CN113092403A - 一种学生校服纺织品材料太赫兹光谱定性检测方法 - Google Patents

一种学生校服纺织品材料太赫兹光谱定性检测方法 Download PDF

Info

Publication number
CN113092403A
CN113092403A CN202110386341.7A CN202110386341A CN113092403A CN 113092403 A CN113092403 A CN 113092403A CN 202110386341 A CN202110386341 A CN 202110386341A CN 113092403 A CN113092403 A CN 113092403A
Authority
CN
China
Prior art keywords
textile material
terahertz
textile
absorbance
students
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
Application number
CN202110386341.7A
Other languages
English (en)
Other versions
CN113092403B (zh
Inventor
殷贤华
奉慕霖
陈涛
张活
张龙
张本鑫
赵汝文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110386341.7A priority Critical patent/CN113092403B/zh
Publication of CN113092403A publication Critical patent/CN113092403A/zh
Application granted granted Critical
Publication of CN113092403B publication Critical patent/CN113092403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
    • G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • 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
    • 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
    • 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
    • G01N2021/3572—Preparation of samples, e.g. salt matrices
    • 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
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Toxicology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种学生校服纺织品材料太赫兹光谱定性检测方法，先制作学生校服的不同纺织材料实验样品，后利用太赫兹时域光谱系统获取不同纺织材料的太赫兹吸光度光谱，并利用Krawtchouk矩提取太赫兹吸光度光谱的灰度图的特征信息，再将改进粒子群算法与支持向量机相结合建立定性模型，得到不同纺织材料的分类识别模型。采集学生校服上的纺织材料，并得到该学生校服上的纺织材料的特征信息，将学生校服上的纺织材料的特征信息送入到对应纺织材料的分类识别模型中进行定性检测。本发明能够利用太赫兹光谱对学生校服纺织品材料进行性检测，以确保中小学生校服质量，避免因校服质量而导致的中小学生安全事件发生。

Description

一种学生校服纺织品材料太赫兹光谱定性检测方法
技术领域
本发明涉及纺织材料鉴别技术领域，具体涉及一种学生校服纺织品材料 太赫兹光谱定性检测方法。
背景技术
随着纺织业的发展，混纺品种以及纺织品花色品种日益增多。不同纺织 品对其纺织材料的种类和含量都做出了严格规定，特别是在服装产业中，违 规纺织材料会对人体造成不同程度的损害，尤其是近几年中小学生校服因为 使用的纺织材料类别不符合标准而导致的质量问题屡有发生。为了保证学生 校服服装的产品质量，在其工厂生产和学校验收环节常常要对各种不同类型 的纤维材料进行鉴别。对学生校服常用的纺织材料进行系统鉴别是一项非常 重要的工作，生产原材料的正确识别可以避免学生校服生产时用错材料，避 免以次充好、以假乱真的原材料被学生校服制造商使用，从源头上保证校服 面料的质量。
然而，化学纤维的大量发展和混纺品种的日益增多使纺织品的花色品种 更为繁多，许多纺织材料的外观形态与内在性质有相似之处，尤其是成分相 似的纺织材料更是难以区分，不仅无法依靠人体感官进行区分。当前对纺织 品的检测往往需要多种化学方法联合使用，实验过程复杂，过于依赖专业实 验人员，各种方法间相互影响，检测结果的稳定性和准确率往往不高，而且 实验耗时长、成本高，经常会用到有毒有污染的化学溶剂，一旦处理不当就 会给环境和人类健康带来危害，不利于应用推广。
发明内容
本发明所要解决的是现有纺织品的检测方法实验过程复杂且需要依赖专 业实验人员才能实现的问题，提供一种学生校服纺织品材料太赫兹光谱定性 检测方法，以对学生校服的纺织材料进行物理鉴别，保证学生校服的产品质 量。
为解决上述问题，本发明是通过以下技术方案实现的：
一种学生校服纺织品材料太赫兹光谱定性检测方法，包括步骤如下：
步骤1、在空载情况下，利用透射式太赫兹时域光谱系统进行测试，得 到基准时域信号；再将基准时域信号通过快速傅里叶变换转变为基准频域信 号；
步骤2、先将学生校服的各个纺织材料的样品分别熨烫平整，并放入真 空恒温干燥箱中进行干燥，再分别在每片纺织材料的样品的底部和顶部平铺 聚乙烯粉末，并将其放在压片机下压成薄片，由此得到各个纺织材料的实验 样品；
步骤3、分别将各个纺织材料的实验样品放置在透射式太赫兹时域光谱 系统中进行测试，得到各个纺织材料的纺织材料时域信号；再分别将各个纺 织材料的纺织材料时域信号通过快速傅里叶变换转变为对应的各个纺织材料 的纺织材料频域信号；
步骤4、分别利用步骤3所得的各个纺织材料的纺织材料频域信号与步 骤1所得的基准频域信号，得到各个纺织材料的纺织材料太赫兹吸光度，并 利用各个纺织材料的纺织材料太赫兹吸光度构建各个纺织材料的太赫兹吸光 度光谱；
步骤5、分别将各个纺织材料的太赫兹吸光度光谱转换为太赫兹吸光度 的灰度图，并利用Krawtchouk矩提取太赫兹吸光度的灰度图的特征信息，得 到各个纺织材料的特征信息；
步骤6、分别利用各个纺织材料的特征信息对支持向量机模型进行训练， 并利用改进粒子群算法对支持向量机模型进行优化训练，在优化训练过程中， 让惯性权重随迭代次数变化，由此得到各个纺织材料的分类识别模型；其中 惯性权重随迭代次数变化的公式为：
Figure BDA0003015162700000021
式中，w表示当前迭代次数下的惯性权重，wmax表示设定的惯性权重的 最大值，wmin表示设定的惯性权重的最小值，t表示当前迭代次数，tmax表示 设定的迭代次数的最大值；
步骤7、采集学生校服上的待测纺织材料，并将该待测纺织材料熨烫平 整，并放入真空恒温干燥箱中进行干燥，再在每片待测纺织材料的底部和顶 部平铺聚乙烯粉末，并将其放在压片机下压成薄片，由此得到待测纺织材料 的取样品；
步骤8、将待测纺织材料的取样品放置在透射式太赫兹时域光谱系统中 进行测试，得到待测纺织材料的纺织材料时域信号；再将待测纺织材料的纺 织材料时域信号通过快速傅里叶变换转变为待测纺织材料的纺织材料频域信 号；
步骤9、利用步骤8所得的待测纺织材料的纺织材料频域信号与步骤1 所得的基准频域信号，得到待测纺织材料的纺织材料太赫兹吸光度，并利用 待测纺织材料的纺织材料太赫兹吸光度构建待测纺织材料的太赫兹吸光度光 谱；
步骤10、将待测纺织材料的太赫兹吸光度光谱转换为太赫兹吸光度的灰 度图，并利用Krawtchouk矩提取太赫兹吸光度的灰度图的特征信息，得到待 测纺织材料的特征信息；
步骤11、将步骤10所得的待测纺织材料的特征信息送入到步骤6所得 的对应纺织材料的分类识别模型中进行定性检测，以确定学生校服上的纺织 材料是否为预定的纺织材料。
上述方案中，学生校服的纺织材料包括聚丙烯腈、聚酯、粘纤、棉、蚕 丝和羊毛。
上述步骤4和步骤9中，纺织材料太赫兹吸光度absorbance为：
Figure BDA0003015162700000031
式中，Esam(ω)表示纺织材料的频域信号，Eref(ω)表示基准频域信号，ω是 太赫兹波振动的角频率。
与现有技术相比，本发明具有如下特点：
本技术方案最关键创新点：
1、利用太赫兹时域光谱对学生校服生产中常用的6种纺织品材料进行分 类识别，实现了6种纺织品的快速、准确、安全、环保、节能的定性检测。
2、利用krawtchouk图像矩提取样片吸光度光谱灰度图像提取特征信息， 并使用改进的PSO算法对SVM定性模型进行优化，获得了较好的定性检测 结果。
3、引入线性变化权重，对PSO算法进行改进，解决了PSO算法容易早 收敛和后期易在全局最优解附近产生振荡的问题，提高了PSO算法的寻优能 力，以此对SVM定性模型进行优化，进一步提高了其定性检测的准确率。
4、提出了利用多层纺织品进行压片制作样品的方法，实行了纺织品的快 速检测。
附图说明
图1为一种学生校服纺织品材料太赫兹光谱定性检测方法的流程图。
图2为透射式THz-TDS系统原理图。
图3为六种纺织品太赫兹时域光谱。
图4为六种纺织品吸光度图。
图5为吸光度三维光谱灰度图构建过程，(a)吸光度光谱，(b)三维吸 光度谱，(c)吸光度光谱灰度图。
图6为MPSO-SVM的基本流程图。
图7为混淆矩阵示意图。
图8为6类纺织品定性检测结果混淆矩阵图，(a)SVM，(b)GS-SVM， (c)GA-SVM，(d)PSO-SVM，(e)IMPSO-SVM。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例， 对本发明进一步详细说明。
太赫兹(terahertz，简称THz)波通常是指频率在0.1-10THz(波长为 3mm-30um)之间的电磁辐射，介于微波与红外之间。太赫兹技术近些年之所 以慢慢被人们所关注，主要是由于大多数的物质在太赫兹波这一频段内有独 特的响应。与其他波段的电磁波相比较，太赫兹波有以下独特的性能：1)瞬 态性：THz脉冲的脉宽是处于亚皮秒量级的，这个量级的脉冲可以在很大程 度上抑制背景辐射带来的噪声干扰，拥有更好的稳定性。2)宽频带：很多大 分子物质的振动能级和转动能级都在太赫兹脉冲的频率范围之内的，即在几 THz到几十THz之间，所以，太赫兹技术可以在很大的范围内对物质的光谱 性质进行分析。3)相干性：太赫兹时域光谱技术可以将太赫兹波的时域电场 直接测量出来，这与传统的光学检测方法不大相同，其次通过傅立叶变换将 信号从时域转到频域中去，得到THz波的幅值及相位。4)低能性：1THz的 光子能量仅为4.1meV，约等于X光能量的百万分之一。
鉴于太赫兹所具有的独特的性能，本发明发现学生校服纺织品材料的分 子振动与转动能级处于THz波段，对THz波的吸收和谐振很强，“指纹”特 性明显的特点，通过特征频谱可以实现对中小学生校服纺织品材料混合物进 行无损检测。为此，本发明提出了一种学生校服纺织品材料太赫兹光谱定性 检测方法，如图1所示，其具体包括步骤如下：
准备阶段：在空载(即不放入任何东西)情况下，利用透射式太赫兹时 域光谱系统进行测试，得到基准时域信号；再将基准时域信号通过快速傅里 叶变换转变为基准频域信号。
阶段一：利用给定的纺织材料的样品训练分类识别模型。
(1)制作学生校服的不同纺织材料的实验样品。
本次实验选取的纺织样品可分成两类：一种是天然纤维，分别为棉、蚕 丝和羊毛；另一种是化学纤维，分别是聚丙烯腈、聚酯和粘纤。这6种纺织 品布料均由国家橡胶及橡胶制品质量监督检验中心(桂林市)提供，符合国 家生产标准，因此选用作为本实验样品。
实验前先把布料用熨斗熨平整，然后再将其放在YB-1A型真空恒温干燥 箱中，在50摄氏度下干燥1-2小时，以减小水分对THz波的影响。实验采用 压片法制作样品，首先将纺织品剪成圆形片状，半径为6mm左右，为了保证 采集到样品信息，每个样片放入3片纺织品布料，然后用电子天平秤取一定 量(100mg左右)的聚乙烯粉末，最后在专用压片模具中将等量的聚乙烯粉 末平铺在纺织品的底部和顶部，放在压片机下压成薄片。制作成功的样片为 表面光滑、厚度均匀的圆形薄片，厚度为1mm左右，半径为6.5mm。实验分 别制备了6种不同纺织品的实验样品，每种材料制作24个样品，制备情况如 表1所示。
表1不同种类纺织品样片的制备
Figure BDA0003015162700000041
Figure BDA0003015162700000051
(2)获取不同纺织材料的实验样品的太赫兹吸光度光谱。
本发明所获得的实验数据都是透射式太赫兹时域光谱系统测得的，整个 系统主要由飞秒激光器、THz波产生装置、THz波探测装置和时间延迟控制 系统组成。该透射式太赫兹时域光谱系统的原理图如图2所示，首先，激光 器产生波长为780nm的飞秒激光脉冲，飞秒激光脉冲经过1/2波片(HWP) 后被分束棱镜(CBS)分成了两束光：一路是探测光，一路是泵浦光。探测 脉冲根据电光采样原理探测太赫兹波的电场强度，用来对太赫兹探测装置进 行驱动；泵浦光入射在光导天线上，从而激发产生太赫兹波。随后，太赫兹 波在实验检测样品上聚焦，携带了所测样本信息的太赫兹波聚焦在ZnTe上， 最终，信号通过锁相放大器后利用计算机进行数据采集，最后将所采集到的 微弱信号经锁相放大器放大后输入到计算机。太赫兹软件检测系统是通过 LabVIEW控制的，通过在界面设置相关参数并进行正确的检测操作，我们就 得到了所测样本的太赫兹波谱信息了。实验时往盒中不断充入干燥空气以减 少水蒸气对THz波的影响。盒子上方有专门的开口可供放入样品，测试时盖 上盖子使箱内湿度保持在5％以下。
经过THz-TDS系统采集后得到样品的时域光谱图如图3所示，图中 ReferenceSignal为参考信号，PAN为聚丙烯腈，PET为聚酯，VF为粘纤， COT为棉，SIL为蚕丝，FUR为羊毛。从时域波光谱图中可以看出，各纺织 材料样品的时域光谱信号的幅值都比参考信号小，这是因为各纺织材料样品 自身对太赫兹脉冲信号具有吸收作用，使得照射在纺织材料样品上的太赫兹 信号有所衰减，但各纺织材料样品间的特性不同，对太赫兹脉冲信号的吸收 情况也不同，这就造成了各纺织品样品幅值上的差异。同时各纺织材料样品 的时域波形峰位都产生了不同程度的位移，则是纺织材料样品自身的折射率 导致的。
用THz-TDS装置对6种不同种类的纺织品样品进行测量，每个样品扫描 6次，得到的数据取平均值以降低随机误差的影响，整理后分别得到空气和 混合物的太赫兹时域光谱信号。时域光谱信号可通过快速傅里叶变换转变为 相对应的太赫兹频域光谱信号。为了避免样品的厚度对光谱分析产生影响， 采用相对量，无纲量的吸光度来处理实验数据。吸光度表示光波被材料吸收 的程度，计算公式为：
Figure BDA0003015162700000052
其中，absorbance表示某一纺织材料的太赫兹吸光度，Esam(ω)表示某一纺 织材料的频域信号(其是通过在透射式太赫兹时域光谱系统中放置某一种纺 织材料所得到)，Eref(ω)表示基准频域信号(其是通过在透射式太赫兹时域光 谱系统中不放置任何纺织材料所得到)，ω是太赫兹波振动的角频率。
6种纺织品吸光度图如图4所示，由图可知：6种纺织品的吸光度光谱均 存在三个以上明显的吸收峰，其中聚酯光谱吸收峰幅值最大，然后依次为粘 纤，蚕丝，聚丙烯腈，羊毛和棉；在低频段时，聚丙烯腈、羊毛、棉和蚕丝 的吸收峰的位置是相对接近的，而在1.3-1.5THz频段内就呈现出较明显的不 吸收差异特性。
对于化学纤维类的聚丙烯腈、聚酯和粘纤来说，聚丙烯腈和粘纤在0.5THz、0.66THz、0.95THz、1.11THz、1.24THz和1.4THz处均出现了吸收峰，且两 者波形幅值相差较大；而聚酯只在0.64THz、0.9THz和1.23THz处出现了吸 收峰，且1.23THz处的吸收峰非常明显。这是因为聚丙烯腈和聚酯是合成纤 维，聚丙烯腈和聚酯在组成成分和生产工艺上更加接近，而粘纤是人造纤维， 在原料组成以及生产工艺相差较大，导致了上述的差异。
对于天然纤维类的羊毛、棉和蚕丝织品来说，三者吸收峰幅值比较接近， 吸收峰位置也比较接近：均在0.5THz、0.66THz、0.95THz、1.1THz、1.24THz 和1.7THz附近，但在1.31-1.47THz频段内可以分辨出蚕丝织品的峰值最大， 棉的次之，羊毛的最小。除了峰值上的接近外，峰值的变化趋势也是十分接 近的。棉的吸光度光谱吸收峰幅值与位置与羊毛、蚕丝这两者的相差较大， 而羊毛和蚕丝的吸收峰幅值和位置非常接近，它们的曲线有很多地方是近乎 重合的，说明它们的吸收度相似度很高。羊毛和蚕丝的吸收度波形之所以如 此相似，由二者组成成分可以看出：主要构成成分都是蛋白质；而棉的主要 是由纤维素构成，在物质组成上的差异使得它和羊毛、蚕丝织品的吸收峰幅 值及位置存在稍微的不同。
(3)利用Krawtchouk矩提取不同纺织材料的吸光度光谱的灰度图的特 征信息。
将所有样品吸光度光谱构建成三维谱灰度图时，理论上只要对样本的吸 光度谱重复一次，用两条吸光度谱就可以构建出样本的太赫兹三维光谱，重 复次数只是改变了所构建样本太赫兹三维光谱的大小，并不会影响三维光谱 中所包含样本信息量和信号间的内在联系，构建过程如图5所示。
Krawtchouk矩是由Krawtchouk多项式作为基函数的一组离散正交矩，其 定义域与图像坐标空间一致，计算时不需要空间变换，且不会因离散化带来 近似误差。同时它还具有从图像的任意感兴趣区域提取局部特征的能力，这 是其他图像矩所不具备的。其定义和计算过程的简要介绍如下：
对于给定大小为N×M的图像，其灰度函数用f(x,y)表示，则该图像的 m+n阶Krawtchouk矩可表示为：
Figure BDA0003015162700000061
其中，
Figure BDA0003015162700000062
是第n阶加权的Krawtchouk多项式
Figure BDA0003015162700000063
n阶离散Krawtchouk多项式定义为
Figure BDA0003015162700000071
其中，x,n＝0,1,…,N,N>0,p∈(0,1)。2F1(a,b；c；z)是超几何函数， (a)k是Pochhammer操作数，它们的定义分别为
Figure BDA0003015162700000072
Figure BDA0003015162700000073
其中，(N+1)个Krawtchouk多项式{Kn(x；p,N)}构成一个离散的加权基 函数集合，加权函数为
Figure BDA0003015162700000074
同时满足正交条件
Figure BDA0003015162700000075
Figure BDA0003015162700000076
其中，n,m＝0,1,…,N。为了确保计算过程中数值的稳定性，要对多项 式{Kn(x；p,N)}进行归一化处理，而且加权函数的平方根也被引入作为缩放因 子，从而构成了更加稳定的加权的Krawtchouk多项式。
从式(2)可知，可通过选择合适的参数p1和p2对感兴趣的图像区域进 行任意阶Krawtchouk矩的计算，且参数p1∈(0，1)，p2∈(0，1)。一般地， p1定位的是感兴趣区域水平方向的中心，当p1的值从0到1变化时图像定位 中心从左向右移；p2定位的是感兴趣区域垂直方向的中心，当p2的值从0到 1变化时图像定位中心顶端移到底端。当感兴趣区域的中心位置为(x,y)时， 有
Figure BDA0003015162700000077
其中，x为中心位置的频率值，y为中心位置的吸光度值，X为图像x轴 的最大频率值，Y为图像y轴的最大吸光强度值。由于低阶Krawtchouk矩提 取的是图像感兴趣区域的特征，高阶矩提取的是图像其他部分的特征，因此， 可以通过选择还是的参数p1、p2以及阶数就能把感兴趣的图像特征提取出来。
从图5可知，6种纺织品的明显的特征吸收峰出现在1.0-1.5THz频段内， 在提取构建的所有样品灰度图(如图所示)过程中，通过多次计算取参数 p1＝1.25/1.6＝，p2＝0.5，而发现阶数取N＝7，M＝16时，利用计算得到的特征 信息结合IMPSO-SVM模型对纺织品进行分类识别，得到的结果较好。
(4)利用不同纺织材料的特征信息对支持向量机模型进行训练，并利用 改进粒子群算法对支持向量机模型进行优化训练，得到不同纺织材料的分类 识别模型。
支持向量机(Support Vector Machines，SVM)作为经典的机器学习算法， 在1995年被Vapnik正式提出。SVM在解决非线性、小样本和高维模式中表 现出独特的优势，其机理是寻找精确分类的超平面并使超平面两侧的空白区 域最大化，不仅解决了线性数据的最优分类，还通过核函数的引入实现了非 线性可分数据的最优分类。
以二分类问题为例，对于线性可分数据，给定训练样本集(xi,yi),i＝ 1,2,…,l,x∈Rn,y∈{±1}(i为样本数，y为-1代表一类，y为1代表另一类)， 超平面记作f(x)＝(wT·x)+b＝0，该超平面满足约束yi[(wT·xi)+b]≥1， 可以计算出分类间隔为2/||w||，由此可知寻找最优超平面问题转化为如下目 标问题：
Figure BDA0003015162700000081
其中，w和b为f(x)的法向量和截距，为对于无法找到完美的超平面的 线性不可分数据，则需要引入新的约束因子：松弛因子εi，实现分类超平面 的微调整，通过牺牲部分样本来构建最佳分类面，此时原始约束条件转化为：
yi[(wT·xi)+b]≥1-εi，εi≥0，i＝1,2,…,l (12)
对应的目标函数转化为：
Figure BDA0003015162700000082
其中，C表示用来控制对错误分类的惩罚程度的惩罚因子，
Figure BDA0003015162700000083
表示 训练样本错误划分的上界。
上述主要解决线性不可分问题，但是对于数据集更普遍的非线性可分问 题，则需要寻找更具有普适性的分类超平面。随后的研究中，将核函数引入 到传统的支持向量机算法中，从而实现非线性分类问题到高维特征空间问题 的转化，以及学习器的多分类。假设存在非线性映射
Figure BDA0003015162700000084
实现原始样 本的高维特征空间的映射，对应公式(12)的约束条件转化为：
Figure BDA0003015162700000085
然后通过引入拉格朗日乘数法，将上述约束条件融入原始的目标函数， 从而向无约束问题进行转化，构造新的目标函数如下所示：
Figure BDA0003015162700000086
其中，αi和βi为拉格朗日乘子，且αi≥0，βi≥0。
上式分别对w,b,εi求偏导并令导数为0，将求导的结果代入公式(15)中， 可将原问题对偶化，得到新的目标函数：
Figure BDA0003015162700000091
其中，j＝1,2,…,l,j≠i，通过公式(4-7)可以求得拉格朗日乘子αi， 约束条件内所对应的样本即为支持向量(即αi>0所对应的样本)，由此可得 出最优分类超平面和决策函数分别为：
Figure BDA0003015162700000092
Figure BDA0003015162700000093
其中，
Figure BDA0003015162700000094
为核函数，这里选用应用广泛的高斯核函 σ(如公式19所示)，利用公式(18)便可实现实验样本的预测分类。
Figure BDA0003015162700000095
粒子群算法(Particle Swarm Optimization，PSO)作为一种群智能优化算 法，因其优良的寻优特性，被应用在各种工程实践中。PSO的数学原理为： 假设存在种群X＝{x1,x2,…,xk}，该种群包含k个粒子，其中第m个粒子的位 置xm和速度vm表示为：
Figure BDA0003015162700000096
其中，n表示粒子搜索空间的维数。
假设xm粒子搜索到的局部最优值和全局最优值分别为ph和pg，则其对应 的速度和位置更新公式如下所示：
Figure BDA0003015162700000097
Figure BDA0003015162700000098
其中，m＝[1,k],d＝[1,n]，t表示当前进化代数，w表示惯性权重，c1和 c2表示学习因子，r1和r2表示[0,1]上服从均匀分布的伪随机数。
由于较大的权重因子有利于跳出局部最小点，便于全局搜索，而较小的 惯性因子则有利于对当前搜索区域进行精确局部搜索，以利于算法收敛。因 此针对PSO算法容易早熟以及算法后期易在全局最优解附件产生振荡的现象， 采用线性变化的权重，让惯性权重从最大值减小到最小值，惯性权重随迭代 次数变化的公式为：
Figure BDA0003015162700000099
其中，wmax表示设定的惯性权重的最大值，wmin表示设定的惯性权重的 最小值，通常取wmax＝0.9，wmin＝0.4；t表示当前的迭代次数，tmax表示 设定的迭代次数的最大值。
本发明通过改进的MPSO算法与SVM的结合，提出改进的粒子群优化 支持向量机(IMPSO-SVM)分类模型，主要是对支持向量机中比较重要的参 数——惩罚参数C和核函数参数σ进行了优化。由于参数σ作用于原始维度的 数据映射到高维空间后的数据分布与惩罚参数的作用类似，而过大的核函数 参数会降低模型的泛化能力，过小的核函数参数会影响模型的稳定性，降低 分类正确率。IMPSO以分类准确率作为适应度函数对SVM的惩罚参数C和 核函数参数σ进行迭代寻优，构建识别正确率更高的分类模型。如图6，改进 粒子群算法优化支持向量机(IMPSO-SVM)的步骤为：
1)参数初始化。一般初始化学习因子常数为c1＝1.5，c2＝1.7，最大迭代 次数为100，种群数量设置为20，SVM中惩罚因子C和核函数参数σ的初始 空间设置为[10-2,102]；
2)评价种群，以SVM的分类正确率作为评价粒子适应度的标准；
3)基于公式(23)，根据迭代次数的变化使惯性权重线性减小；
4)比较粒子的适应度和最优位置，得出当前最优解，若当前位置优于ph， 则将当前位置作为ph；比较粒子的适应度值和种群最优值，若当前最优值优 于pg，则将当前最优值作为pg；
5)迭代更新全体粒子的位置、速度，再次进行比较，找到新的ph和pg， 直到迭代的数值与设置的迭代次数相等，结束粒子群算法，输出最优解。
阶段二、采集学生校服上的纺织材料，并利用阶段一所得到的分类识别 模型对其进行定性检测。
采集学生校服上的纺织材料，并对该采集所得到的学生校服上的纺织材 料进行阶段一中的步骤(1)-(3)的处理，得到该纺织材料的特征信息，并 将该纺织材料的特征信息送入到阶段一中步骤(4)所得到的对应纺织材料的 分类识别模型中进行定性检测，以确定学生校服上的纺织材料是否为预定的 纺织材料。
为了能更好地验证本发明建立的IMPSO-SVM模型的性能，本发明使用 SVM、GS-SVM、GA-SVM和PSO-SVM这四个分类识别模型对6种纺织品 的光谱数据进行建模并分别记录分类结果，然后与IMPSO-SVM模型得到的 结果进行对比。建模时，从每种纺织品数据(总共24个数据，两两相加取平 均后为12个)中随机选取2/3的数据作为校正集用于模型的建立，剩余的1/3 作为预测集用于模型的检验。
混淆矩阵(Confusion Matrix)可以直观的衡量分类模型的优劣，是机 器学习中常用的数据可视化工具。设实验样本有i类，则其i分类混淆矩阵 如图7所示。通常，矩阵的行表示样本的真实类别，矩阵的列表示分类模型 的预测结果。其中每行的和表示该样品所对应的类别的真实样本数，如S1类 的真实样本数为N11+N12+…+N1u+…N1i；每列的和为预测为该类的样本 总数，如预测为S1的样本总数为N11+N21+…+Nu1+…Ni1。
更进一步，基于混淆矩阵的查全率和查准率是两个比较常用的指标，其 计算公式如下所示：
Figure BDA0003015162700000101
Figure BDA0003015162700000111
其中，Ru表示查全率Ru：第u类实验样本的模型预测结果与真实数量的 比值，衡量分类模型识别相关种类能力的尺度；Pu表示查准率：第u类实验 样本数的正确分类数与该类样本的实际数量的比值，表示模型识别某个种类 的精确度。
为了更加准确地对6种不同材料的纺织品分类，本发明采用IMPSO-SVM 进行精确定性检测，为降低随机误差的影响，6种纺织品共144个样本数据 中，两两取平均获得72个数据，其中用48个样本数据进行模型训练，剩余 24个样本数据进行测试。利用SVM、GS-SVM、GA-SVM、PSO-SVM和 IMPSO-SVM五种模型对以上数据集进行定性检测，以定性准确率作为适应 度，通过GS、GA、PSO和IMPSO算法对支持向量机的参数进行寻优，结果 如表2所示。基于表2中的参数，5种模型定性结果的混淆矩阵如图8所示。
表2五种定性模型参数选取结果
Figure BDA0003015162700000112
使用SVM、GS-SVM、GA-SVM、PSO-SVM和IMPSO-SVM这5个定 性模型检测6类纺织品，定性检测结果混淆矩阵分别如图8(a)～(e)所示。 如图8(a)所示，SVM定性模型混淆矩阵一共正确识别20个样本，错误识 别4个样本，其中聚丙烯腈、聚酯、粘纤和蚕丝的样本全部正确识别，三个 棉样本、一个羊毛样本正确识别；如图8(b)所示，GS-SVM定性模型混淆 矩阵与SVM一致，其识别结果情况相同；如图8(c)所示，GA-SVM定性 模型混淆矩阵共正确识别22个样本，错误识别2个样本，其中聚丙烯腈、聚 酯、粘纤、棉和蚕丝的样本全部正确识别，两个羊毛样本正确识别；如图8 (d)所示，PSO-SVM定性模型混淆矩阵与GA-SVM一样，故其识别结果情 况也相同的；如图8(e)所示，IMPSO-SVM定性模型混淆矩阵共正确识别 23个样本，错误识别1个样本，其中聚丙烯腈、聚酯、粘纤、棉和蚕丝的样 本全部正确识别，3个羊毛样本正确识别，综合而言，IMPSO-SVM模型定性 检测正确率最高。
根据SVM、GS-SVM、GA-SVM、PSO-SVM和IMPSO-SVM这5个模 型定性结果的混淆矩阵可以计算出各类纺织材料的查全率和查准率，其结果 如表3所示。
表3五种算法分类结果的查全率和查准率
Figure BDA0003015162700000121
由表可知，IMPSO-SVM模型得到的定性检测结果中聚丙烯腈、聚酯、 粘纤、棉、蚕丝的查全率都是100％，羊毛的查全率是75％，总体上比其余模 型得到的查全率更高一些；聚丙烯腈、粘纤、棉、蚕丝和羊毛的查准率均为 100％，聚酯的查准率为80％，总体上的查准率也比其他模型高。因此，综合 而言，IMPSO-SVM定性模型的查全率和查准率均高于其它模型，说明对粒 子群算法的改进效果显著，切实提高了定性检测的准确率。
本发明利用THz波具有很强的穿透力，能更有效地识别目标的微细结构 和微动特性，不管是对不同种类还是组成成分类似的纺织品，都能根据被测 样品的“指纹”特性进行鉴别，且适用的范围较广；在实验前期的工作中， 采用压片法将添加了易成片的聚乙烯(对实验不产生影响)的多层纺织品制 作实验样片，此方法制备过程简单快捷，无经验的实验人员也能很快制作出 合格的样品；在光谱特征信息提取方面，采用Krawtchouk图像矩对构建的吸 光度灰度图进行提取，使建立的模型性能更优，且由验证结果可知，此方法 在检测过程中不需要其他方法辅助鉴别就能得到较好的检测效果。因此，利 用太赫兹光谱建立定性模型，对学生校服常用的6种纺织品材料(聚丙烯腈、 聚酯、粘纤、棉、蚕丝和羊毛)进行检测是一种快速、准确、安全、环保、 节能的检测方法。
本发明中，太赫兹时域光谱技术相较于传统检测方法有以下优点：(1) 是一种高效、准确的物质检测方法，无需其他方法辅助鉴别；(2)适用范围 广，太赫兹时域光谱技术采用了相干测量技术，具有很高的探测灵敏度和较 宽的探测带宽，对单一组分或多组分纺织物都能进行准确检测；(3)实验过 程简单：前期只要按标准制备出样品，入实验箱后1min就能获取具有样品“指 纹”特性的光谱信息，整个过程大约10分钟，并不需要具有丰富相关经验的 人员操作；(4)运用Krawtchouk图像矩提取样品光谱特征，提高了模型的性 能；(5)环保：无需使用化学试剂，避免了实验过程中产生有毒有害气体以 及试剂和有毒有害气体处理不当的情况；(6)节能：无高温、高压等实验条 件要求，也无需使用化学试剂，在一定程度上减少了物资的消耗，节约了能 源；(7)检测环境安全：传统方法中某些操作步骤需要在高温或者高压环境 下进行，而本发明中只需要在太赫兹仪器设备正常工作状态下进行更换样品 和使用计算机的操作，就能获得样品的太赫兹光谱数据。
在获得样品太赫兹光谱后，利用Krawtchouk图像矩提取样片吸光度灰度 图像提取特征信息并建立PSO-SVM分类识别模型，且在此基础上引入了改 进的粒子群算法(IMPSO)，把惯性权重设置为线性权重，根据迭代过程中得 到的结果调整线性权重的大小，最终得到近优解。在与GS-SVM、GA-SVM 和PSO-SVM比较后，可知IMPSO-SVM模型性能更优。因此，利用太赫兹 光谱建立分类识别模型，对6类不同纺织品的检测是一种快速、准确、安全、环保、节能的检测方法。
在模型的优化上，首先利用PSO算法对SVM定性模型进行优化，获得 了较好的定性检测结果；然后，引入线性变化权重，对PSO算法进行改进， 解决了PSO算法容易早收敛和后期易在全局最优解附近产生振荡的问题，提 高了PSO算法的寻优能力，以此对SVM定性模型进行优化，进一步提高了 其定性检测的准确率，使中小学生校服生产常用的6种纺织品材料的定性检 测达到了较理想的结果。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是 对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本 发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施 方式，均视为在本发明的保护之内。

Claims (3)

1.一种学生校服纺织品材料太赫兹光谱定性检测方法，其特征是，包括步骤如下：
步骤1、在空载情况下，利用透射式太赫兹时域光谱系统进行测试，得到基准时域信号；再将基准时域信号通过快速傅里叶变换转变为基准频域信号；
步骤2、先将学生校服的各个纺织材料的样品分别熨烫平整，并放入真空恒温干燥箱中进行干燥，再分别在每片纺织材料的样品的底部和顶部平铺聚乙烯粉末，并将其放在压片机下压成薄片，由此得到各个纺织材料的实验样品；
步骤3、分别将各个纺织材料的实验样品放置在透射式太赫兹时域光谱系统中进行测试，得到各个纺织材料的纺织材料时域信号；再分别将各个纺织材料的纺织材料时域信号通过快速傅里叶变换转变为对应的各个纺织材料的纺织材料频域信号；
步骤4、分别利用步骤3所得的各个纺织材料的纺织材料频域信号与步骤1所得的基准频域信号，得到各个纺织材料的纺织材料太赫兹吸光度，并利用各个纺织材料的纺织材料太赫兹吸光度构建各个纺织材料的太赫兹吸光度光谱；
步骤5、分别将各个纺织材料的太赫兹吸光度光谱转换为太赫兹吸光度的灰度图，并利用Krawtchouk矩提取太赫兹吸光度的灰度图的特征信息，得到各个纺织材料的特征信息；
步骤6、分别利用各个纺织材料的特征信息对支持向量机模型进行训练，并利用改进粒子群算法对支持向量机模型进行优化训练，在优化训练过程中，让惯性权重随迭代次数变化，由此得到各个纺织材料的分类识别模型；其中惯性权重随迭代次数变化的公式为：
Figure FDA0003015162690000011
式中，w表示当前迭代次数下的惯性权重，wmax表示设定的惯性权重的最大值，wmin表示设定的惯性权重的最小值，t表示当前迭代次数，tmax表示设定的迭代次数的最大值；
步骤7、采集学生校服上的待测纺织材料，并将该待测纺织材料熨烫平整，并放入真空恒温干燥箱中进行干燥，再在每片待测纺织材料的底部和顶部平铺聚乙烯粉末，并将其放在压片机下压成薄片，由此得到待测纺织材料的取样品；
步骤8、将待测纺织材料的取样品放置在透射式太赫兹时域光谱系统中进行测试，得到待测纺织材料的纺织材料时域信号；再将待测纺织材料的纺织材料时域信号通过快速傅里叶变换转变为待测纺织材料的纺织材料频域信号；
步骤9、利用步骤8所得的待测纺织材料的纺织材料频域信号与步骤1所得的基准频域信号，得到待测纺织材料的纺织材料太赫兹吸光度，并利用待测纺织材料的纺织材料太赫兹吸光度构建待测纺织材料的太赫兹吸光度光谱；
步骤10、将待测纺织材料的太赫兹吸光度光谱转换为太赫兹吸光度的灰度图，并利用Krawtchouk矩提取太赫兹吸光度的灰度图的特征信息，得到待测纺织材料的特征信息；
步骤11、将步骤10所得的待测纺织材料的特征信息送入到步骤6所得的对应纺织材料的分类识别模型中进行定性检测，以确定学生校服上的纺织材料是否为预定的纺织材料。
2.根据权利要求1所述的一种学生校服纺织品材料太赫兹光谱定性检测方法，其特征是，学生校服的纺织材料包括聚丙烯腈、聚酯、粘纤、棉、蚕丝和羊毛。
3.根据权利要求1所述的一种学生校服纺织品材料太赫兹光谱定性检测方法，其特征是，步骤4和步骤9中，纺织材料太赫兹吸光度absorbance为：
Figure FDA0003015162690000021
式中，Esam(ω)表示纺织材料的频域信号，Eref(ω)表示基准频域信号，ω是太赫兹波振动的角频率。
CN202110386341.7A 2021-04-12 2021-04-12 一种学生校服纺织品材料太赫兹光谱定性检测方法 Active CN113092403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386341.7A CN113092403B (zh) 2021-04-12 2021-04-12 一种学生校服纺织品材料太赫兹光谱定性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386341.7A CN113092403B (zh) 2021-04-12 2021-04-12 一种学生校服纺织品材料太赫兹光谱定性检测方法

Publications (2)

Publication Number Publication Date
CN113092403A true CN113092403A (zh) 2021-07-09
CN113092403B CN113092403B (zh) 2022-07-01

Family

ID=76676200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386341.7A Active CN113092403B (zh) 2021-04-12 2021-04-12 一种学生校服纺织品材料太赫兹光谱定性检测方法

Country Status (1)

Country Link
CN (1) CN113092403B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504200A (zh) * 2021-08-04 2021-10-15 桂林电子科技大学 一种基于太赫兹时域光谱的香豆素类食品添加剂鉴别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070252596A1 (en) * 2006-05-01 2007-11-01 Canon Kabushiki Kaisha Method and apparatus for analyzing sample utilizing nuclear magnetic resonance under terahertz-wave irradiation
CN101876633A (zh) * 2009-11-13 2010-11-03 中国矿业大学 一种基于太赫兹时域光谱的纺织纤维鉴别方法
CN103308473A (zh) * 2013-05-11 2013-09-18 浙江理工大学 利用太赫兹时域光谱技术鉴别竹麻纤维的方法
WO2014153423A2 (en) * 2013-03-19 2014-09-25 Cireca Theranostics, Llc Method and system for analyzing biological specimens by spectral imaging
CN104266993A (zh) * 2014-08-28 2015-01-07 北京环境特性研究所 基于太赫兹频段的物品特征提取方法和装置
CN105372202A (zh) * 2015-10-27 2016-03-02 九江学院 转基因棉花品种识别方法
WO2020104011A1 (de) * 2018-11-19 2020-05-28 Tera Group Ag Verfahren und vorrichtung zur klassifizierung einer probe mittels terahertz-spektroskopie

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070252596A1 (en) * 2006-05-01 2007-11-01 Canon Kabushiki Kaisha Method and apparatus for analyzing sample utilizing nuclear magnetic resonance under terahertz-wave irradiation
CN101876633A (zh) * 2009-11-13 2010-11-03 中国矿业大学 一种基于太赫兹时域光谱的纺织纤维鉴别方法
WO2014153423A2 (en) * 2013-03-19 2014-09-25 Cireca Theranostics, Llc Method and system for analyzing biological specimens by spectral imaging
CN103308473A (zh) * 2013-05-11 2013-09-18 浙江理工大学 利用太赫兹时域光谱技术鉴别竹麻纤维的方法
CN104266993A (zh) * 2014-08-28 2015-01-07 北京环境特性研究所 基于太赫兹频段的物品特征提取方法和装置
CN105372202A (zh) * 2015-10-27 2016-03-02 九江学院 转基因棉花品种识别方法
WO2020104011A1 (de) * 2018-11-19 2020-05-28 Tera Group Ag Verfahren und vorrichtung zur klassifizierung einer probe mittels terahertz-spektroskopie

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
殷贤华: "基于Tchebichef图像矩的氧化锌太赫兹光谱定量研究", 《激光技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504200A (zh) * 2021-08-04 2021-10-15 桂林电子科技大学 一种基于太赫兹时域光谱的香豆素类食品添加剂鉴别方法

Also Published As

Publication number Publication date
CN113092403B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
Sandak et al. Assessing trees, wood and derived products with near infrared spectroscopy: hints and tips
He et al. Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model
Huang et al. Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves
Li et al. Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging
CN108132226A (zh) 橡胶补强剂炭黑的太赫兹光谱定量分析方法
CN108267414A (zh) 纺织品纤维含量的近红外光谱分析方法
CN106841083A (zh) 基于近红外光谱技术的芝麻油品质检测方法
CN102564993A (zh) 一种利用傅里叶变换红外光谱识别大米品种方法及其应用
CN102243170A (zh) 用近红外光谱技术鉴别麦冬药材产地的方法
CN113092403B (zh) 一种学生校服纺织品材料太赫兹光谱定性检测方法
CN107478595A (zh) 一种快速鉴别珍珠粉真伪及定量预测掺伪贝壳粉含量的方法
Hu et al. A non-destructive terahertz spectroscopy-based method for transgenic rice seed discrimination via sparse representation
Van Den Broek et al. Plastic material identification with spectroscopic near infrared imaging and artificial neural networks
CN111965167A (zh) 预测固体废弃物元素组成及热值的方法及装置
Wei et al. Identification of soybean origin by terahertz spectroscopy and chemometrics
Wu et al. A simple digital imaging method for estimating black-soil organic matter under visible spectrum
Hu et al. Establishment and optimization of temperature compensation model for benzoic acid detection based on terahertz metamaterial
Nguyen et al. A method for non-destructive determination of cocoa bean fermentation levels based on terahertz hyperspectral imaging
Lyu et al. Spectral heat aging model to estimate the age of seals on painting and calligraphy
Xue et al. Comparison of the performance of different one-dimensional convolutional neural network models-based near-infrared spectra for determination of chlorpyrifos residues in corn oil
Yang et al. Feasibility of terahertz spectroscopy for hybrid purity verification of rice seeds
Chen et al. Investigation of sample partitioning in quantitative near-infrared analysis of soil organic carbon based on parametric LS-SVR modeling
Ting et al. Quantitative identification of illicit drugs by using SOM neural networks
CN113155774A (zh) 一种纺织品材料太赫兹光谱定量检测方法
CN108519157B (zh) 一种用于光源检测的同色异谱光谱生成和评价方法及系统

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210709

Assignee: Guilin Great Information Technology Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2022450000220

Denomination of invention: A Qualitative Detection Method of Terahertz Spectra for Textile Materials of School Uniform

Granted publication date: 20220701

License type: Common License

Record date: 20221206

Application publication date: 20210709

Assignee: Guangxi Liuzhou Liuwan Aerospace Technology Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2022450000214

Denomination of invention: A Qualitative Detection Method of Terahertz Spectra for Textile Materials of School Uniform

Granted publication date: 20220701

License type: Common License

Record date: 20221206

EE01 Entry into force of recordation of patent licensing contract