tabela de conteúdos
mantenha-se atualizado sobre neospectra
Introdução
Os têxteis são materiais importantes usados na vida cotidiana, com uma ampla gama de aplicações. Com base na origem da matéria-prima, os têxteis podem ser naturais (por exemplo, algodão, seda, lã, caxemira, etc.) ou sintéticos (por exemplo, acrílicos, poliamidas, poliésteres, etc.). Agora, os clientes estão mais conscientes do que nunca da correlação entre preço e qualidade dos tecidos que estão comprando. No entanto, com o aumento dos preços e as variações de tipos e qualidade, os produtos têxteis falsificados estão se tornando cada vez mais comuns. Sejam roupas ou tapetes, as pessoas são enganadas ao receberem materiais feitos de sintéticos ou lã como seda genuína a preços exagerados.
Visão geral
Uma ferramenta simples para testar rapidamente a identidade correta do artigo têxtil de interesse seria um progresso significativo na proteção do consumidor. Essa ferramenta deve ser portátil, acessível e permitir que os usuários analisem seus têxteis-alvo sem destruir seus produtos. A miniaturização de espectrômetros de infravermelho próximo (NIR) avançou até o ponto em que instrumentos portáteis poderiam fornecer meios confiáveis e acessíveis para atender a esse propósito. Nesta nota de aplicação, demonstramos a possibilidade de usar sensores espectrais NeoSpectra para a análise de diferentes tipos de têxteis.
Autenticação de tapetes de seda
A mercerização da lã confere ao produto final um brilho que, a olho nu, pode parecer muito semelhante ao da seda. Essa semelhança é explorada por fabricantes de tapetes não confiáveis para vender esses tapetes a um cliente crédulo como um produto de seda por um prêmio irreal.
A Figura 1 mostra que traçar os espectros NIR correspondentes a cada tipo de carpete pode discriminar fácil e rapidamente entre tapetes de seda e lã mercerizada. Isso demonstra que os sensores espectrais NeoSpectra podem ser usados para discriminar entre tapetes de seda autênticos e falsificados, mesmo por não especialistas, com a simples visualização de seus espectros NIR correspondentes. Em situações mais complexas, algoritmos de avaliação específicos de materiais podem ser desenvolvidos para qualificar e/ou classificar diferentes tipos de têxteis.
(b): autenticação do tapete de seda (primeiro plano) por comparação visual com um espectro de referência de seda
(c): identificação do tapete de lã mercerizada (fundo) por comparação visual com um (não mercerizado)
Classificando as matérias-primas
A fim de demonstrar a capacidade dos sensores espectrais NeoSpectra de identificar e/ou classificar os diferentes tipos de têxteis comumente encontrados em produtos têxteis de consumo, discriminação de nove classes diferentes de materiais têxteis naturais e sintéticos (algodão, lã/caxemira, seda, Kevlar, Nomex, poliacrilonitrilo/acrílicos, elastanos, poliamida 6 (PA6) /poliamida 66 (PA66) e tereftalato de polietileno (PET)) com base em seus espectros NIR de reflexão difusa.
Conjuntos de amostras:
• Total de 72 amostras: 48 amostras de calibração, 24 amostras de teste
• Amostras e espectros foram registrados em triplicado
Condições de medição:
o Faixa de comprimento de onda: 1298 - 2606 nm.
o Fundo: 99% Spectralon™ (um padrão de reflexão com resposta espectral quase plana em NIR).
o Todas as medições foram realizadas em temperatura ambiente.
Alguns processos de tratamento de dados padrão e simples foram realizados nos espectros medidos
o Para cada amostra, a amostra de espectros triplicados foi calculada
o A escala de comprimento de onda foi convertida em números de onda e 7504 —4001 cm-1
o Os espectros foram pré-tratados por uma segunda derivada com um procedimento de suavização de Savitzky-Golay de 5 pontos de dados e um polinômio de 2ª ordem.
o O procedimento de variável normal padrão (SNV) foi aplicado para corrigir os efeitos de espalhamento.
Na Figura 2, os espectros NIR de representantes exemplares das nove classes têxteis são mostrados antes (a) e depois (b) do pré-tratamento espectral.
Avaliação de dados
Os modelos PCA 5 (análise de componentes principais) foram desenvolvidos com os espectros das amostras de calibração de todas as nove classes têxteis e seu desempenho de identificação foi verificado com os espectros das amostras do conjunto de teste. Após a aplicação do PCA, o número de PCs é menor do que as variáveis originais e essa redução de PCs permite que os padrões nos dados sejam facilmente visualizados e analisados. Na Figura 3a, o gráfico de pontuação do PCA baseado nos primeiros três PCs é mostrado para as amostras de calibração das nove classes têxteis. A Figura 3b representa o mesmo gráfico de pontuação, incluindo as amostras de teste. Assim, as nove classes têxteis podem ser claramente discriminadas em seu gráfico de pontuação e as amostras de teste são atribuídas corretamente aos respectivos agrupamentos.
A análise SIMCA 5 (modelagem independente suave de analogias de classes) foi usada para testar a capacidade de identificação dos espectros das amostras do conjunto de teste. O SIMCA é um método de classificação que analisa semelhanças usando os modelos de PCA desenvolvidos para os espectros de diferentes classes para avaliar a qual classe uma amostra desconhecida pertence. Os resultados da classificação são representados nos chamados gráficos de Coomans 5 e, no presente caso, a identidade das espécies têxteis é alcançada se os espectros das amostras de teste forem atribuídos ao quadrante relevante definido pelo modelo SIMCA.
De forma exemplar, para todos os pares de classes têxteis possíveis, o gráfico de Coomans (5% de significância) representando a discriminação de lã/caxemira e seda é mostrado na Figura 4. Enquanto os símbolos azul e preto representam espectros de calibração de lã/caxemira e seda, respectivamente, os diamantes vermelhos pertencem aos espectros de teste das nove classes têxteis. Dessas amostras de teste, as classes. Em analogia, a análise SIMCA dos outros pares têxteis atribuiu corretamente as amostras de teste às suas respectivas classes.
Conclusões
As investigações demonstram claramente que os espectros dos materiais têxteis mais comuns medidos com o sensor espectral NeoSpectra fornecem dados analíticos adequados e rapidamente disponíveis para a identificação correta de amostras de teste têxteis desconhecidas. Em uma primeira etapa, o PCA aplicado aos espectros de calibração de nove classes têxteis diferentes produziu uma separação clara em grupos e os espectros das amostras de teste foram identificados corretamente. Além disso, as análises SIMCA baseadas nos PCAs de todos os pares possíveis de classes têxteis forneceram uma identificação perfeita da amostra de teste.
