山羊绒与绵羊毛检测技术与方法

山羊绒与绵羊毛因纤维外观形态极为相似导致出现难以准确鉴别的现象，因此，山羊绒与绵羊毛含量一直是研究的热点。本文从检测技术角度简述近年来山羊绒与绵羊毛检测鉴别方法中的显微镜法、化学检测法、生物检测法、近红外光谱法以及备受瞩目的人工智能图像识别法的进展，并重点对人工智能图像识别法中的卷积神经网络、支持向量机、K近邻算法和贝叶斯分类法的研究进展进行分析。同时，列举现有技术方法的检测标准、比较各方法的检验时效、检测成本和测试优缺点等，为各纺织检测机构、检测人员了解和选择合适的方法提供参考。

1.1 显微镜法

1.1.1 光学显微镜法

光学显微镜法是利用投影显微镜或显微镜成像分析仪，根据特种动物纤维与绵羊毛的鳞片结构特征来分辨出各类纤维并进行定量的。由于山羊绒、绵羊毛属于天然纤维，纺织纤维形态的变化因素包括环境和品种，生产加工工艺如染色、整理，以及采用保险粉进行脱色处理等，有一定损伤，如深色的样品，这些变化因素会影响测试结果的准确率。

1.1.2 电子显微镜法

与普通光学显微镜相比，扫描电镜法可获得更高的图像分辨率、更大的景深和更强的立体感，可清晰准确地观察纤维的微观结构。目前扫描电镜技术主要利用动物纤维表面的结构特征，结合图像分析来确定纤维的类型。光学显微镜法和扫描电镜法进行动物纤维的鉴别本质上是依赖于检测人员经验的图像识别方法。每位检测员熟知的样本量是有限的，通过人工目光识别与计数测量，不仅对测试人员的专业技能要求高，且检验过程耗时耗力，人员依赖性强，局限性大。

1.2 化学检测法

1.2.1 染色法

染色法是利用山羊绒较细、表面积大、鳞片较薄、排列稀疏、对某一染料吸附能力强的特点区分鉴别山羊绒和绵羊毛的方法。现在广泛使用的染料包括碱性蓝7、亚甲蓝、孔雀绿等，在选择相同染料和处方的情况下，通过观察染色效果和上染率的不同来鉴别山羊绒和绵羊毛。赵秀等将绵羊毛、山羊绒以及2种纤维的混合纤维按照相同的染色流程进行染色，发现绵羊毛染色速率更快，染色深度更深，色牢度更好。但存在染色和光泽方面的差异，判定精确度不高。通过HI-1 Pula Blue染料对毛绒染色后图像的颜色差异，结合支持向量机方法，去除背景并分离羊毛和羊绒纤维，但由于特殊样品纱线本身、捻度或染色条件的原因，在染色过程中可能会有一些纤维染色不佳，计算机很难识别出模糊的颜色，从而产生误差，但其对常规的毛绒产品准确较高。该方法提供了一种“染色+人工智能”多方法结合的快速鉴别方向。

1.2.2 溶液鉴别法

溶液鉴别法是由于山羊绒的鳞片层更薄，相比绵羊毛，山羊绒纤维更容易受到溶液的渗透，在采用同一鉴别液处理两种纤维后，可通过显微镜观察山羊绒和绵羊毛在卷曲变化上的差异。山羊绒在处理后卷曲伸展均匀，而羊毛则保持着原始的卷曲形态，且曲率不均匀。研究发现，在浓度为0.1%的十二烷基硫酸钠水溶液中处理后，两种纤维的伸展差异最大的是3mm的剪切长度。染色法易受到外界因素的影响，如环境温度、水质、染色剂等因素，同时因存在结构吸收染料的能力不均匀，会导致结果不够准确。溶液鉴别法因羊毛和羊绒在化学性质上的相似性鉴别结果不够精确，只适合于纤维宏观形态差异的鉴别。因此，对纤维的完整性要求较高，检测精度有比较大的限制，准确度低。

1.3 生物检测法

1.3.1 DNA检测法

绵羊毛和山羊绒分别来自绵羊和山羊身上的纤维，两者在动物学分类上属于同科不同类，因此，它们在分子层面一定存在着物种特异的、可区分的特征，采用DNA技术[17]具有高灵敏，但使用范围受限，其蛋白检测方法较为稳定，易于实现多种混合物的定性检测，但灵敏度不及DNA检测法。研究发现，结合固相萃取技术，常规不过柱法适用于样品颜色较浅的情况，测试颜色较深的样品采用常规过柱法与试剂盒法在前处理下所得结果基本一致。目前DNA检测法的技术难点在于DNA提取，所以存在检测灵敏度低，整个检测周期长，因此限制了DNA检测法在山羊绒和绵羊毛检测方面的应用。

1.3.2 蛋白分析法

毛发中的主要成分为角蛋白，山羊绒和绵羊毛等毛发中的角蛋白氨基酸序列并不完全相同，可利用检测到包含差异位点的特征性肽段来实现毛发种类的鉴别，且该鉴别方法已得到国际标准化组织（ISO）的认可，并在ISO标准中作出检测要求。ISO标准中均采用了2691、2664两个特征肽段分别作为山羊绒、绵羊毛的特征标记峰进行定性，通过对已知含量的标准混合物进行测定，根据其特征标记峰面积或峰高，建立定量标准曲线，实现对未知样品的定量检测。研究分析飞行时间质谱法用于识别山羊绒和绵羊毛中蛋白检测的原理，进行了一系列相关的飞行时间试验，发现山羊绒和绵羊毛两种肽段的氨基酸排列顺序存在一个位点的差异，可鉴别山羊绒和绵羊毛。该法需要利用已知含量的混合标样建立定量标准曲线，即含量和物种特征面积比之间的联系，从而实现定量检测，该方法适用范围广，但设备成本高，且方法灵敏度低，对于低含量样品无法检测。

1.4 近红外光谱法

近红外光谱法在检测山羊绒和绵羊毛样品时，无须破坏，可直接上机，操作简单便捷。目前，已有研究人员对该技术进行了深入研究，有学者建立了绵羊毛和山羊绒的定性和定量分析模型，并成功地利用这两种模型对未知样品进行了预测试验，精确地区分出了山羊绒和绵羊毛。定量分析模型表现出了良好的预测结果。相较于常规分析方法，近红外法具有更好的重现性、分析成本较低、人员要求低，绿色环保。但光谱库需要大量的样品数据和准确的参考分析结果，而且必须覆盖样品的各种情况。同时，山羊绒和绵羊毛样品的来源、品种、生长环境和选择的数据处理方法不合适或者参数设置不正确均影响模型准确率，因此目前所研究近红外模型的测量精度未达到实际应用所需的测量精度，还未被广泛应用到实际检验中。

1.5 人工智能图像识别法

图像识别是指通过计算机技术将图像中的内容转换为计算机可以理解的形式的研究和应用。人工智能图像识别法是近几年在纤维检测中发展起来的一种新技术，主要是利用计算机图像识别技术从大量的纤维图像中提取特征，利用模式识别技术，对各种纤维进行分析和辨识，再结合图像处理和数据分析技术测量纤维的直径（或面积）和数量，根据需求自动计算纤维的含量，最终实现对纤维种类的鉴别[26]。图像识别技术在毛绒检测上主要采用以下几种算法：卷积神经网络（CNN）、支持向量机（SVM）、K近邻算法（KNN）和贝叶斯分类法（NBC）。

1.5.1 卷积神经网络（CNN）

CNN是一类用于图像识别和分类任务的深度学习模型。在毛绒纤维检测中，CNN可以通过学习大量的毛绒纤维图像样本，利用训练和优化网络模型来识别毛绒的纤维形状、颜色和纹理等特征。CNN可通过调整网络结构和训练参数来改善情况。在一定程度上实现高效准确的毛绒检测，相比其他毛绒检测方法，CNN在检测精度和效率上有显著提升，已成为山羊绒和绵羊毛检测领域的主要研究方向。

1.5.2 支持向量机（SVM）

SVM是一种专门用于解决二值分类问题的机器学习算法。绵羊毛与山羊绒的检测恰好是一个二值分类问题。在绵羊毛与山羊绒的支持向量机研究中，主要利用绵羊毛和山羊绒的形态结构特征数据，如直径、鳞片厚度、细度及径高比等作为训练样本，构建特征向量并建立数据样本集，采用SVM训练模型的训练集和测试集，并调整支持向量机的参数，提高模型的分类准确率和泛化能力，对羊毛和羊绒进行准确分类，实现有效的鉴别。该方法在识别羊绒和羊毛纤维方面的准确率达到了94.39%，验证了基于纹理特征选择的方法在识别羊绒和羊毛纤维方面的有效性。但支持向量机主要是利用纤维的形态结构特征数据作为数据样本，存在参数选择困难及样本数量小等问题，参数选择不佳在一定程度上会大大降低检测效率和准确度。

1.5.3 K近邻算法（KNN）

KNN通过采集不同种类的羊绒样本的特征数据，比如羊绒的纤维长度、纤维粗细、颜色等特征，然后使用K近邻算法对这些特征进行分类和识别。K近邻算法是一种直观、简单的算法，适用于不同类型的数据集，包括离散型和连续型，适用性广泛，但需要选择合适的K值，不同的K值可能会导致不同的分类结果，需要通过交叉验证等方法选择最优的K值，一方面会导致计算成本大，另一方面验证效果不佳，容易降低模型的准确性。

1.5.4 贝叶斯分类法（NBC）

NBC主要是通过利用贝叶斯定理来计算给定一条数据属于某个类别的概率。研究将羊毛和羊绒的特征（纤维直径、鳞片高度、鳞片密度、周径比、面积比、径高比这6个参数建立贝叶斯模型）作为输入数据，建立贝叶斯分类器，不断训练和测试，优化分类器的性能，羊绒纤维的鉴别准确率达到95%左右。贝叶斯分类法适用于小样本数据，在面对样本数据较少的情况时，采用该法能够提供较为可靠的分类结果，同时原理相对简单，易于理解和实现。

然而，羊毛与羊绒特征参数较多且有一定的关联性，参数的不准确会直接降低算法的准确率。此外，由于贝叶斯分类法假设特征之间是独立的，而在实际情况中，这些特征往往是相关的，因此这一假设可能导致模型的表现不如其他更复杂的算法，如卷积神经网络（CNN）。因此，虽然贝叶斯分类法在处理少量数据或简化问题时非常有效，但在需要更高精度和复杂度的应用场景下，可能需要考虑使用更加先进的技术。

目前，在山羊绒和绵羊毛鉴别方法的研究中，已经引入了大量图像识别、深度学习理论、大数据训练等人工智能技术，并且相关的人工智能化检测团体标准也已发布实施。但是，市场上仍未见能广泛使用的自动智能识别设备和更高的标准文本。因此，解决样品量大、形态特征准确识别、算法复杂等问题，有效提高纤维鉴别的准确性和识别精度将是未来人工智能图像识别在绵羊毛与山羊绒上的重要研究方向。

同时，各检测实验室应培养检测人才，综合利用多种技术方法，尽快解决人工智能存在的主要技术难点，采取主、客观方法检测相互补充对照，以便获得相对更加准确可靠的检测结果。随着技术的进步和新方法的发展，预计未来对于山羊绒和绵羊毛的鉴别将会更加高效、精准，为纺织行业的健康发展提供有力支持。