论文部分内容阅读
本文以普通纺织品和具有多功能的石墨烯纺织品为研究对象,通过拉曼光谱技术对多种纺织品进行检测与识别研究。普通纺织品包括锦纶、涤纶、粘胶、腈纶、丙纶、醋酸、维纶、氨纶、芳纶、羊毛、苎麻、蚕丝、棉等13种纯纤维。石墨烯纺织品包括氧化石墨烯锦纶、氧化石墨烯粘胶、氧化石墨烯腈纶、氧化石墨烯丙纶、氧化石墨烯羊毛、氧化石墨烯苎麻、氧化石墨烯棉等7种复合纤维。与纯纤维相比,复合纤维的拉曼光谱图在1345 cm-1和1600 cm-1左右分别出现明显的D峰和G峰,且D峰与G峰的强度比小于1。说明复合纤维中含有氧化石墨烯成分。首先,对纺织纤维拉曼光谱采集方法进行研究,选择光谱采集的最佳条件,且对光谱采集过程中出现的难点问题进行分析和解决。经过比较分析,得到光谱采集的最佳参数,即激光波长为532 nm,积分时间为20 s,共焦孔径为200μm,扫描范围为2001800 cm-1。分别采用光漂白法和SERS法很好地解决了拉曼光谱采集过程中出现的荧光干扰问题。其次,对采集的原始拉曼光谱数据进行预处理和主成分分析。拉曼光谱数据预处理主要包括:平滑、基线校正、归一化等三个步骤。采用多项式最小二乘拟合法平滑光谱,消除噪声干扰,更好的满足信号的质量要求。在此拟合过程中,对应的多项式次数为2,窗口为5;利用线段组合型基底有效的消除荧光背景的干扰,提高了光谱分析的准确性;采用最大-最小归一化法对光谱数据做归一化处理,消除数据量级差引发的干扰。通过主成分分析法提取光谱特征,选择了累计贡献率为91.08%的前11个主成分的作为新特征变量表征原始拉曼光谱数据,且在此基础上进行建模,有效的减少数据的处理量,为相关分析提供便利。最后,对经过预处理和主成分分析后的光谱数据分别建立BP神经网络和支持向量机识别模型。对于BP神经网络模型,其中的训练集为300个,200个样本数据作为预测集检验模型的可靠性。进行对比分析确定出这种模型的最佳网络参数如下:输入层、隐含层和输出层的节点数分别为11,9和5。通过支持向量机模型进行训练时,为得到最佳训练效果,应该选择[-1,1]归一化方法和多项式核函数训练模型。进行识别结果分析可知,BP神经网络模型对训练集和预测集样本的识别率分别为97.33%和94.50%。而支持向量机模型对预测集样本的识别率为98.50%,识别效果更好。