tabla de contenido
mantente al día acerca de neospectra
Introducción
Los textiles son materiales importantes que se utilizan en la vida cotidiana, con una amplia gama de aplicaciones. Según el origen de la materia prima, los textiles pueden ser naturales (por ejemplo, algodón, seda, lana, cachemir, etc.) o sintéticos (por ejemplo, acrílicos, poliamidas, poliésteres, etc.). Los clientes son ahora más conscientes que nunca de la correlación entre el precio y la calidad de los textiles que compran. Sin embargo, con el aumento de los precios y las variaciones de tipos y calidad, los productos textiles falsificados son cada vez más comunes. Ya se trate de ropa o alfombras, se engaña a la gente ofreciéndoles material sintético o lana en forma de seda auténtica a precios exagerados.
Visión general
Una herramienta sencilla para comprobar rápidamente la identidad correcta del artículo textil de interés sería un progreso significativo en la protección del consumidor. Esta herramienta tiene que ser portátil, asequible y debe permitir a los usuarios analizar los textiles a los que van dirigidos sin destruir sus productos. La miniaturización de los espectrómetros de infrarrojo cercano (NIR) ha avanzado hasta el punto de que los instrumentos portátiles podrían proporcionar medios confiables y asequibles para cumplir este propósito. En esta nota de aplicación, demostramos la posibilidad de utilizar sensores espectrales NeoSpectra para el análisis de diferentes tipos de textiles.
Autenticación de alfombras de seda
La mercerización de la lana confiere al producto final un brillo que, a simple vista, puede parecerse mucho a la seda. Los fabricantes de alfombras poco fiables explotan esta similitud para venderlas a un cliente crédulo como un producto de seda a cambio de un precio poco realista.
La figura 1 muestra que la representación gráfica de los espectros NIR correspondientes a cada tipo de alfombra puede discriminar fácil y rápidamente entre alfombras de seda y de lana mercerizada. Esto demuestra que los sensores espectrales de NeoSpectra pueden ser utilizados para discriminar entre alfombras de seda auténticas y falsificadas, incluso por personas no expertas, con la simple visualización de sus correspondientes espectros NIR. En situaciones más complejas, se pueden desarrollar algoritmos de evaluación específicos de los materiales para calificar y/o clasificar diferentes tipos de textiles.
(b): autenticación de la alfombra de seda (primer plano) mediante comparación visual con un espectro de referencia de seda
(c): identificación de la alfombra de lana mercerizada (fondo) mediante comparación visual con una alfombra (no mercerizada)
Clasificación de las materias primas
Con el fin de demostrar la capacidad de los sensores espectrales NeoSpectra para identificar y/o clasificar los diferentes tipos de textiles que se encuentran comúnmente en los productos textiles de consumo, discriminar nueve clases diferentes de materiales textiles naturales y sintéticos (algodón, lana/cachemir, seda, kevlar, Nomex, poliacrilonitrilo/acrílicos, elastanos, poliamida 6 (PA6) /poliamida 66 (PA66) y tereftalato de polietileno ate (PET)) en función de sus espectros NIR de reflexión difusa.
Conjuntos de muestras:
• Total de 72 muestras: 48 muestras de calibración, 24 muestras de prueba
• Las muestras y los espectros se registraron por triplicado
Condiciones de medición:
o Rango de longitud de onda: 1298 - 2606 nm.
o Antecedentes: 99% de Spectralon™ (un estándar de reflexión con una respuesta espectral casi plana en NIR).
o Todas las mediciones se realizaron a temperatura ambiente.
Se realizaron algunos procesos de tratamiento de datos estándar y simples en los espectros medidos.
o Para cada muestra, se promediaron las muestras de espectros por triplicado
o La escala de longitud de onda se convirtió en números de onda y el 7504 —4001 cm-1
o Los espectros se trataron previamente mediante una segunda derivada con un procedimiento de suavizado Savitzky-Golay de 5 puntos de datos y un polinomio de segundo orden.
o Se aplicó el procedimiento estándar de variables normales (SNV) para corregir los efectos de dispersión.
En la figura 2, los espectros NIR de representantes ejemplares de las nueve clases textiles se muestran antes (a) y después (b) del pretratamiento espectral.
Evaluación de datos
Los modelos PCA 5 (análisis de componentes principales) se desarrollaron con los espectros de las muestras de calibración de las nueve clases de textiles y su rendimiento de identificación se verificó con los espectros de las muestras del conjunto de prueba. Tras la aplicación del PCA, el número de ordenadores es inferior al de las variables originales y esta reducción del número de ordenadores permite visualizar y analizar fácilmente los patrones de los datos. En la figura 3a, se muestra la gráfica de puntuación del PCA basada en los tres primeros PC para las muestras de calibración de las nueve clases textiles. La figura 3b representa la misma gráfica de puntuación, incluidas las muestras de prueba. Por lo tanto, las nueve clases textiles pueden discriminarse claramente en su gráfico de puntuación y las muestras de prueba se asignan correctamente a los grupos respectivos.
Se utilizó el análisis SIMCA 5 (modelado suave e independiente de analogías de clases) para probar la capacidad de identificación de los espectros de las muestras del conjunto de prueba. El SIMCA es un método de clasificación que analiza las similitudes mediante el uso de los modelos de PCA desarrollados para los espectros de diferentes clases a fin de evaluar a qué clase pertenece una muestra desconocida. Los resultados de la clasificación se representan en las denominadas gráficas de Coomans 5 y, en el presente caso, la identidad de las especies textiles se logra si los espectros de las muestras de ensayo se asignan al cuadrante correspondiente definido por el modelo SIMCA.
A modo de ejemplo, para todos los pares de clases textiles posibles, en la figura 4 se muestra la gráfica de Coomans (5% de significancia) que representa la discriminación entre lana y cachemira y seda. Mientras que los símbolos azules y negros representan los espectros de calibración de lana y cachemir y seda, respectivamente, los diamantes rojos pertenecen a los espectros de prueba de las nueve clases textiles. De estas muestras de prueba, las clases. Por analogía, el análisis SIMCA de los otros pares textiles asignó correctamente las muestras de prueba a sus respectivas clases.
Conclusiones
Las investigaciones demuestran claramente que los espectros de los materiales textiles más comunes medidos con el sensor espectral NeoSpectra proporcionan datos analíticos adecuados y disponibles rápidamente para la identificación correcta de muestras de prueba textiles desconocidas. En un primer paso, el PCA aplicado a los espectros de calibración de nueve clases de tejidos diferentes permitió separarlos claramente en grupos y los espectros de las muestras de prueba se identificaron correctamente. Además, los análisis del SIMCA basados en los PCA de todas las parejas posibles de clases textiles permitieron identificar perfectamente la muestra de ensayo.
