够提供一种纤维鉴别方法，其鉴别操作比较简单且具有客观性，能够在不依赖于检查员的经验、专有技术的情况下进行同类异种纤维的鉴别，并且能够极力减小根据所要鉴别的纤维的组合产生的鉴别精度的偏差，从而实现高度的鉴别精度。

需要说明的是，在实施本发明时，不限于上述各实施方式和各实施例，可以列举如下所述的各种变形例。

(1)在上述各实施方式中，以纤维素类纤维作为化学组成相同的纤维彼此的鉴别例进行了说明，但是不限于此，也可以进行作为蛋白质类纤维的蚕丝、各种动物毛纤维彼此的鉴别、其它化学组成相同的纤维彼此的鉴别。

(2)在上述各实施方式中，对2个组间的鉴别进行判别分析，但是不限于此，也可以同时对3个或3个以上的组间的鉴别进行判别分析。

(3)在上述各实施方式中，利用通过IR分光分析得到的吸收光谱进行鉴别，但是不限于此，也可以利用通过IR分光分析得到的透射光谱进行鉴别。

(4)在上述各实施方式中，测定波数4000cm^-1～600cm^-1范围内的吸收光谱，然后提取在分析中使用的规定波数范围内的光谱数据，但是不限于此，也可以仅测定分析中使用的1个或2个以上的规定波数范围内的吸收光谱。

(5)在上述各实施方式中，利用通过IR分光分析得到的吸收光谱进行鉴别，但是不限于此，也可以利用通过NIR分光分析得到的吸收光谱进行鉴别。在通过该NIR分光分析得到吸收光谱的情况下，可以与IR分光分析同样地使用FT/IR分光光度计，或者也可以使用FT/NIR分光光度计、色散型NIR分光光度计、色散型UV-VIS-NIR分光光度计等。另外，在NIR分光分析中使用这些分光光度计测定吸收光谱的情况下，通常使用漫反射法等。

(6)在上述各实施方式中，通过ATR法求出吸收光谱，但是不限于此，也可以通过其它方法、例如对比较纤维或被测纤维进行微细粉碎然后通过KBr片剂法等求出吸收光谱。

(7)在上述各实施例中，使用红外吸收大的波数范围的组合进行判别分析，提取认为特别有效的规定的波数范围，但是不限于此，也可以利用基于分析软件的波数范围的提取等来提取波数范围。

(8)在上述各实施例中，使用基于相互正交的第一轴和第二轴的组合的2维分析，但是不限于此，也可以使用相互正交的3个以上的轴以3维以上进行分析。

(9)在上述实施例1中，在天然纤维与再生纤维的鉴别中仅使用波数1200cm^-1～850cm^-1范围内的光谱数据，在上述实施例2中，仅使用波数1300cm^-1～900cm^-1，但是不限于此，例如也可以将波数3500cm^-1～3000cm^-1的范围内或其附近的范围内的光谱数据组合而使用。

(10)在上述实施例1中，在棉与麻类的鉴别中仅使用波数1400cm^-1～900cm^-1范围内的光谱数据，在上述实施例2中，使用波数1600cm^-1～1400cm^-1、波数1200cm^-1～1100cm^-1、波数1000cm^-1～800cm^-1的组合，但是不限于此，例如也可以将波数3500cm^-1～3000cm^-1的范围内或其附近的范围内的光谱数据组合而使用。

(11)在上述实施例1中，在亚麻与苎麻的鉴别中仅使用波数1400cm^-1～900cm^-1范围内的光谱数据，在上述实施例2中，使用波数1600cm^-1～1500cm^-1、波数1400cm^-1～1100cm^-1、波数1000cm^-1～900cm^-1的组合，但是不限于此，例如也可以将波数3500cm^-1～3000cm^-1的范围内或其附近的范围内的光谱数据组合而使用。

(12)在上述实施例1中，在再生纤维彼此的鉴别中仅使用波数1400cm^-1～900cm^-1范围内的光谱数据，在上述实施例2中，使用波数1500cm^-1～1400cm^-1、波数1300cm^-1～1000cm^-1、波数900cm^-1～800cm^-1的组合，但是不限于此，例如也可以将波数3500cm^-1～3000cm^-1的范围内或其附近的范围内的光谱数据组合而使用。

(13)在上述实施例1中，在铜氨丝与莱赛尔的鉴别中仅使用波数1400cm^-1～900cm^-1范围内的光谱数据，在上述实施例2中，使用波数1700cm^-1～1600cm^-1、波数1500cm^-1～1300cm^-1、波数1100cm^-1～1000cm^-1的组合，但是不限于此，例如也可以将波数3500cm^-1～3000cm^-1的范围内或其附近的范围内的光谱数据组合而使用。

产业上的可利用性

在市场上大量的纤维制品在广泛的用途中流通。另外，在纤维制品的生产地和消费地全球部署的今天，为了在纤维制品的进出口时确保交易的安全、可靠，期望在进出口时迅速且准确的鉴别方法。特别是期望化学组成相同的纤维素类纤维彼此的错误混入、化学组成相同的山羊绒等高级动物毛纤维与廉价的其它动物毛纤维的准确的鉴别。

本发明针对这样的市场要求提供准确的鉴别手段，另外，不像现有方法那样依赖于检查员的经验、专有技术。特别是能够客观地鉴别化学组成相同的纤维彼此的种类、并且即使进行了错误混入、伪装也能够得到准确的鉴别结果，这成为目前为止不曾有过的划时代的鉴别手段。

由此，本发明提供对市场的稳定、国际间的公正交易有效的鉴别手段，不仅仅限于补充作为现有方法的JIS L 1030-1(纤维制品的混用率试验方法-第一部：纤维鉴别)和JISL 1030-2(纤维制品的混用率试验方法-第二部：纤维混用率)的鉴别手段，能够提供能够作为国际标准利用的鉴别手段。

符号说明

1…棉，2…麻类，3…人造丝，4…铜氨丝，5…莱赛尔，6…结晶纤维素，

A～E…判别模型，

A1、A3…天然纤维的组，A2、A4…再生纤维的组，

B1、B3…棉的组，B2、B4…麻类的组，

C1、C3…亚麻的组，C2、C4…苎麻的组，

D1、D3…人造丝的组，D2、D4…铜氨丝和莱赛尔的组，

E1、E3…铜氨丝的组，E2、E4…莱赛尔的组，

G1～G5…区域，L1～L4…判别线，

X、Y…光谱数据，X₁、X₂…数据，

Z1～Z10…被测纤维。

Claims (16)

1.一种纤维鉴别方法，其为对纤维素类纤维、蛋白质类纤维等分类为同类的同类异种纤维进行鉴别的纤维鉴别方法，其中，

对于所要鉴别的2种(2组)以上的同类异种纤维，分别准备多条纤维种类已知的单一纤维作为比较纤维，对各比较纤维照射红外线或近红外线而求出各自的吸收光谱，

使用从这些吸收光谱得到的光谱数据X，进行根据式(1)求出组间分离且各组集中的轴w的判别分析，由所得到的得分图预先制作判别模型，

S_Bw＝λ(S_W+ζI)w…(1)

(在此，S_B·S_W为方差-协方差矩阵或变分矩阵，在使用方差-协方差矩阵的情况下，S_B为组间方差-协方差矩阵，S_W为组内方差-协方差矩阵，在使用变分矩阵的情况下，S_B为组间变分矩阵，S_W为组内变分矩阵，另一方面，ζ为正则化系数，I为单位矩阵)

接着，将纤维种类未知的纤维作为被测纤维，将以与所述判别模型的制作相同的方式由该被测纤维的光谱数据Y求出的得分套用至所述判别模型中，比对所述被测纤维属于哪一组，从而鉴别纤维的种类。

2.如权利要求1所述的纤维鉴别方法，其特征在于，

在所述判别模型的制作阶段，制作由各比较纤维的光谱数据X求出的得分图的等概率椭圆，

在所述被测纤维的鉴别阶段，将由该被测纤维的光谱数据Y求出的得分套用至所述等概率椭圆中，比对所述被测纤维属于哪一组。

3.如权利要求1所述的纤维鉴别方法，其特征在于，

在所述判别模型的制作阶段，根据由各比较纤维的光谱数据X求出的得分进行n维(n为1以上的整数)正态分布的推定，

在所述被测纤维的鉴别阶段，由从该被测纤维的光谱数据Y求出的得分计算出相对于所述n维正态分布的概率密度，由此比对所述被测纤维属于哪一组。

4.如权利要求1～3中任一项所述的纤维鉴别方法，其特征在于，

对所述比较纤维和被测纤维照射除近红外线以外的波数4000cm^-1～600cm^-1范围内的红外线而求出所述吸收光谱，

从这些吸收光谱提取规定波数范围内的吸收光谱而求出所述光谱数据X和Y。

5.如权利要求1～4中任一项所述的纤维鉴别方法，其特征在于，

在制作所述判别模型时，

在第一次判别分析中，由以各比较纤维的原始光谱数据作为数据X₁求出的第一轴w₁和数据X₁根据式(2)计算出数据X₁的第一轴坐标(w₁轴坐标)的值t₁，

t₁＝w₁ ^TX₁…(2)

(在此，w₁ ^T为w₁的转置向量)

根据式(3)求出从所述数据X₁中抽出w₁轴方向的信息后的数据X₂，

X₂＝X₁-w₁t₁…(3)

接着，在第二次判别分析中，由以光谱数据作为数据X₂求出的第二轴w₂和数据X₂根据式(4)计算出数据X₂的第二轴坐标(w₂轴坐标)的值t₂，

t₂＝w₂ ^TX₂…(4)

(在此，w₂ ^T为w₂的转置向量)

从而制作完成了正交分解的判别模型。

6.如权利要求5所述的纤维鉴别方法，其特征在于，

通过多次重复进行上述式(3)和式(4)的操作，制作3维以上的具有相互正交的轴坐标的判别模型。

7.如权利要求1～6中任一项所述的纤维鉴别方法，其特征在于，

对于纤维素类纤维而言，使用对下述各组合的2种(2组)比较纤维的光谱数据X进行判别分析而得到的各判别模型，将所述被测纤维的光谱数据Y套用至所述各判别模型中，比对所述被测纤维属于哪一组，从而鉴别纤维的种类，所述组合为：

(1)天然纤维与再生纤维，

(2)棉与麻类，

(3)亚麻与苎麻，

(4)粘胶类人造丝与铜氨人造丝或溶剂纺纤维素纤维，

(5)铜氨人造丝与溶剂纺纤维素纤维。

8.如权利要求1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的天然纤维与再生纤维的鉴别中，主要使用包含波数1300cm^-1～850cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

9.如权利要求1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的棉与麻类的鉴别中，主要使用包含波数1600cm^-1～800cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

10.如权利要求1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的再生纤维彼此的鉴别中，主要使用包含波数1600cm^-1～900cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

11.如权利要求1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的铜氨人造丝与溶剂纺纤维素纤维的鉴别中，主要使用包含波数1500cm^-1～800cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

12.如权利要求1～7中任一项所述的纤维鉴别方法，其特征在于，

在纤维素类纤维中的亚麻与苎麻的鉴别中，主要使用包含波数1700cm^-1～900cm^-1的范围内或者其附近的范围内的1组或2组以上的光谱数据来进行鉴别。

13.如权利要求1～12中任一项所述的纤维鉴别方法，其特征在于，

将所述式(1)中的正则化系数ζ的值设定在1～0的范围内而进行鉴别。

14.如权利要求1～13中任一项所述的纤维鉴别方法，其特征在于，

对纤维素类纤维中的比较纤维和被测纤维实施利用碱性物质进行的前处理，然后求出吸收光谱。

15.如权利要求1～14中任一项所述的纤维鉴别方法，其特征在于，

求出所述比较纤维和所述被测纤维的吸收光谱的方法为ATR法(全反射测定法)。

16.如权利要求1～15中任一项所述的纤维鉴别方法，其特征在于，

作为分类为所述纤维素类纤维的同类异种纤维，包含：棉、亚麻、苎麻、黄麻、大麻、粘胶人造丝、高湿模量人造丝、波里诺西克人造丝、铜氨人造丝以及溶剂纺纤维素纤维。