Лукас Кампик^1,†, Софи Хелен Грубер^2,†, Клеменс Вайслейтнер¹, Геральд Бауэр³, Ханнес Штайнер⁴, Лео Тоус⁴, Серафин Хуберт Унтербергер^2,* и Йоханнес Доминикус Паллуа^1,*

¹ Отделение ортопедии и травматологии, Медицинский университет Инсбрука, Анништрассе 35, 6020 Инсбрук, Австрия; lukas.kampik@student.i-med.ac.at (Л.К.); klemens.weisleitner@i-med.ac.at (К.В.)

² Кафедра технологии материалов, Университет Леопольда и Франца в Инсбруке, Техникерштрассе 13, 6020 Инсбрук, Австрия; sophie.gruber@uibk.ac.at

³ Отдел науки, исследований и разработок Федерального министерства обороны Австрии, Россауэр-Ленде 1, 1090 Вена, Австрия; g.bauer@bmlv.gv.at

⁴ Подразделение 2.6, Центр компетенций РХБЯ, Дирекция специальных подразделений/оперативное командование Cobra, Академиштрассе 3, 2514 Трайскирхен, Австрия; hannes.steiner@bmi.gv.at (Х.Ш.); leo.tous@bmi.gv.at (Л.Т.)

* Для корреспонденции: seraphin.unterberger@uibk.ac.at (С.Х.У.); johannes.pallua@i-med.ac.at (Й.Д.П.).

† Эти авторы внесли равный вклад в работу.

Академический редактор: Десислава Станева

Поступила: 24 июля 2025 г.; исправлена: 11 сентября 2025 г.; принята: 24 сентября 2025 г.; опубликована: 28 сентября 2025 г.

Цитирование: Kampik, L.; Gruber, S.H.; Weisleitner, K.; Bauer, G.; Steiner, H.; Tous, L.; Hubert Unterberger, S.; Dominikus Pallua, J. Hyperspectral Imaging for Non-Destructive Detection of Chemical Residues on Textiles. Textiles 2025, 5, 42. https://doi.org/10.3390/textiles5040042

Авторское право: © 2025 авторы. Лицензиат — MDPI, Базель, Швейцария. Статья находится в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY) (https://creativecommons.org/licenses/by/4.0/).

Обнаружение химических остатков на поверхностях имеет решающее значение для экологического мониторинга, промышленной гигиены, общественного здравоохранения и управления последствиями происшествий после выбросов химических веществ. Такие соединения, как акрилонитрил (ACN) и тетраэтилгуанидин (TEG), широко применяемые в химических процессах, могут представлять опасность при остаточном воздействии. Гиперспектральная визуализация (HSI) — неразрушающий метод высокого разрешения — обеспечивает безопасное и эффективное решение для выявления химических загрязнителей и пространственного картирования их распределения на основе спектральных сигнатур. В настоящем исследовании предложена основанная на HSI схема обнаружения и дифференциации остатков ACN и TEG на текстильных поверхностях. Спектральные данные высокого разрешения были получены для трех репрезентативных текстильных материалов с помощью гиперспектральной камеры, работающей в коротковолновом инфракрасном диапазоне. Для усиления контраста и выявления специфических для материала признаков спектральные наборы данных обрабатывали с использованием преобразования стандартной нормальной вариации, фильтрации Савицкого-Голея и анализа главных компонент. Результаты не только демонстрируют эффективность данного подхода при выявлении спектральных различий, соответствующих разным химическим остаткам и концентрациям, но и предлагают практичный и масштабируемый метод обнаружения химических загрязнителей в потребительских и промышленных текстильных материалах, обеспечивающий надежную оценку остатков и перспективный для более широкого применения в критически важных для безопасности областях.

Ключевые слова: гиперспектральная визуализация (HSI); инфракрасная спектроскопия (IR); химические остатки; загрязнение текстиля; PCA

Химические остатки на текстильных материалах представляют собой существенную проблему для промышленного производства, общественного здравоохранения, реагирования на бедствия и происшествия, а также экологической безопасности. Они могут появляться в результате таких стадий химической обработки, как окрашивание или применение добавок, и включать летучие органические соединения, поверхностно-активные вещества, противомикробные препараты, пестициды и чистящие средства. Их источником также могут быть химические происшествия при случайном или преднамеренном выбросе веществ в окружающую среду, затрагивающем людей и их одежду. Обнаружение и контроль таких остатков имеют решающее значение для соблюдения нормативных требований и стандартов безопасности потребителей, таких как OEKO-TEX® и REACH [1,2]. При реагировании на происшествия с РХБЯ-веществами (радиологическими, химическими, биологическими и ядерными) обследование пострадавших людей или поверхностей и определение наличия загрязнения у человека либо объекта являются необходимыми условиями эффективного реагирования.

На сегодняшний день технологии и процедуры установлены только для радиологического загрязнения. Традиционные аналитические методы, включая газовую хроматографию-масс-спектрометрию (GC-MS), жидкостную хроматографию (HPLC) и инфракрасную спектроскопию с преобразованием Фурье (FTIR), обладают высокой чувствительностью и специфичностью, однако зачастую трудоемки, требуют значительных затрат времени и разрушения образца [3,4]. При реагировании на происшествия, связанные с загрязнением людей (одежды и/или кожи), необходимы быстрые, работающие в реальном времени неразрушающие подходы. Эти ограничения обусловили поиск альтернативных технологий, обеспечивающих быстрый неразрушающий анализ больших площадей непосредственно на месте.

Акрилонитрил (ACN) широко используется при производстве синтетических волокон, например акриловых, а также смол, пластмасс и резины. Остаточный ACN может присутствовать в текстильных материалах вследствие незавершенной полимеризации либо загрязнения при обращении с материалом; он классифицируется как вероятный канцероген для человека (группа 2B по IARC) и представляет риск как при остром, так и при хроническом воздействии. N,N,N′,N′-Тетраэтилгуанидин (TEG) применяется в качестве сильного органического основания и катализатора при переработке полимеров и отделке текстиля. Остаточный TEG может сохраняться после промышленной обработки текстиля и опасен из-за коррозионных свойств и способности вызывать раздражение кожи и дыхательных путей. Оба соединения документированы при экологических и профессиональных воздействиях, что делает их актуальными и репрезентативными химическими опасностями для обнаружения остатков на текстильных материалах.

Гиперспектральная визуализация (HSI) стала мощным инструментом, охватывающим указанные задачи. HSI объединяет визуализацию и спектроскопию, регистрируя для каждого пикселя изображения пространственные и спектральные данные в широком диапазоне длин волн. В результате формируется гиперспектральный куб данных, содержащий подробную химическую и структурную информацию и потому хорошо подходящий для обнаружения и картирования остатков на текстильных поверхностях [5,6]. Коротковолновый инфракрасный диапазон (SWIR; 1000-2500 нм), в частности, чувствителен к обертонам и комбинационным колебаниям функциональных групп C-H, N-H и O-H, часто присутствующих в органических веществах [7]. Одним из ключевых преимуществ HSI является возможность неразрушающего обнаружения без меток, благодаря чему оценку можно проводить в реальном времени, не изменяя образец, и одновременно получать пространственно разрешенные измерения. Метод особенно эффективен при различении материалов с незначительными химическими или физическими отличиями, что делает его идеальным для сложных и неоднородных образцов, таких как текстиль [8]. Вследствие этого HSI получила широкое применение в самых разных областях — от сельского хозяйства и безопасности пищевых продуктов до криминалистики и дистанционного обнаружения боевых отравляющих веществ [9-13]. Недавние достижения в сенсорных технологиях, обработке данных и машинном обучении дополнительно ускорили внедрение HSI в промышленности. Миниатюризация датчиков, повышение скорости сбора данных и интегрированные хемометрические средства улучшили пригодность технологии для работы на месте и высокопроизводительного скрининга [14].

В текстильной отрасли HSI применяли не только для обнаружения химических остатков, но также для классификации типов волокон, оценки качества ткани и мониторинга износа или деградации [15-18]. Huang et al. (2022) показали, что HSI в сочетании с глубоким обучением обеспечивает точную классификацию волокон даже в смесовых и окрашенных тканях [15]. Sioma (2023) сообщил об интеграции HSI в автоматизированные системы переработки для сортировки текстиля по спектральным отпечаткам [17]. Ktash et al. (2023) успешно применили УФ-HSI для обнаружения загрязнения образцов хлопка сельскохозяйственными остатками [14]. Эти и аналогичные исследования подтверждают универсальность и надежность HSI при решении современных задач мониторинга текстиля.

В настоящем исследовании применение HSI расширено на неразрушающее обнаружение ACN и TEG как репрезентативных химических остатков на текстиле. Используя гиперспектральную камеру SWIR и такие хемометрические средства, как коррекция стандартной нормальной вариации (SNV), фильтрация Савицкого-Голея и анализ главных компонент (PCA), мы изучаем влияние различных текстильных материалов на обнаружение остатков и связь спектральных сигнатур с концентрацией химического вещества. Подход развивает расширяющееся применение HSI как практического решения для контроля химической чистоты в текстильной промышленности.

Для исследования были выбраны три текстильных материала, отражающие распространенные материалы одежды для досуга в Европейском союзе [19]. В состав образцов входили 100% хлопок (обозначен как «текстиль A»), смесь 95% хлопка и 5% эластана («текстиль B») и 100% полиэстер («текстиль C»).

Акрилонитрил (ACN, чистота ≥99%) приобретали у Sigma Aldrich (Берлингтон, Массачусетс, США), а N,N,N′,N′-тетраэтилгуанидин (TEG, чистота >95%) — у CymitQuímica S.L. (08018 Барселона, Испания).

Измерения выполняли с помощью светового микроскопа с вариацией фокуса Infinite Focus G4 (Alicona, Грац, Австрия) совместно с программным обеспечением IFM 3.5.1.5 x 64. Данная высокоточная методика предусматривала построение подробных трехмерных моделей поверхности по серии полученных изображений, что позволяло точно рассчитывать координаты x, y и z в пределах заданного разрешения сканирования. В ходе исследования три образца текстиля (A, B и C) тщательно анализировали с объективом 5×. Такой подход обеспечивал вертикальное разрешение 4 мкм и поперечное разрешение 8 мкм, позволяя построить точную трехмерную модель. Кроме того, при том же наборе параметров получали высокоточные двумерные оптические микрофотографии.

Сканирующую электронную микроскопию (SEM) выполняли на приборе Axia ChemiSEM (Thermo Fischer Scientific Inc., Уолтем, Массачусетс, США) с использованием программного обеспечения xTm 27.3. Для получения изображений при увеличении 200× и ускоряющем напряжении 2 или 5 кВ в режиме низкого вакуума использовали детекторы LVD (вторичных электронов) и CBS (обратно рассеянных электронов).

Обработку данных и сборку изображений проводили в IFM 3.5.1.5 x 64 (Alicona, Грац, Австрия). Трехмерную поверхность формировали из стека изображений в IFM-MeasureSuite 4.0.2.1 (Alicona, Грац, Австрия) с прореживанием данных при коэффициенте интервала выборки 2. Собранные трехмерные изображения также напрямую сопоставляли с оптическими изображениями тех же текстильных материалов.

Спектры SWIR получали с помощью гиперспектральной камеры Snapscan (Imec GmbH, Лёвен, Бельгия), имеющей 107 спектральных полос и диапазон 1100-1700 нм. Камера оснащена InGaAs-датчиком 512 (В) × 640 (Ш) пикселей со ступенчатой конструкцией фильтра (шаг 1-4 пикселя на спектральную полосу). Ступенчатые фильтры Фабри-Перо ускоряют сбор данных, предотвращая перекрестные помехи между полосами при большем размере шага и повышая качество данных при меньшем размере шага. Каждый фильтр является узкополосным, с полной шириной на половине максимума 10-15 нм. При сборе данных датчик перемещается внутри корпуса камеры, последовательно регистрируя различные спектральные полосы, поэтому перемещение камеры или образца не требуется. Встроенная технология активного охлаждения дополнительно обеспечивает сбор данных с высоким отношением сигнал/шум (до 600:1). Программное обеспечение Imec Snapscan (v1.8.1.1) выполняет встроенную балансировку белого по отсканированной белой эталонной мишени и автоматическую регистрацию темнового эталона с помощью установленного механического затвора. Это программное обеспечение использовали для сбора и экспорта данных в формате ENVI.

Установка, включающая объектив SWIR 50 мм/F2,15 (Edmund Optics Inc., Баррингтон, Нью-Джерси, США) и галогенные лампы (OSRAM GmbH, Мюнхен, Германия, 2800 К), показана на рисунке 1.

Рисунок 1. Экспериментальная установка с объективом SWIR 50 мм/F2,15 (Edmund Optics Inc.), галогенными лампами (OSRAM GmbH, 2800 К) и репрезентативными образцами текстиля.

Примененные параметры измерения приведены в таблице 1; суммарное время регистрации одного изображения составляло 12,44 с. Поэтому все измерения завершали менее чем через 13 с после нанесения капли, чтобы предотвратить испарение веществ.

Таблица 1. Параметры измерения, примененные в программном обеспечении Imec Snapscan (v1.8.1.1).

Растворы ACN и TEG в изопропаноле готовили с концентрациями соответствующего вещества 10%, 20%, 40%, 60% и 80%. Кроме того, на текстильных материалах проводили измерения чистых модельных веществ и изопропанола. Непосредственно перед сбором данных на текстиль калиброванной пипеткой наносили 10 мкл соответствующего раствора. Для анализа брали по два образца каждого типа текстиля. На образцы непосредственно перед измерением наносили по 10 мкл каждого раствора, обеспечивая единообразие и контроль условий сбора данных. Для каждой концентрации выполняли два отдельных измерения. Для оценки воспроизводимости в заданных спектральных областях интереса рассчитывали относительное стандартное отклонение (RSD) повторных спектров, дополнительно определяя вариабельность «пик-впадина» как амплитудную характеристику (дополнительная таблица S1). Для эталонных измерений смачиваемости на образцы текстиля наносили капли изопропанола объемом 10 мкл. После полного впитывания для каждого типа текстиля регистрировали конечную площадь смоченной области (см. дополнительный рисунок S1), а процесс смачивания визуализировали в дополнительном видео S1.

Гиперкубы сначала загружали в MATLAB (версия 24.1.0.2628055 (R2024a), обновление 4; The MathWorks Inc., Натик, Массачусетс, США) в виде файлов ENVI, после чего в рабочей области формировали вектор длин волн. Дальнейший анализ проводили с использованием программного дополнения Hyper-Tools3 — графического пользовательского интерфейса (GUI) на базе MATLAB для анализа HSI. Hyper-Tools3 объединяет спектральную и пространственную предварительную обработку с хемометрическими средствами (разведочный анализ данных, кластеризация, регрессия и классификация), а также поддерживает расширенную визуализацию, одновременную работу с несколькими изображениями и интуитивный интерфейс [5,6]. Были выполнены следующие этапы обработки данных:

1. Пространственный биннинг (подокно: 5) для повышения отношения сигнал/шум (SNR) путем объединения соседних пикселей. Процедура улучшает качество изображения при небольшом снижении пространственного разрешения.

2. Преобразование стандартной нормальной вариации (SNV) для устранения сдвигов базовой линии и эффектов рассеяния, а также повышения согласованности спектральных данных для последующего анализа.

3. Сглаживание фильтром Савицкого-Голея (окно, нечетное число: 5; степень полинома: 2).

4. Вычисление первой производной фильтром Савицкого-Голея (окно, нечетное число: 7; степень полинома: 2; порядок производной: 1).

5. PCA с использованием сингулярного разложения (SVD).

Для оценки воспроизводимости в заданных спектральных областях интереса рассчитывали относительное стандартное отклонение (RSD) повторных спектров. Дополнительно определяли вариабельность «пик-впадина» как амплитудную характеристику. PCAвыполняли отдельно для каждой комбинации «текстиль-вещество», а по тем главным компонентам, которые обеспечивали наиболее отчетливое разделение незагрязненного текстиля и визуально идентифицированных загрязненных областей, строили графики плотности счетов.

В исследовании оценивали пригодность HSI для обнаружения ACN и TEG на текстильных материалах. Экспериментальный рабочий процесс сбора и анализа данных HSI представлен на рисунке 2. Он охватывает последовательность от нанесения капли и сбора данных до предварительной обработки и многомерной оценки, формируя системную основу последующего анализа.

Рисунок 2. Рабочий процесс сбора и анализа гиперспектральных данных. Гиперспектральные изображения регистрировали сразу же (в течение 13 с) после нанесения капель объемом 10 мкл на текстиль A, B и C. Данные упорядочивали по уровням концентрации с помощью инструмента HYPER-Tools3 в Matlab. Предварительная обработка включала пространственный биннинг, преобразование SNV, сглаживание и вычисление первой производной. Затем спектры собирали из области интереса (ROI) и незагрязненных участков текстиля. После этого выполняли PCA, а результаты визуализировали в виде графиков плотности счетов.

Дублированные измерения продемонстрировали высокую воспроизводимость: средние значения RSD обычно составляли от 0,2% до 3% (в двух случаях — до примерно 5%). Различия «пик-впадина» также были малы, что подтверждает устойчивость измерений HSI.

Для анализа структуры переплетения, распределения волокон и топографии поверхности применяли оптическую микроскопию, IFM и SEM (см. рисунок 3).

Рисунок 3. Многомасштабный визуальный анализ образцов текстиля A-C методами оптической микроскопии (верхний ряд), IFM (средний ряд) и SEM (нижний ряд). Спектроскопическая и хемометрическая характеристика.

Оптические микрофотографии в верхнем ряду рисунка 3 показывают различия плотности ткани и структуры переплетения. Текстиль Bимеет наиболее тонкую структуру: плотно уложенные волокна образуют плотную поверхность. Текстиль C характеризуется более грубой архитектурой с рыхлым переплетением и более выраженными промежутками между волокнами. Текстиль A сходен с текстилем C. Текстили A и C имеют полотняное переплетение, тогда как текстиль B — переплетение, подобное сатиновому.

Топографии IFM в среднем ряду рисунка 3 демонстрируют различия шероховатости и однородности. Текстиль C имеет выраженные неровности поверхности с крупными отклонениями и отдельными волокнами. Текстиль B отличается гладкой и однородной поверхностью, а текстиль A занимает промежуточное положение по шероховатости. SEM-изображения в нижнем ряду рисунка 3 дают изображения морфологии волокон и межволоконных связей с высоким разрешением. В текстиле B наблюдается плотно организованная волокнистая сеть с тесно уложенными нитями, тогда как в текстиле C волокна расположены рыхло и видны межволоконные пространства. Текстиль A занимает промежуточное положение и по общей структуре напоминает текстиль C. Как показано на рисунке 3, эти методы визуализации дают подробную многомасштабную характеристику тканей и демонстрируют, как тип переплетения, плотность волокон и топографические различия определяют их структурные свойства.

Настоящая работа носит поисковый характер и направлена на изучение потенциала HSI для обнаружения ACN и TEG на трех типах текстиля (A, B и C). Зарегистрированные средние спектры незагрязненных текстильных материалов показаны в верхней части рисунка 4a. Для текстилей A и B характерно плоское плато около 1 отн. ед. до приблизительно 1400 нм, после чего наблюдается умеренное снижение при 1500 нм и затем восходящий тренд. Текстиль C демонстрирует более низкое плато около 0,3 отн. ед. до приблизительно 1600 нм, за которым следует падение около 1680 нм. У текстиля C также наблюдается наибольший разброс спектральных значений, на что указывает более высокое стандартное отклонение (SD). Спектры чистых ACN и TEG вместе с их первыми производными представлены в нижней части рисунка 4a. Для получения спектров соответствующих химических характеристик капли каждого вещества объемом 10 мкл наносили на белую глазурованную плитку, чтобы исключить изменения измерений вследствие химических взаимодействий. ACN демонстрирует относительно ровный спектральный профиль между 1100 и 1400 нм, после чего следует снижение с отчетливым признаком между 1600 и 1700 нм. TEG показывает более сильные изменения во всем диапазоне, включая провалы около 1200-1250 нм и выраженную впадину около 1500 нм. Спектры первой производной дополнительно подчеркивают эти различия.

Для дополнительного установления временного окна потенциального обнаружения ACN и TEG капли каждого вещества объемом 10 мкл вновь наносили на белую глазурованную плитку и проводили измерения через несколько временных интервалов. На рисунке 4bпоказаны полученные временные зависимости спектральных признаков TEG (верхняя панель) и ACN (нижняя панель). Признаки TEGоставались обнаружимыми через 30 мин, тогда как признаки ACN уже не обнаруживались через 30 с.

Рисунок 4a. Средние спектры со стандартными отклонениями для незагрязненных текстильных материалов A-C (верхняя панель), а также выделенных веществ TEG и акрилонитрила на белой глазурованной плитке с соответствующей первой производной (нижняя панель).

Рисунок 4b. Первая производная средних спектров со стандартными отклонениями для TEG (верхняя панель) и акрилонитрила (нижняя панель) через различные временные интервалы. Указанное время соответствует интервалу между нанесением вещества и началом измерения.

Обработанные спектральные данные после SNV, сглаживания и вычисления первой производной приведены на рисунке 5. Для ACNнаиболее выраженные изменения наблюдаются между 1570 и 1650 нм в текстилях A и B и между 1570 и 1610 нм в текстиле C. Аналогичным образом спектральный отклик на TEG показывает полосы поглощения во всех текстильных материалах, с характерными спектральными полосами в диапазоне 1470-1570 нм. Для текстилей A и B эти информативные полосы находятся в общей области максимального поглощения (1400-1650 нм). Хотя исходное поглощение этих двух тканей ниже, чем у текстиля C (см. рисунок 4a), специфические для TEG признаки отчетливо различимы во всех материалах.

Рисунок 5. Первая производная средних спектров со стандартными отклонениями, полученных методом HSI после преобразования SNV и сглаживания, для акрилонитрила и TEG на различных текстильных материалах (A-C).

На рисунках 6 и 7 показаны ориентированные на область интереса (ROI) средние спектры первой производной (±1 SD), полученные методом HSI после преобразования SNV и сглаживания для текстиля A (панель A) и текстиля C (панель B) при номинальных концентрациях 10%, 60% и 100%, а также для чистого изопропанола (=0% ACN). Для ACN (рисунок 6) текстиль A демонстрирует широкий признак в диапазоне 1570-1650 нм с локальным максимумом около 1600-1610 нм и плечом приблизительно при 1580-1595 нм. У текстиля C наблюдается минимум около 1600-1610 нм. В обоих материалах спектральная амплитуда зависит от концентрации. Для TEG (рисунок 7) оба текстильных материала демонстрируют признаки между 1470 и 1570 нм с локальным минимумом около 1510-1520 нм и локальным максимумом приблизительно при 1535-1545 нм. Амплитуда меняется в зависимости от концентрации, тогда как положения полос остаются стабильными.

Рисунок 6. Средние спектры со стандартными отклонениями, полученные методом HSI после преобразования SNV, сглаживания и вычисления первой производной для акрилонитрила на текстиле A (панель A) и текстиле C (панель B). Показаны четыре уровня концентрации (0% = 100% изопропанол, 10%, 60% и 100% ACN) с акцентом на соответствующую область интереса.

Рисунок 7. Средние спектры со стандартными отклонениями, полученные методом HSI после преобразования SNV, сглаживания и вычисления первой производной для TEG на текстиле A (панель A) и текстиле C (панель B). Показаны четыре уровня концентрации (0% = 100% изопропанол, 10%, 60% и 100% TEG) с акцентом на соответствующую область интереса.

PCA выполняли отдельно для каждой комбинации «текстиль-вещество», чтобы определить характер кластеризации текстильных материалов после воздействия химических веществ. Графики плотности счетов PCA на рисунках 8-10 демонстрируют отчетливые группы в зависимости от типа текстиля и уровня концентрации, отражающие различия спектральных откликов после загрязнения.

Рисунок 8. Графики плотности счетов PCA для разведений акрилонитрила и TEG изопропанолом на двух текстильных материалах. Представления PCA в виде графиков плотности счетов для ACN: (A) текстиль A, PC1 и PC2; (B) текстиль C, PC1 и PC3. Представления PCA в виде графиков плотности счетов для TEG: (C) текстиль A, PC1 и PC2; (D) текстиль C, PC1 и PC2.

Рисунок 9. График плотности счетов PC1 и PC2 по результатам PCA акрилонитрила на текстиле B с соответствующими областями кластеров, выделенными красным цветом на псевдоцветных гиперспектральных изображениях. Ряд разведений ACN охватывает диапазон от 100% ACN до 0% ACN (=100% изопропанол); изопропанол служил разбавителем.

Для ACN текстили A и B демонстрируют отчетливую, хорошо выраженную кластеризацию в пространстве PC1 и PC2. В отличие от них, текстиль C характеризуется менее выраженной кластеризацией с разделением по PC1 и PC3. Для TEG (рисунки 8C,D и 10) наблюдались более согласованные закономерности кластеризации: загрязненные текстильные материалы образовывали зависящие от концентрации кластеры, обусловленные их поглощающими свойствами.

Для визуализации распределения химических веществ при разных степенях разведения применяли псевдоцветную гиперспектральную визуализацию, обеспечивающую пространственное представление на текстильных материалах. На рисунке 9 показан ACN, нанесенный на текстиль B в концентрациях от 100% до 10%, а также 100% изопропанол, позволяющий отличить сигнал разбавителя. График кластеризации PCA справа демонстрирует отчетливые, хорошо разделенные кластеры, соответствующие увеличению степени разведения ACN.

На рисунке 10 приведены псевдоцветные результаты HSI для взаимодействия TEG с текстилем B; они показывают особенно сильный и четко выраженный эффект кластеризации, зависящий от разведения. По сравнению с ACN, TEG обеспечивал более четкое разделение на всех уровнях концентрации.

Рисунок 10. График плотности счетов PC1 и PC2 по результатам PCA TEG на текстиле B с соответствующими областями кластеров, выделенными красным цветом на псевдоцветных гиперспектральных изображениях. Ряд разведений TEG охватывает диапазон от 100% до 0% TEG (=100% изопропанол); изопропанол служил разбавителем.

Исследование подтверждает, что HSI является мощным и универсальным инструментом обнаружения химических остатков на текстильных поверхностях. Интеграция HSI с многомасштабными методами визуализации (IFM и SEM) и хемометрическим анализом (PCA) позволила сформировать комплексную неразрушающую основу для оценки спектрального отклика текстиля на воздействие таких опасных веществ, как ACN и TEG.

Результаты показывают, что структура волокон и морфология поверхности существенно влияют на спектральный отклик и чувствительность обнаружения. Более тонкие и однородные текстильные материалы (например, A и B) давали более согласованные спектральные сигнатуры и хорошо разделенные кластеры PCA, что обеспечивало лучшую идентификацию химических остатков. В отличие от них, более грубые материалы (например, текстиль C) характеризовались большей спектральной вариабельностью и меньшей обнаружимостью, особенно когда наиболее информативные спектральные полосы соединений перекрывались с областями высокого собственного поглощения текстиля. Важно отметить, что TEG обеспечивал более согласованные и устойчивые спектральные признаки на разных текстильных материалах, чем ACN, на который сильнее влияло перекрытие с поглощением текстиля.

Обработанные спектральные наборы данных, улучшенные посредством преобразования SNV и фильтрации Савицкого-Голея, продемонстрировали четкую дифференциацию химических сигналов в широком диапазоне концентраций. Пространственное разрешение и контраст, обеспечиваемые псевдоцветной HSI и картированием PCA, дополнительно подтверждают пригодность метода как для качественной, так и для полуколичественной оценки загрязнения поверхности.

Учитывая важность обнаружения остатков на поверхностях для экологического мониторинга, промышленной гигиены и общественного здравоохранения, HSI представляет собой безопасное, неразрушающее и масштабируемое решение для идентификации и картирования химических загрязнителей по их спектральным сигнатурам. При дальнейшем технологическом совершенствовании и полевой валидации HSI имеет высокий потенциал интеграции в практические области, включая мониторинг загрязнения, обнаружение химических угроз и криминалистические исследования. Способность метода обеспечивать быстрый неразрушающий пространственно разрешенный анализ и чувствительность делает его особенно ценным для реагирования на происшествия, поддерживая быструю идентификацию, локализацию и проверку после дезактивации. Однако изменчивость структуры и состава текстиля остается препятствием для согласованного и надежного обнаружения. Поэтому дальнейшие исследования должны быть сосредоточены на количественных показателях валидации, более крупных и разнообразных наборах текстильных данных, включающих различные составы и способы обработки ткани, а также на измерениях с временным разрешением для оценки сохранения аналита и повышения переносимости результатов между типами текстиля.

Следующая вспомогательная информация доступна для загрузки по адресу https://www.mdpi.com/article/10.3390/textiles5040042/s1: рисунок S1 «Характер смачивания текстильных материалов после впитывания капли изопропанола»; таблица S1 «Анализ RSDгиперспектральных измерений растворителей на различных текстильных материалах»; видео S1 «Гиперспектральная визуализация для неразрушающего обнаружения химических остатков на текстильных материалах».

Вклад авторов: концепция — J.D.P., S.H.U., L.K., G.B., H.S., L.T. и S.H.G.; методология — L.K., S.H.G., K.W., J.D.P. и S.H.U.; исследование — L.K., S.H.G., J.D.P. и S.H.U.; курирование данных — L.K., S.H.G. и K.W.; формальный анализ — S.H.G. и L.K.; валидация — J.D.P. и S.H.U.; ресурсы — S.H.U. и J.D.P.; подготовка первоначального текста — все авторы; рецензирование и редактирование текста — все авторы; визуализация — L.K. и S.H.G.; руководство — J.D.P. и S.H.U.; администрирование проекта — J.D.P. и S.H.U.; привлечение финансирования — J.D.P. и S.H.U. Все авторы прочитали и одобрили опубликованную версию рукописи.

Финансирование: авторы с благодарностью отмечают финансовую поддержку Федерального министерства финансов Австрии (BMF) в рамках проекта KIRAS (австрийская программа исследований в области безопасности) FO999914118 «Innovative spektroskopischeMethoden zum kontaktlosen Nachweis von C und B Substanzen auf Oberflächen und Personen» («Инновационные спектроскопические методы бесконтактного обнаружения химических и биологических веществ на поверхностях и людях»).

Заявление институционального наблюдательного совета: не применимо.

Заявление об информированном согласии: не применимо.

Доступность данных: оригинальные материалы, представленные в исследовании, включены в статью/дополнительные материалы. Дополнительные запросы можно направлять авторам для корреспонденции.

Благодарности: авторы благодарят Миранду Клостерхубер за выдающуюся техническую помощь и неоценимую организационную поддержку на протяжении всего исследования.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

1. Hunt, N.; Kestens, V.; Rasmussen, K.; Badetti, E.; Soeteman-Hernández, L.G.; Oomen, A.G.; Peijnenburg, W.; Hristozov, D.; Rauscher, H. Нормативная готовность в отношении многокомпонентных наноматериалов: современное состояние, пробелы и проблемы REACH. NanoImpact 2025, 37, 100538. [CrossRef] [PubMed]

2. Bielak, E.; Marcinkowska, E. Тяжелые металлы в коже, искусственной коже и текстильных материалах в контексте качества и безопасности использования. Sci. Rep.2022, 12, 5061. [CrossRef] [PubMed]

3. Hackshaw, K.V.; Miller, J.S.; Aykas, D.P.; Rodriguez-Saona, L. Колебательная спектроскопия для идентификации метаболитов в биологических образцах. Molecules2020, 25, 4725. [CrossRef] [PubMed]

4. Lima, C.; Muhamadali, H.; Goodacre, R. Одновременная рамановская и инфракрасная спектроскопия Escherichia coli, меченной стабильными изотопами. Sensors2022, 22, 3928. [CrossRef] [PubMed]

5. Amigo, J.M.; Babamoradi, H.; Elcoroaristizabal, S. Анализ гиперспектральных изображений. Учебное руководство. Anal. Chim. Acta 2015, 896, 34-51. [CrossRef] [PubMed]

6. Mobaraki, N.; Amigo, J.M. HYPER-Tools. Графический удобный пользовательский интерфейс для анализа гиперспектральных изображений. Chemom. Intell. Lab. Syst. 2018, 172, 174-187. [CrossRef]

7. Weyer, L.G.; Lo, S.-C. Корреляции «спектр-структура» в ближней инфракрасной области. В: Handbook of Vibrational Spectroscopy; John Wiley & Sons: Хобокен, Нью-Джерси, США, 2001. [CrossRef]

8. Ortega, S.; Fabelo, H.; Iakovidis, D.K.; Koulaouzidis, A.; Callico, G.M. Применение гиперспектральной/мультиспектральной визуализации в гастроэнтерологии: иной свет во тьме. J. Clin. Med. 2019, 8, 36. [CrossRef] [PubMed]

9. Nelson, M.; Mangold, P.; Gomer, N.; Klueva, O.; Treado, P. SWIR-гиперспектральный визуализирующий детектор остатков на поверхности; SPIE: Беллингхэм, Вашингтон, США, 2013; том 8710. [CrossRef]

10. Ram, B.G.; Oduor, P.; Igathinathane, C.; Howatt, K.; Sun, X. Систематический обзор гиперспектральной визуализации в точном земледелии: анализ современного состояния и будущих перспектив. Comput. Electron. Agric. 2024, 222, 109037. [CrossRef]

11. Weatherbee, O.; Janaskie, J.; Hyvärinen, T. Передовые решения гиперспектральной визуализации для обнаружения целей в режиме, близком к реальному времени; SPIE: Беллингхэм, Вашингтон, США, 2012; том 8542. [CrossRef]

12. Krekeler, M.P.S.; Burke, M.; Allen, S.; Sather, B.; Chappell, C.; McLeod, C.L.; Loertscher, C.; Loertscher, S.; Dawson, C.; Brum, J.; et al. Новый гиперспектральный инструмент дистанционного зондирования для обнаружения и анализа антропогенных материалов в окружающей среде: геоэкологический подход в поддержку экстренного реагирования. Environ. Earth Sci. 2023, 82, 109. [CrossRef]

13. Gomer, N.; Gardner, C.; Nelson, M. Ручные и мобильные датчики гиперспектральной визуализации для дистанционного обнаружения взрывчатых веществ и боевых отравляющих веществ на больших площадях; SPIE: Беллингхэм, Вашингтон, США, 2016; том 9855. [CrossRef]

14. Al Ktash, M.; Stefanakis, M.; Wackenhut, F.; Jehle, V.; Ostertag, E.; Rebner, K.; Brecht, M. Прогнозирование загрязнения образцов хлопка медвяной росой посредством поточной УФ-гиперспектральной визуализации. Sensors 2023, 23, 319. [CrossRef] [PubMed]

15. Huang, J.; He, H.; Lv, R.; Zhang, G.; Zhou, Z.; Wang, X. Неразрушающее обнаружение и классификация текстильных волокон на основе гиперспектральной визуализации и 1D-CNN. Anal. Chim. Acta 2022, 1224, 340238. [CrossRef] [PubMed]

16. Mirschel, G.; Daikos, O.; Scherzer, T.; Steckert, C. Химическая визуализация в ближней инфракрасной области для поточного анализа внутренних клеевых слоев в текстильных ламинатах. Anal. Chim. Acta 2016, 932, 69-79. [CrossRef] [PubMed]

17. Sioma, A. Система технического зрения в системах контроля качества продукции. Appl. Sci. 2023, 13, 751. [CrossRef]

18. Ndagano, U.N.; Cahill, L.; Smullen, C.; Gaughran, J.; Kelleher, S.M. Современное состояние процессов химической переработки текстильных отходов. Molecules 2025, 30, 299. [CrossRef] [PubMed]

19. Gray, S. Картирование воздействия одежды в Европе: экологическая стоимость; WRAP: Банбери, Великобритания, 2017; с. 1-41. Доступно онлайн: http://www.ecap.eu.com/wp-content/uploads/2018/07/Mapping-clothing-impacts-in-Europe.pdf (дата обращения: 15 августа 2025 г.).

Отказ от ответственности/примечание издателя: утверждения, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно отдельным авторам и участникам, а не MDPI и/или редактору(ам). MDPI и/или редактор(ы) не несут ответственности за любой ущерб людям или имуществу, возникший вследствие идей, методов, инструкций или продуктов, упомянутых в содержании.