高光譜成像技術(shù)及其在木材無損檢測中的研究進展

周 竹， 方益明， 尹建新， 周素茵， 雒瑞森，鄭 劍

（1.浙江農(nóng)林大學 信息工程學院，浙江 臨安 311300；2.浙江農(nóng)林大學 浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點實驗室，浙江 臨安311300；3.浙江農(nóng)林大學 智慧農(nóng)林業(yè)研究中心，浙江 臨安 311300；4.浙江農(nóng)林大學 農(nóng)業(yè)與食品科學學院，浙江 臨安311300）

高光譜成像技術(shù)及其在木材無損檢測中的研究進展

周 竹1,2,3， 方益明1,2,3， 尹建新1,2,3， 周素茵1,2,3， 雒瑞森1,2,3，鄭 劍4

（1.浙江農(nóng)林大學 信息工程學院，浙江 臨安 311300；2.浙江農(nóng)林大學 浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點實驗室，浙江 臨安311300；3.浙江農(nóng)林大學 智慧農(nóng)林業(yè)研究中心，浙江 臨安 311300；4.浙江農(nóng)林大學 農(nóng)業(yè)與食品科學學院，浙江 臨安311300）

開展木材無損檢測是提高木材利用率，優(yōu)化木材資源的重要手段。高光譜成像技術(shù)作為一種先進的無損檢測技術(shù)，能同時獲取待測物的光譜與圖像信息，具有圖譜合一的優(yōu)點。介紹了高光譜成像技術(shù)的原理、裝置以及數(shù)據(jù)處理方法，并首次詳細介紹了該技術(shù)在木材及木制品的缺陷識別、重要物理力學性質(zhì)檢測以及化學性質(zhì)預測等方面的研究進展。通過綜合分析已有的研究，表明高光譜成像技術(shù)在木材及木制品品質(zhì)無損檢測中具有良好的應用前景。圖4參51

木材科學與技術(shù)；高光譜成像技術(shù)；木材；物理力學性質(zhì)；化學性質(zhì)；缺陷；無損檢測；綜述

采用無損檢測技術(shù)快速有效地預測木材各種物理力學性能、化學性質(zhì)、解剖學性質(zhì)以及各種缺陷等，對于充分合理利用木材，高效優(yōu)質(zhì)加工木材、挖掘木材的潛在利用價值以及加速木工企業(yè)自動化發(fā)展等方面具有重要的理論指導與實踐意義。機器視覺技術(shù)和光譜技術(shù)具有無損、快速、準確等優(yōu)點，是目前木材品質(zhì)無損檢測中的2種重要技術(shù)。其中，機器視覺技術(shù)提取木材及其制品的表面信息進行分析，可用于木材表面缺陷等的檢測［1－3］。該技術(shù)獲取的主要是灰色或RGB（紅綠藍）圖像，反映木材表面缺陷信息有限，識別準確率有待進一步提高。與機器視覺技術(shù)不同，光譜技術(shù)尤其是近紅外光譜技術(shù)，非常適合木材及其制品的物理力學性質(zhì)［4－7］、化學性質(zhì)［8－9］以及解剖學性質(zhì)［10－11］等的預測。該技術(shù)只采集被測對象一個點域的信息，缺少被測對象的空間信息，這一局限性可能會影響模型的穩(wěn)定性和適應性［12］。高光譜成像技術(shù)起源于遙感測量領(lǐng)域，它將二維成像和光譜技術(shù)有機融為一體，可以同時獲取研究對象的空間及光譜信息。由于圖像數(shù)據(jù)能反映被測物外部特征、表面缺陷等，而光譜數(shù)據(jù)可對其物理結(jié)構(gòu)及化學性質(zhì)進行分析，因此，高光譜成像技術(shù)是圖像技術(shù)與光譜技術(shù)的完美結(jié)合［12］。目前，涉及該技術(shù)在木材及其制品品質(zhì)檢測的研究尚在起步階段，這是一個有著巨大潛力的研究領(lǐng)域。本文介紹了高光譜成像技術(shù)的原理、裝置以及數(shù)據(jù)處理方法，并介紹該技術(shù)在木材及木制品的各種缺陷檢測、物理力學性質(zhì)以及化學性質(zhì)預測等方面的研究進展。

1 高光譜成像原理與裝置

高光譜成像是指在電磁波譜的光譜波段獲取較高光譜分辨率（0.6~3.0 nm）的圖像信息的過程，其理論基礎(chǔ)是利用電磁波譜對被測物特性進行分析并以成像的方式對被測物的光譜特性進行研究［13］。所得數(shù)據(jù)是在特定波長范圍內(nèi)由一系列連續(xù)的窄波段圖像組成的三維圖像?，F(xiàn)有高光譜成像系統(tǒng)的成像光譜范圍包括400~1 000 nm，900~1 700 nm和1 000~2 500 nm等3個標準光譜波段。

高光譜圖像的采集方式包括逐點掃描式、線推掃式以及面幀式［14］。目前，應用最多的是線推掃式。一個典型的線推掃式高光譜成像系統(tǒng)如圖1所示，由電荷耦合器件（charge coupled device,CCD）探測器、成像光譜儀、鏡頭、光源及其控制器、可調(diào)載物臺、步進電機、運動控制系統(tǒng)和圖像采集系統(tǒng)等組成。其中，成像光譜儀以光柵型為主，是高光譜成像系統(tǒng)的核心部件，其內(nèi)部有一個棱鏡-光柵-棱鏡（prism-grating-prism,PGP）單元，如圖2所示。在推掃過程中，該單元能將待測物一個窄帶空間內(nèi)的有效入射光散射成不同波長，色散后的光信號成像到CCD探測器上。其中的一個方向提供空間信息，另一個方向提供光譜信息，這樣就得到了此窄帶空間位置上多個像元點的光譜圖像。對推掃過程中多個窄帶空間區(qū)域的光譜圖像進行拼接，可獲得整個待測物的高光譜圖像。圖3給出了一種藍變木材的高光譜圖像數(shù)據(jù)［15］，其中第1維和第2維是木材樣品的空間位置信息（以x和y表示），第3維是波長信息（以λ表示）。

圖1 高光譜成像系統(tǒng)示意圖Figure 1 Schematic of hyperspectral imaging system

圖2 P-G-P分光原理圖Figure 2 Operating principles of P-G-P imaging spectrograph

根據(jù)高光譜成像系統(tǒng)中光源的類型以及傳感器與光源的不同配置方式，可獲取4種不同類型的高光譜圖像，分別是：反射圖像、散色圖像、熒光圖像和透射圖像。目前，高光譜反射圖像是木材品質(zhì)無損檢測應用研究的重點。

2 高光譜圖像數(shù)據(jù)的處理方法

高光譜圖像數(shù)據(jù)處理的一般流程如圖4所示［16］。由于高光譜圖像既包含光譜信息，又包括圖像信息，因此，高光譜圖像數(shù)據(jù)的分析方法很多。歸納起來，可以分為以下幾個步驟。

第一，數(shù)據(jù)校正與預處理。原始高光譜圖像數(shù)據(jù)是光子強度信息，需進行反射校正獲取相對反射率［17］。對于一些球狀或類球狀待測物，其形狀差異會使高光譜圖像數(shù)據(jù)存在空間差異，可在圖像維采用曲率校正方法［18-19］或者在光譜維采用光譜預處理方法［20－21］減弱或消除該影響。此外，由于高光譜圖像的數(shù)據(jù)量較大（可達數(shù)個GB），可通過裁剪、合并等方法減少無用信息從而降低數(shù)據(jù)量。

第二，數(shù)據(jù)降維。在圖像維，可根據(jù)待測物的光譜特性，直接提取反映待測物品質(zhì)的一個或幾個波長下的圖像［22］；也可通過一些數(shù)據(jù)降維方法如主成分分析法（principal component analysis,PCA）［23］、獨立成分分析法［24］或最小噪聲分離法［25］等獲取關(guān)鍵的特征圖像；還可在上述特征波段基礎(chǔ)上，采用波段比算法［23］、差分算法［26］等計算特征圖像。圖像維的處理方法常見于被測對象的表面缺陷檢測研究。在光譜維，在剔除了異常像元后，可對指定像元區(qū)域的光譜或者所有像元的光譜進行平均，計算平均光譜或偏差光譜進行分析；也可提取每個像元的光譜信息，用于像素級的分類分析。光譜維的處理方法可用于被測物內(nèi)部品質(zhì)和外部缺陷檢測等。

圖4 高光譜圖像數(shù)據(jù)的典型分析流程Figure 4 Flowchart of a series of typical steps for analyzing hyperspectral image data

第三，模型建立。在圖像維，可采用數(shù)字圖像處理技術(shù)對圖像進行分割處理從而獲取目標，提取特征參數(shù)建立相關(guān)模型［27］；在光譜維，可將平均光譜或偏差光譜與待測品質(zhì)關(guān)聯(lián)，通過一些化學計量學方法如偏最小二乘法（partial least squares,PLS）［17］、支持向量機［24］、人工神經(jīng)網(wǎng)絡(luò)［28］等，建立待測物品質(zhì)的定量或定性分析模型。

第四，目標分類。根據(jù)建立的模型對待測物品質(zhì)進行可視化預測研究，建立組分含量分布圖像或分類圖像。

3 研究進展

3.1 缺陷檢測

3.1.1 應力木檢測 應力木是樹木中的非正常木材組織，會嚴重影響木材的加工利用，導致木材資源浪費并造成經(jīng)濟損失。目前，應力木尤其是干燥之后的應力木的檢測較為困難，現(xiàn)有方法主要為人工檢測［29］、高頻電磁輻射分析法［30］等，均存在一定局限性。機器視覺技術(shù)可用于新鮮狀態(tài)下應力木檢測，而對干燥后的應力木檢測效果較差［31］。由于應力木中木質(zhì)素、半乳糖含量高于正常木，可利用它們在近紅外光譜區(qū)域的吸收作用，通過光譜分析法進行檢測［32-33］。然而光譜法需要大量數(shù)據(jù)，花費時間較長，且不具有空間信息，難以得到應力木在木材中的空間分布。大量研究表明，高光譜成像技術(shù)可用于木材應力木的判別。Hagman等［34］最早采用高光譜成像技術(shù)判別應力木。實驗木材來自3株挪威云杉Picea abies和5株歐洲赤松Pinus sylvestris。成像波段為400~720 nm。首先采用主成分分析法（PCA）對高光譜圖像進行分析，發(fā)現(xiàn)第2和第3主成分得分圖能區(qū)分凈木、應力木和黑節(jié)。隨后提取此3類樣本的光譜并采用偏最小二乘法（PLS）和多元線性回歸法建立識別模型，識別正確率均高于92%。Jan Nystr?m和Hagman等［32］在相同的波段范圍研究了經(jīng)干燥預處理的挪威云杉應力木的實時檢測方法。采用PLS建立了應力木、非應力木（早材、晚材以及暗色缺陷）的判別模型，使用該模型對14個樣本進行在線預測時，11個被正確區(qū)分。作者認為，通過調(diào)整光照方式、擴展成像光譜范圍以及提升硬件性能還可進一步提高識別性能。同時研究指出將試樣擴充到云杉生材，可以為該技術(shù)的工業(yè)應用奠定基礎(chǔ)。Duncker等［35］在400~1 000 nm波段范圍內(nèi)應用高光譜成像技術(shù)研究了挪威云杉圓盤橫截面應壓木的空間分布。從圓盤高光譜圖像中提取重度應力木、中度應力木、正常木以及背景或裂縫區(qū)域的平均光譜組成標準光譜集，采用光譜角算法對高光譜數(shù)據(jù)進行逐像元判別。結(jié)果顯示：光譜角算法對中度和重度應力木的分類效果較好，識別準確率為91%，高于采用紅綠藍（RGB）圖像的分類結(jié)果。上述研究成像波段均在可見/近紅外光譜區(qū)域。Meder等［33］則在1 000~1 700 nm范圍內(nèi)研究了輻射松Pinus radiata圓盤應力木分布的高光譜成像檢測方法。該研究將應力木程度分為5級，采用PLS建立判別模型，并將模型應用于高光譜圖像，能夠準確描述圓盤中的應力木分布。作者指出，若通過該技術(shù)對原木多個連續(xù)部位的應力木程度及分布進行可視化描述，有助于木材形成的解釋，同時也可為鋸木廠木材切割部位優(yōu)化提供參數(shù)。

3.1.2 變色檢測 由木材中有色菌絲引起的藍變以及由太陽光輻射、溫度、濕度等氣候因子綜合作用引起的木材表面變色均會影響木材的外觀，降低木材及木制品的品級和價值。目前，已有學者嘗試利用高光譜成像技術(shù)對木材變色進行研究。Burud等［15］在實驗室條件下應用高光譜成像系統(tǒng)定量檢測挪威云杉木制品表面的藍變。致藍病菌為黑酵母菌Aureobasidium pullulans和枝狀枝孢菌Cladosporium cladosporioides。所用試材包括3種類型：一類樣品表面覆蓋了不含防腐劑的水性醇酸樹脂改性丙烯酸涂料；一類樣品表面涂有不含防腐劑的溶劑型醇酸漆；另外一類作對照未經(jīng)任何處理。光譜成像區(qū)域為可見/近紅外區(qū)（400~1 000 nm）和短波近紅外區(qū)（1 000~2 500 nm），數(shù)據(jù)處理方法為PCA。研究發(fā)現(xiàn)，可見/近紅外高光譜圖像的第1主成分得分圖像以及近紅外高光譜圖像的第2主成分圖像均能識別藍變區(qū)域。其中，可見/近紅外光譜區(qū)域獲取藍變木材的顏色信息，這與RGB圖像信息一致。當高光譜圖像中存在異于藍變的其他顏色時，會引起誤判。而近紅外波段則可以獲取致藍真菌的水分含量信息，由于黑酵母菌和枝狀枝孢菌在近紅外譜區(qū)表現(xiàn)不同的光譜特性，這為不同致藍真菌種類的識別提供了理論基礎(chǔ)。在此研究基礎(chǔ)上，該團隊從2013年8月開始采用該技術(shù)在室外條件下，開展在不同木材基底上受多種病菌浸染下真菌的生長狀態(tài)研究［36］。Agresti［37］采用高光譜成像技術(shù)研究白楊Populus alba木材顏色與人工模擬自然光光照時間的變化關(guān)系。測量波長范圍為400~1 000 nm和1 000~2 500 nm。研究發(fā)現(xiàn)在500~900 nm范圍內(nèi)的木材光譜變化主要反映其在不同光照時間下的顏色變化，光照24 h前后的差異顯著，而在1 005~2 500 nm范圍內(nèi)的木材光譜變化則反映了其化學成分如木質(zhì)素、纖維素含量隨光照時間的變化。對2個波段范圍內(nèi)的光譜采用偏最小二乘-判別分析方法建立的判別模型，能準確的判別0，216和504 h等3個不同光照時間下的木材。研究認為短波近紅外波段光譜攜帶了反映木材主要化學成分含量隨光照時間變化的信息，所建模型性能更好。

3.1.3 其他缺陷檢測 木材缺陷（包括節(jié)子、腐朽、蟲眼等）會直接影響木材產(chǎn)品的強度、外觀和檔次。機器視覺技術(shù)是木板材表面缺陷識別的有效技術(shù)之一［38］。然而，由于木材的外觀變化較大，不存在色彩或紋理特征完全相同的板材，因此，木材表面缺陷的機器視覺自動分類識別存在很多挑戰(zhàn)。近紅外光譜分析技術(shù)也可用于木材表面缺陷的檢測［39-41］，但是其檢測區(qū)域一般僅是木材表面的某點或較小區(qū)域（不具備空間信息），木材的各向異性會影響檢測結(jié)果［41］。高光譜圖像數(shù)據(jù)同時具備光譜信息和空間信息，這為木板材的表面缺陷檢測提供了一種新的技術(shù)。Bharati［42］采用高光譜成像技術(shù)研究了離線和在線情況下的木板表面缺陷的檢測方法，包括香脂冷杉Abies balsamea，白云杉Picea glauca和斑克松Pinus banksiama等3個樹種的軟木，缺陷則包括不同類型的節(jié)子、裂縫、衰敗、瀝青和夾皮。成像波段為1 144~1 670 nm，研究方法為多元圖像主成分分析法。作者同時獲取了該批樣本的RGB圖像，采用相同的分析方法進行了比較分析。研究結(jié)果表明：RGB圖像僅能反映木材正常部位和某些缺陷部位（節(jié)子、裂縫）的顏色差異，只能判別是否存在缺陷，而高光譜圖像則反映了木材不同部位的化學信息、物理性質(zhì)等，這為化學成分、物理性質(zhì)不一的不同缺陷類型的判別（如節(jié)子和裂縫，活節(jié)和死節(jié)）提供了可能。Lundqvist等［43］在1 000~2 500 nm波段范圍內(nèi)采集了歐洲赤松生材盤圓高光譜圖像，直接對原始高光譜圖像進行主成分分析，發(fā)現(xiàn)前3個主成分圖像就可以準確的區(qū)分心材、邊材、油污帶和木材退化層。

3.2 物理力學性質(zhì)檢測

含水量和密度是木材的重要物理力學性質(zhì)評價指標。其中，纖維飽和點以下的含水量會嚴重影響木材的強度、剛性、耐腐性、機械加工性能、導電性等［5］；而密度可用來評估木材的質(zhì)量、判斷木材的工藝性質(zhì)和物理力學性質(zhì)（硬度、強度、干縮以及濕漲等）［6］。

Hikaru等［44］在400~1 000 nm波段范圍內(nèi)采用高光譜成像技術(shù)檢測歐洲山毛櫸Fagus sysvatica和歐洲赤松2種木材干燥過程中的水分含量分布。分別采集2樹種各10個樣本在7個不同水分含量階段的高光譜圖像，提取平均光譜并采用PLS建立水分含量模型。研究認為標準正態(tài)變量變換（SNV）光譜預處理能突出水分在980 nm下的特征光譜，可消除因水滴和木材表面結(jié)構(gòu)差異引起光散射的影響，采用該預處理方法所建模型分別對相應樹種下的高光譜圖像進行逐像元預測。研究結(jié)果顯示，在干燥過程中，歐洲山毛櫸與歐洲赤松的早材部位與晚材部位表現(xiàn)出不同的水分含量分布，印證了2個樹種在解剖學上的差異。

Fernandes等［45－46］采用高光譜成像技術(shù)對海岸松Pinus pinea木材的密度進行檢測研究。波段范圍為400~1 000 nm，光譜分辨率為0.6 nm，空間分辨率為79 μm。他們首先以1株海岸松為研究對象，提取152個密度測量點的光譜數(shù)據(jù)建立主成分得分-人工神經(jīng)網(wǎng)絡(luò)模型，該模型用于測試集（365個測量點）時，決定系數(shù)為0.96，平均絕對誤差為0.041 g·cm－3。隨后該團隊擴大樣本進行研究，實驗樣本取自34株海岸松的胸高處（1.3 m），樹齡范圍為3~44年生，包含了邊材和心材。提取平均光譜采用PLS進行20次隨機建模，最終所得20個模型對測試集的決定系數(shù)的平均值為0.81，預測均方根誤差的平均值為6.52×10－2g·cm－3。該團隊還進一步比較了不同建模方法對模型性能的影響，并確定了最優(yōu)的建模方法［47］，為木材年代學和木材氣候?qū)W的研究提供了一種新的技術(shù)與方法。

不同于上述研究所用波段范圍，Mora等［48］在1 000~1 700 nm范圍內(nèi)采用高光譜成像技術(shù)檢測火炬松Pinus taeda圓盤的基本密度和水分含量。試樣材齡為13~19 a。將每個圓盤高光譜圖像中無缺陷區(qū)域的數(shù)據(jù)進行平均，采用PLS建立模型。密度模型的預測決定系數(shù)為0.81，預測均方誤差為23.6 kg·m－3，水分模型的預測決定系數(shù)為0.77，預測均方誤差為2.10%。該研究還與近紅外光譜技術(shù)進行了對比。研究發(fā)現(xiàn)：雖然高光譜圖像數(shù)據(jù)所建密度和水分模型的精度略低于近紅外光譜技術(shù)所建同類模型，但高光譜圖像具有空間信息，且不受被測樣本形狀限制。作者指出：通過采用高精度的相機，拓展成像波段和確定特征波段可以進一步提高密度、水分模型的精度。

3.3 化學性質(zhì)檢測

木材是復雜的天然聚合物質(zhì)，其化學組成是木材最基本的性質(zhì)，與木材材性和紙漿性能密切相關(guān)。因此，尋找一種快速、準確的木材化學性質(zhì)預測方法對于木材原料的最佳使用期或用途的分析具有理論意義和實用價值。

Thumm等［49］采用高光譜成像技術(shù)研究了輻射松原木圓盤主要化學成分的含量及空間分布情況，所用成像波段區(qū)域為900~1 700 nm。提取平均光譜并采用PLS建立木質(zhì)素、半乳糖、葡萄糖的定量模型，3種成分模型的決定系數(shù)分別為0.84，0.87，0.87，預測標準偏差分別為14.8，9.5和6.8 g·kg－1。將所建模型用于3組分的空間分布預測時，發(fā)現(xiàn)在木材內(nèi)部3種成分的含量在空間分布不一致，驗證了木材內(nèi)部為非勻質(zhì)體。特別是將3組分模型應用于應壓木部位時，發(fā)現(xiàn)木質(zhì)素和半乳糖含量升高而葡萄糖含量降低。研究結(jié)果表明：高光譜成像技術(shù)能對具有各向異性的木材的一些化學指標進行可視化展示，有利于木材不同部位的材性變化研究，從而更好地解釋外界環(huán)境對木材生長的影響。

瑞士Innventia公司的研究團隊搭建了一套近紅外光譜成像系統(tǒng)（1 000~2 500 nm），用于落葉松Larix decidua橫截面生長輪上木質(zhì)素含量的分布預測。直接對高光譜圖像進行主成分變換，發(fā)現(xiàn)前3個主成分圖像可以很好地描述木質(zhì)素在各個年輪上的分布。從高光譜圖像中提取平均光譜建立PLS模型進行逐像素預測，也能準確描述木質(zhì)素的分布［43］。該團隊還將該技術(shù)應用于樹種識別、應壓木檢測以及紙張主要成分含量變異檢測，均取得了不錯的效果。

高光譜成像技術(shù)除了用于以上研究以外，還可用于木材油浸性能的檢測。Geladi等［50］以歐洲赤松為研究對象，采用高光譜成像技術(shù)對邊材和心材的徑切面、弦切面受亞麻籽油油浸前、后的狀態(tài)進行研究。成像波段為982~2 498 nm。對所有試樣進行PCA分析時，發(fā)現(xiàn)油浸前、后木材差異顯著，容易區(qū)分。單獨對油浸前、后樣本進行PCA分析時，發(fā)現(xiàn)在木材油浸前，徑切面和弦切面樣本容易區(qū)分，而在木材油浸后，邊材和心材樣本容易區(qū)分。作者指出：采用高光譜成像技術(shù)可以形象地刻畫木板油浸之后亞麻籽油在其表面的附著狀態(tài)，可為下一步在線評價防腐油在木材中的浸潤分布提供技術(shù)參數(shù)。

4 總結(jié)與展望

高光譜成像技術(shù)可以同時獲取待測物較豐富的圖像和光譜信息，能對木材及木制品的多種物理、化學性質(zhì)以及缺陷進行無損檢測，是對被測物材料屬性的局部變化進行可視化刻畫的理想工具［50］。隨著數(shù)字圖像處理技術(shù)、光譜分析技術(shù)、化學計量學技術(shù)以及模式識別技術(shù)等的快速發(fā)展和融合，該技術(shù)將在木材以及木制品品質(zhì)無損檢測中具有良好的應用前景。然而，高光譜成像技術(shù)是近10多年發(fā)展起來的一項技術(shù)，需要在實踐應用中不斷走向完善與成熟。

4.1 加強高光譜成像技術(shù)在木材品質(zhì)檢測中的應用研究

高光譜成像技術(shù)在木材無損檢測中的研究在國內(nèi)尚無，在國外僅處于起步階段，且大多數(shù)為實驗室研究，雖然取得了較好的預測效果，在應用上表現(xiàn)出了很大的潛力，但是距離實際應用尚有差距。因此，需要研究實際應用和實驗室條件的區(qū)別，分析和消除木材各種因素如樹種、水分含量、紋理、表面粗糙度、切面部位、儀器參數(shù)和工作環(huán)境等對高光譜成像檢測的影響，盡快將實驗室模型推廣到實際應用中。

4.2 拓展高光譜圖像采集方式及成像波段范圍

現(xiàn)有的木材及其制品的品質(zhì)檢測研究主要采用反射高光譜圖像，采用其他類型高光譜圖像如熒光圖像或散射圖像進行研究的較少。此外，現(xiàn)有的成像波段范圍一般限制在400~1 000 nm或者1 000~2 500 nm某個范圍內(nèi)，在400~2 500 nm全波段范圍以及紫外光譜區(qū)內(nèi)進行研究的不多。研究人員可聯(lián)合幾種高光譜圖像采集技術(shù)并擴大成像波段范圍開展木材及其衍生品的品質(zhì)檢測研究，從而為中國木材新型檢測裝備的研制提供理論基礎(chǔ)和技術(shù)支撐。

4.3 開發(fā)便攜式、預測準確性高的多光譜成像檢測儀器

高光譜成像系統(tǒng)要處理海量數(shù)據(jù)，對計算機系統(tǒng)的硬盤、內(nèi)存以及運算速度等要求很高，直接應用于在線檢測的高光譜成像系統(tǒng)較少。在一些農(nóng)產(chǎn)品檢測領(lǐng)域，研究人員對被測農(nóng)產(chǎn)品的高光譜圖像進行分析，根據(jù)檢測指標獲取了一些有效特征波長，并設(shè)計出實時、無損的多光譜成像系統(tǒng)［51］。在木材品質(zhì)高光譜成像檢測研究方面也可借鑒該思想，從而開發(fā)出便攜式、預測準確性高、適應性廣的多光譜成像儀器，實現(xiàn)在復雜工作環(huán)境中的木材品質(zhì)實時在線快速檢測。

［1］ 尹建新，祁亨年，馮海林，等．一種基于混合紋理特征的木板材表面缺陷檢測方法［J］．浙江農(nóng)林大學學報，2011，28（6）：937－942.

YIN Jianxin,QI Hengnian,FENG Hailin,et al.A method for wood surface defect detection based on mixed texture features［J］.J Zhejiang A&F Univ,2011,28（6）:937－942.

［2］ 杜曉晨，尹建新，祁亨年， 等．基于顏色直方圖和LBP-TD算子的木板材結(jié)疤缺陷區(qū)域檢測［J］.北京林業(yè)大學學報， 2012,34（3）：71－75.

DU Xiaochen,YIN Jianxin,QI Hengnian,et al.Defective region detection for wood based on color histogram and LBP-TD operator［J］.J Beijing For Univ,2012,34（3）:71－75.

［3］ CHEN Lijun,WANG Keqi,XIE Yonghua,et al.The segmentation of timber defects based on color and the mathematical morphology［J］.Optik Int J Light Elect Optic,2014,125（3）:965－967.

［4］ COGDILL R P,SCHIMLECK L R,JONES P D,et al.Estimation of the physical wood properties of Pinus taeda L.radial strips using least squares support vector machines［J］.J Near Infrared Spectrosc,2004,12（4）:263－270.

［5］ 江澤慧，黃安民．木材中的水分及其近紅外光譜分析［J］．光譜學與光譜分析，2006,26（8）：1464－1468.

JIANG Zehui,HUANG Anmin.Water in wood and its near infrared spectroscopic analysis［J］.Spectrosc Spectr Anal, 2006,26（8）:1464－1468.

［6］ 江澤慧，黃安民，王斌．木材不同切面的近紅外光譜信息與密度快速預測［J］．光譜學與光譜分析，2006,26（6）：1034－1037.

JIANG Zehui,HUANG Anmin,WANG Bin.Near infrared spectroscopy of wood sections and rapid density prediction［J］.Spectrosc Spectral Anal,2006,26（6）:1034－1037.

［7］ DIESEL K M F,da COSTA F S L,PIMENTA A S,et al.Near-infrared spectroscopy and wavelength selection for estimating basic density in Mimosa tenuiflora［Willd.］poiret wood［J］.Wood Sci Technol,2014,48（5）:949－959.

［8］ JONES P D,SCHIMLECK L R,PETER G F,et al.Nondestructive estimation of wood chemical composition of sections of radial wood strips by diffuse reflectance near infrared spectroscopy［J］.Wood Sci Technol,2006,40（8）:709－720.

［9］ ISHIZUKA S,SAKAI Y,TANAKA-ODA A.Quantifying lignin and holocellulose content in coniferous decayed wood using near-infrared reflectance spectroscopy［J］.J For Res,2014,19（1）:233－237.

［10］ 趙榮軍，張黎，霍小梅，等．基于近紅外光譜技術(shù)預測徑/弦切面粗皮桉木材微纖絲角［J］．光譜學與光譜分析，2010,30（9）：2355－2359.

ZHAO Rongjun,ZHANG Li,HUO Xiaomei,et al.Microfibril angle prediction of Eucalyptus pellita wood samples based on radial and tangential section by near infrared spectroscopy［J］.Spectrosc Spectr Anal,2010,30（9）:2355－2359.

［11］ 江澤慧，費本華，楊忠．光譜預處理對近紅外光譜預測木材纖維素結(jié)晶度的影響［J］．光譜學與光譜分析，2007,24（3）：435－438.

JIANG Zehui,FEI Benhua,YANG Zhong.Effects of spectral pretreatment on the prediction of crystallinity of wood cellulose using near infrared spectroscopy［J］.Spectrosc Spectr Anal,2007,24（3）:435－438.

［12］ 李江波，饒秀勤，應義斌．農(nóng)產(chǎn)品外部品質(zhì)無損檢測中高光譜成像技術(shù)的應用研究進展［J］．光譜學與光譜分析，2011,31（8）：2021－2026．

LI Jiangbo,RAO Xiuqin,YING Yibin.Advance on application of hyperspectral imaging to nondestructive detection of agricultural products external quality［J］.Spectrosc Spectr Anal,2011,31（8）:2021－2026.

［13］ 賀霖，潘泉，邸韡，等．高光譜圖像目標檢測研究進展［J］．電子學報，2009,37（9）：2016－2024．

HE Lin,PAN Quan,DI Wei,et al.Research advance on target detection for hyperspectral imagery［J］.Acta Electron Sin,2009,37（9）:2016－2024.

［14］ QIN Jiangwei,CHAO Kuanglin,KIM M S,et al.Hyperspectral and multispectral imaging for evaluating food safety and quality［J］.J Food Eng,2013,118（2）:157－171.

［15］ BURUD I,GOBAKKEN LR,FL? A,et al.Hyperspectral imaging of blue stain fungi on coated and uncoated wooden surfaces［J］.Int Biodeterior Biodegrad,2014,88（1）:37－43.

［16］ WU Di,SUN Dawen.Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment:a review—part I:fundamentals［J］.Innov Food Sci Emerg,2013,19（1）:1－14.

［17］ 周竹，李小昱，高海龍，等．馬鈴薯干物質(zhì)含量高光譜檢測中變量選擇方法比較［J］．農(nóng)業(yè)機械學報，2012，43（2）：128－133，185．

ZHOU Zhu,LI Xiaoyu,GAO Hailong,et al.Comparison of different variable selection methods on potato dry matter detection by hyperspectral imaging technology［J］.Trans Chin Soc Agric Mac,2012,43（2）:128－133,185.

［18］ GóMEZ-SANCHIS J,MOLTó E,CAMPS-VALLs G,et al.Automatic correction of the effects of the light source on spherical objects.An application to the analysis of hyperspectral images of citrus fruits［J］.J Food Eng,2008,85（2）:191－200.

［19］ TAGHIZADEH M,GOWEN A,O’DONNELL C P.Prediction of white button mushroom （Agaricus bisporus）moisture content using hyperspectral imaging［J］.Sens Instrum Food Qual Saf,2009,3（4）:219－226.

［20］ KAWANO S,HAFF R,SARANWONG S.Methods for correcting morphological-based deficiencies in hyperspectralimages of round objects［J］.J Near Infrared Spec,2012,19（6）:431-441.

［21］ GASTON E,FRIAS J M,CULLEN P J,et al.Prediction of polyphenol oxidase activity using visible near-infrared hyperspectral imaging on mushroom（Agaricus bisporus）caps［J］.J Agric Food Chem,2010,58（10）:6226-6233.

［22］ ElMASRY G,SUN D W,ALLEN P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging［J］.Food Res Int,2011,44（9）:2624-2633.

［23］ 周竹，李小昱，陶海龍，等.基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測［J］.農(nóng)業(yè)工程學報，2012，28（21）：221-228. ZHOU Zhu,LI Xiaoyu,TAO Hailong,et al.Detection of potato external defects based on hyperspectral imaging technology［J］.Trans.Chin Soc Agric Eng,2012,28（21）:221-228.

［24］ YU Keqiang,ZHAO Yanru,LI Xiaoli,et al.Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing［J］.Comput Electron Agr,2014,103（1）:1-10.

［25］ 張保華，黃文倩，李江波，等.基于高光譜成像技術(shù)和 MNF檢測蘋果的輕微損傷［J］.光譜學與光譜分析，2014，34（5）：1367-1372.

ZHANG Baohua,HUANG Wenqian,LI Jiangbo,et al.Detection of slight bruises on apples based on hyperspectral imaging and MNF transform［J］.Spectrosc Spectr Anal,2014,34（5）:1367-1372.

［26］ ZHAO Jiewen,OUYANG Qin,CHEN Quansheng,et al.Detection of bruise on pear by hyperspectral imaging sensor with different classification algorithms［J］.Sensor Lett,2010,8（4）:570-576.

［27］ 陳全勝，張燕華，萬新民，等.基于高光譜成像技術(shù)的豬肉嫩度檢測研究［J］.光學學報，2010,30（9）：2602 -2607.

CHEN Quansheng,ZHANG Yanhua,WAN Xinmin,et al.Study on detection of pork tenderness using hyperspectral imaging technique［J］.Acta Optica Sin,2010,30（9）:2602-2607.

［28］ ElMASRY G,WANG Ning,VIGNEAULT C.Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks［J］.Postharvest Biol Technol,2009,52（1）:1-8.

［29］ YUMOTO M,ISHIDA S,FUKAZAWA K.Studies on the formation and structure of the compression wood cells induced by artificial inclination in young trees of Picea glauca：Ⅳ.gradation of the severity of compression wood tracheids［J］.Res Bull Coll Exp For Hokkaido Univ,1983,40（2）:409-454.

［30］ SCHINKER M G,HANSEN N,SPIECKER H.High-frequency densitometry-a new method for the rapic evaluation of wood density variations［J］.IAWA J,2003,24（3）:231-240.

［31］ NYSTR?M J,KLINE D E.Automatic classification of compression wood in green southern yellow pine［J］.Wood Fiber Sci,2000,32（3）:301-310.

［32］ NYSTR?M J,HAGMAN O.Real-time spectral classification of compression wood in Picea abies［J］.J Wood Sci, 1999,45（1）:30-37.

［33］ MEDER R,MEGLEN R R.Near infrared spectroscopic and hyperspectral imaging of compression wood in Pinus radiata D.Don［J］.J Near Infrared Spec,2012,20（5）:583-589.

［34］ HAGMAN O.Multivariate prediction of wood surface features using an imaging spectrograph［J］.Holz Roh Werkst, 1997,55（6）:377-382.

［35］ DUNCKER P,SPIECKER H.Detection and classification of Norway spruce compression wood in reflected light by means of hyperspectral image analysis［J］.IAWA J,2009,30（1）:59-70.

［36］ BURUD I,GOBAKKEN L R,FL? A,et al.Hyperspectral imaging:a new tool for detecting and quantify mould growth on wood surfaces ［C］//SANDAK A,SANDAK J.Application of NIR Spectroscopy for Wood Science and Technology Research“NIR&Wood-Sounds Good”.San Michele all’Adige:NIR,2014:53-56.

［37］ AGRESTI G,BONIFAZI G,CALIENNO L,et al.Surface investigation of photo-degraded wood by colour monitoring, infrared spectroscopy,and hyperspectral imaging［J］.J Spectrosc,2013,1（1）:1-13.

［38］ 胡碩飛，周建徽，云虹，等.基于灰度共生矩陣參數(shù)的柳杉材表面節(jié)疤缺陷識別［J］.木材加工機械，2011，22（5）：11-15.

HU Shuofei,ZHOU Jianhui,YUN Hong,et al.Detection of sound knots and dead knots on Sugi timber using grey level co-occurrence matrix parameter［J］.Wood Pro Mac,2011,22（5）:11-15.

［39］ 楊忠，陳玲，付躍進，等.近紅外光譜結(jié)合 SIMCA模式識別法檢測木材表面節(jié)子［J］.東北林業(yè)大學學報，2012，40（8）：70－72.

YANG Zhong,CHEN Lin,FU Yuejin,et al.Rapid detection of knot defect in wood surface by near infrared spectroscopy coupled with SIMCA pattern recognition［J］.J Northeast For Univ,2012,40（8）:70－72.

［40］ 楊忠，黃安民，江澤慧．近紅外光譜結(jié)合回歸分析預測法判別木材的生物腐朽［J］．林業(yè)科學，2012，48（10）：120－124．

YANG Zhong,HUANG Anmin,JIANG Zehui.Discrimination of wood biological decay by NIR coupled with regression analysis prediction method［J］.Sci Silv Sin,2012,48（10）:120－124.

［41］ STIRLING R.Near Infrared Detection of Decay in Post-Mountain Pine Beetle Lumber［M］.Victoria:Pacific Forestry Centre,2009:27.

［42］ BHARATI M H.Multivariate Image Analysis and Regression for Industrial Process Monitoring and Product Quality Control［D］.Hamilton:McMaster University,2002.

［43］ LUNDQVIST S O,THOMAS G,LARS W.Imaging NIR spectroscopy for investigation of wood and applications on wood materials［C］//SANDAK A,SANDAK J.Application of NIR Spectroscopy for Wood Science and Technology Research“NIR&Wood-Sounds Good”.San Michele all’Adige:NIR,2014:33－36.

［44］ KOBORI H,GORRETTA N,RABATEL G,et al.Applicability of Vis-NIR hyperspectral imaging for monitoring wood moisture content（MC）［J］.Holzforschung,2013,67（3）:307－314.

［45］ FERNANDES A,LOUSADA J,MORAIS J,et al.High spatial resolution measurement of wood density using hyperspectral imaging and neural networks［C］//COST Action FP0802 Experimental and Computational Characterization Techniques in Wood Mechanics.Mixed Numerical and Experimental Methods Applied to The Mechanical Characterization of Bio-Based Materials.Vila Real:Thematic Workshop,2011:11－12.

［46］ FERNANDES A,LOUSADA J,MORAIS J,et al.Measurement of intra-ring wood density by means of imaging Vis/ NIR spectroscopy（hyperspectral imaging）［J］.Holzforschung,2013,67（1）:59－65.

［47］ FERNANDES A,LOUSADA J,MORAIS J,et al.Comparison between neural networks and partial least squares for intra-growth ring wood density measurement with hyperspectral imaging［J］.Comput Electron Agric,2013,94（1）:71－81.

［48］ MORA C,SCHIMLECK L,YOON S-C,et al.Determination of basic density and moisture content of loblolly pine wood disks using a near infrared hyperspectral imaging system［J］.J Near Infrared Spec,2011,19（5）:401－409.

［49］ THUMM A,RIDDELL M,NANAYAKKARA B,et al.Near infrared hyperspectral imaging applied to mapping chemical composition in wood samples［J］.J Near Infrared Spec,2010,18（6）:507－515.

［50］ GELADI P,ERIKSSON D,ULVCRONA T.Data analysis of hyperspectral NIR image mosaics for the quantification of linseed oil impregnation in Scots pine wood［J］.Wood Sci Technol,2014,48（3）:467－481.

［51］ QIN Jiangwei,BURKS T F,ZHAO Xuhui,et al.Development of a two-band spectral imaging system for real-time citrus canker detection［J］.J Food Eng,2012,108（1）:87－93.

Review of nondestructive detection of wood and wood products based on hyperspectral imaging technology

ZHOU Zhu1,2,3，F(xiàn)ANG Yiming1,2,3，YIN Jianxin1,2,3，ZHOU Suyin1,2,3，LUO Ruisen1,2,3，ZHENG Jian4
（1.School of Information Engineering,Zhejiang A&F University,Lin’an 311300,Zhejiang,China;2.Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology,Zhejiang A&F University, Lin’an 311300,Zhejiang,China;3.Research Center for Smart Agriculture and Forestry,Zhejiang A&F University, Lin’an 311300,Zhejiang,China;4.School of Agriculture and Food Science,Zhejiang A&F University,Lin’an 311300,Zhejiang,China）

Wood nondestructive detection is an important technology to increase wood utilization rate and optimize forest resources.As an advanced nondestructive detection technology,hyperspectral imaging （HSI）integrates conventional imaging and spectroscopy to attain both spatial and spectral information from an object.It has the advantages of non-destructively detecting both physical,morphological characteristics,and chemical information of the object in many fields.This paper introduced the hyperspectral imaging technology,including its principles,equipment,image acquisition,processing methods and etc.Furthermore,recent advances in the application of HSI to wood and wood products quality assessment such as defect identification,physical-mechanical properties detection and constituent analysis were reviewed comprehensively for the first time.The review indicated that HSI had good application prospects in the nondestructive detection of wood and wood products.［Ch,4 fig.51 ref.］

wood science and technology;hyperspectral imaging technology;wood;physical-mechanical property;chemical property;defect;nondestructive detection;review

S781;O657.33

A

2095-0756（2015）03-0458-09

10.11833/j.issn.2095-0756.2015.03.020

2014-09-16；

2014-10-15

國家自然科學基金資助項目（61302185）；浙江省自然科學基金資助項目（LQ13F050006，Y3110450）；浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點實驗室資助項目（2013ZHNL03）；浙江農(nóng)林大學科研發(fā)展基金資助項目（2012FR085）

周竹，博士，從事木材智能化檢測技術(shù)等研究。E-mail：zhouzhu@zafu.edu.cn