應(yīng)用近紅外光譜技術(shù)檢測(cè)木材含水率的方法1)

汪紫陽(yáng) 李耀翔 尹世逵

(東北林業(yè)大學(xué)，哈爾濱，150040)

對(duì)木材進(jìn)行恰當(dāng)?shù)母稍锾幚恚鼓静牡暮式档筒⒕S持在一定的程度，可以延長(zhǎng)木材及木制品的儲(chǔ)存時(shí)間和使用壽命。木材的含水率在纖維飽和點(diǎn)(30%)范圍內(nèi)變化時(shí)會(huì)發(fā)生干裂、濕脹等現(xiàn)象，使木材出現(xiàn)裂痕，發(fā)生形變[1]。對(duì)木材含水率的控制是木制品生產(chǎn)企業(yè)比較重視的一個(gè)環(huán)節(jié)，同時(shí)也是木制品生產(chǎn)加工最重要的一個(gè)因素。在木材的切削和儲(chǔ)存、木制品的生產(chǎn)和加工過(guò)程中，對(duì)木材含水率的實(shí)時(shí)監(jiān)測(cè)顯得尤為重要。如果不能及時(shí)控制木材的含水率，即使原本合格的木制品也會(huì)出現(xiàn)開(kāi)裂、變形等問(wèn)題[2]。隨著天然林全面禁伐的逐步推進(jìn)，國(guó)內(nèi)木資源供給緊張，對(duì)高效、合理地保存和使用木材提出了更高地要求。在木材的流通與加工過(guò)程中需要能夠快速、精準(zhǔn)、無(wú)損地得到木材的含水率數(shù)據(jù)，以判斷木材干燥的程度。

木材含水率的檢測(cè)方法有很多，近幾年有通過(guò)無(wú)損檢測(cè)技術(shù)預(yù)測(cè)木材含水率的研究[3-6]。近紅外光譜技術(shù)可以用于含氫基團(tuán)的定性定量檢測(cè)，對(duì)物質(zhì)中水分的信息比較敏感，可以用于含水率的檢測(cè)。近紅外檢測(cè)用時(shí)很短，光譜的采集過(guò)程可以在幾秒之內(nèi)完成[7]。并且近紅外光的傳輸性能好，可以通過(guò)光纖傳輸，實(shí)現(xiàn)遠(yuǎn)程檢測(cè)和在線檢測(cè)[8]。又因?yàn)樵撟V區(qū)的吸收強(qiáng)度低、發(fā)熱小，可以達(dá)到無(wú)損檢測(cè)的目的而被廣泛應(yīng)用。但是目前絕大部分的研究都是使用近紅外光譜技術(shù)對(duì)一個(gè)樹(shù)種木材的含水率進(jìn)行預(yù)測(cè)[9-13]，對(duì)使用近紅外光譜技術(shù)同時(shí)預(yù)測(cè)多個(gè)樹(shù)種木材含水率的研究比較少。筆者使用近紅外光譜技術(shù)建立單一樹(shù)種的含水率預(yù)測(cè)模型，并利用兩種木材的混合樣本光譜建立含水率預(yù)測(cè)模型，可以對(duì)使用多個(gè)樹(shù)種混合近紅外光譜建立含水率模型提供參考。

1 材料與方法

1.1 材料

本試驗(yàn)所用樣品均采自黑龍江省方正縣林業(yè)局星火林場(chǎng)(N45°43′5.73″，E129°13′34.37″)。樣品由生長(zhǎng)錐鉆取，鉆孔方位為由南向北穿過(guò)樹(shù)心，高度為距離地面1.3 m胸高處。本次采樣采得2個(gè)樹(shù)種，分別是胡桃楸(JuglansmandshuricaMaxim.)和榆樹(shù)(UlmuspumilaL.)，其中胡桃楸采樣42棵，榆樹(shù)采樣32顆，共74根樣品。樣品的三分之二作為校正集用于建立模型，三分之一作為驗(yàn)證集用于驗(yàn)證模型。樣品直徑約為5.15 mm，長(zhǎng)度略大于采樣樹(shù)木胸徑的一半，100～350 mm不等。本次含水率測(cè)定按照GB/T 1931—2009《木材含水率測(cè)定方法》進(jìn)行。兩個(gè)樹(shù)種樣本的含水率統(tǒng)計(jì)信息見(jiàn)表1。

表1 樣品含水率統(tǒng)計(jì)信息

1.2 近紅外光譜采集

使用美國(guó)ASD公司生產(chǎn)的LabSpec便攜式快速掃描光譜儀采集樣品近紅外光譜。本試驗(yàn)采用兩分叉光纖，將探頭固定在光纖端部2 mm處。將木條木樣嵌入直徑為5 mm的探頭口中，如圖1所示。光斑直徑為5 mm。將樣品從中部截?cái)?，每個(gè)斷面采集1次光譜后旋轉(zhuǎn)一定角度采集第2次光譜，共采集3次光譜。每次全光譜數(shù)據(jù)采集時(shí)間為1.5 s。在1.5 s內(nèi)，光譜儀會(huì)連續(xù)掃描30次，并自動(dòng)取其平均光譜。采集完成后立即稱質(zhì)量，由于采集時(shí)間比較短，認(rèn)為樣品在采集光譜的時(shí)間內(nèi)含水率沒(méi)有改變。篩除異常光譜后取平均光譜用于分析。用光譜儀配套的軟件采集光譜并轉(zhuǎn)換成由2 151個(gè)數(shù)據(jù)點(diǎn)組成的數(shù)據(jù)文件。

1.3 數(shù)據(jù)處理

樣品的近紅外光譜為表觀光譜，由能夠表征樣品的真實(shí)光譜和不確定的背景組成[14]。由于木材是復(fù)雜的天然物，屬于散射介質(zhì)，采集光譜時(shí)需要用漫反射光譜分析樣品，相對(duì)于透射光譜測(cè)量方式要更加復(fù)雜[15]。

圖1 生長(zhǎng)錐樣品近紅外光譜采集

近紅外光譜預(yù)處理常用的方式就是數(shù)字濾波和導(dǎo)數(shù)處理。目前常用的數(shù)字濾波為平滑處理，光譜平滑可以降低噪音，一定程度上提升信噪比，但過(guò)度平滑會(huì)使光譜失真。背景中的基線偏移和光譜旋轉(zhuǎn)可以通過(guò)對(duì)光譜求導(dǎo)處理進(jìn)行校正，但是求導(dǎo)的過(guò)程中會(huì)放大光譜的噪音。本研究采用中心化、標(biāo)準(zhǔn)化和導(dǎo)數(shù)處理3種預(yù)處理方式。

近紅外光譜技術(shù)用于定量分析需要借助于化學(xué)計(jì)量學(xué)方法。常見(jiàn)的與光譜學(xué)相關(guān)的化學(xué)計(jì)量學(xué)分析方法有比爾定律法(Beer’s law)、經(jīng)典最小二乘法(CLS)、逐步多元線性回歸法(SMLR)、主成分分析法(PCA)、偏最小二乘法(PLS)、人工神經(jīng)元網(wǎng)絡(luò)(ANN)等方法。偏最小二乘法=主成份分析+典型相關(guān)分析+多元線性回歸，常用于近紅外光譜分析中。本研究采用偏最小二乘法建立木材含水率的預(yù)測(cè)模型。評(píng)價(jià)模型優(yōu)劣的指標(biāo)為校正集均方根誤差、預(yù)測(cè)均方根誤差和相關(guān)系數(shù)。相關(guān)系數(shù)越大，說(shuō)明模型線性擬合效果越好。校正集均方根誤差和預(yù)測(cè)均方根誤差越小表示模型的預(yù)測(cè)效果越好，若兩者的差異較小，說(shuō)明校正集樣本具有代表性，模型擬合恰當(dāng)。

2 結(jié)果與分析

2.1 單一樹(shù)種預(yù)測(cè)

42個(gè)胡桃楸樣本的近紅外光譜和32個(gè)榆樹(shù)樣本的近紅外光譜如圖2所示。所有光譜在1 415、1 884 nm處有吸收，則兩個(gè)波長(zhǎng)點(diǎn)在H2O和H—O鍵的二倍頻吸收帶附近[16]。所以可以判定此強(qiáng)吸收帶主要由樣本中的水分引起。兩個(gè)樹(shù)種木材的近紅外光譜波形比較相似，這有利于混合樹(shù)種木材的近紅外含水率模型的建立。

由表2可以看出，使用原始光譜進(jìn)行建模的含水率模型驗(yàn)證集預(yù)測(cè)效果不好，胡桃楸和榆樹(shù)的相關(guān)系數(shù)僅為0.630 6和0.684。但是經(jīng)過(guò)中心化和標(biāo)準(zhǔn)化處理之后的模型預(yù)測(cè)效果得到提升，胡桃楸和榆樹(shù)的相關(guān)系數(shù)分別為0.867 5和0.821 2?？梢?jiàn)對(duì)光譜數(shù)據(jù)進(jìn)行中心化和標(biāo)準(zhǔn)化能夠提升模型的預(yù)測(cè)精度。在此基礎(chǔ)之上，對(duì)光譜分別進(jìn)行了一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理，預(yù)測(cè)模型的精度繼續(xù)得到提升。其中胡桃楸NIR光譜經(jīng)中心化、標(biāo)準(zhǔn)化和二階導(dǎo)數(shù)處理之后所建立的模型效果最好，校正集相關(guān)系數(shù)為0.991 1，驗(yàn)證集相關(guān)系數(shù)為0.928 3。榆樹(shù)NIR光譜經(jīng)中心化、標(biāo)準(zhǔn)化和一階導(dǎo)數(shù)處理之后所建立的模型效果最好，模型的因子數(shù)為2，預(yù)測(cè)模型的相關(guān)系數(shù)為0.952 9。但榆樹(shù)NIR光譜經(jīng)中心化、標(biāo)準(zhǔn)化和二階導(dǎo)數(shù)處理之后所建立的模型的校正集相關(guān)系數(shù)最高，為0.989 2。這說(shuō)明對(duì)于不同的樣本，導(dǎo)數(shù)處理能夠提高模型的準(zhǔn)確率，但是對(duì)于最優(yōu)模型效果下的導(dǎo)數(shù)階數(shù)的選取，需要對(duì)不同的樣本做具體分析。

圖2 樣品近紅外光譜

樹(shù)種預(yù)處理方式因子數(shù)量/個(gè)校正集均方根誤差相關(guān)系數(shù)驗(yàn)證集均方根誤差相關(guān)系數(shù)胡桃楸原始光譜60.08560.80900.13300.6306原始光譜+中心化+標(biāo)準(zhǔn)化70.04740.94220.05600.8675原始光譜+中心化+標(biāo)準(zhǔn)化+一階導(dǎo)數(shù)50.02020.98980.05230.9107原始光譜中心化+標(biāo)準(zhǔn)化+二階導(dǎo)數(shù)50.01880.99110.04470.9283榆樹(shù)原始光譜40.07830.86640.18940.6840原始光譜+中心化+標(biāo)準(zhǔn)化40.07180.88860.12700.8212原始光譜+中心化+標(biāo)準(zhǔn)化+一階導(dǎo)數(shù)20.04690.95400.05520.9529原始光譜+中心化+標(biāo)準(zhǔn)化+二階導(dǎo)數(shù)40.02300.98920.04050.9412

2.2 混合樹(shù)種預(yù)測(cè)

本試驗(yàn)將取得的74個(gè)胡桃楸和榆樹(shù)混合木材樣同時(shí)用于建立木材含水率的模型，其中50個(gè)樣本用于校正集(胡桃楸28個(gè)，榆樹(shù)22個(gè))，24個(gè)樣本用于驗(yàn)證集(胡桃楸14個(gè)，榆樹(shù)10個(gè))。在不同預(yù)處理方法下建立的混合木材含水率模型的預(yù)測(cè)結(jié)果見(jiàn)表3?？梢钥闯?，能夠使用不同種類木材的NIR光譜建立混合木材含水率模型。但是使用原始光譜建立的模型預(yù)測(cè)效果不好，相關(guān)系數(shù)僅為0.745 3。光譜經(jīng)過(guò)中心化和標(biāo)準(zhǔn)化處理之后所建立的混合木材含水率模型的相關(guān)系數(shù)提升了17.59%，均方根誤差下降了34.81%。結(jié)果表明在對(duì)光譜進(jìn)行中心化和標(biāo)準(zhǔn)化的基礎(chǔ)之上使用導(dǎo)數(shù)處理可以提升模型的預(yù)測(cè)精度。其中混合光譜經(jīng)過(guò)中心化、標(biāo)準(zhǔn)化和二階導(dǎo)數(shù)處理之后的校正集內(nèi)部交互驗(yàn)證效果最好，校正集相關(guān)系數(shù)為0.981 5，均方根誤差為0.035 2；混合光譜經(jīng)過(guò)中心化、標(biāo)準(zhǔn)化和一階導(dǎo)數(shù)處理之后的驗(yàn)證集預(yù)測(cè)效果最優(yōu)，校正集相關(guān)系數(shù)為0.930 9，均方根誤差為0.061 1，因子數(shù)量為3個(gè)。

表3 不同預(yù)處理方法的胡桃楸和榆樹(shù)混合模型含水率預(yù)測(cè)結(jié)果

不同預(yù)處理方式下的模型線性擬合情況如圖3所示，從原始光譜到經(jīng)過(guò)中心化、標(biāo)準(zhǔn)化和二階導(dǎo)數(shù)預(yù)處理的光譜所建立的模型線性擬合效果越好，校正集和驗(yàn)證集的含水率預(yù)測(cè)值與測(cè)量值的散點(diǎn)趨于線性分布。原始光譜經(jīng)過(guò)中心化+標(biāo)準(zhǔn)化+二階導(dǎo)數(shù)預(yù)處理后所建立模型的整體效果最好，但是預(yù)測(cè)的相關(guān)系數(shù)沒(méi)有中心化+標(biāo)準(zhǔn)化+一階導(dǎo)數(shù)的處理效果好，表現(xiàn)為二階導(dǎo)數(shù)的驗(yàn)證集相關(guān)系數(shù)(0.915 0)低于一階導(dǎo)數(shù)(0.930 9)，可能是驗(yàn)證集樣本數(shù)量不夠大造成的。

混合樹(shù)種木材的含水率預(yù)測(cè)模型的精度會(huì)低于其中精度最高的單一樹(shù)種木材的含水率模型，略高于精度最低的單一樹(shù)種木材的含水率模型。

圖3 不同預(yù)處理方式的混合模型PLS預(yù)測(cè)結(jié)果散點(diǎn)圖

3 結(jié)論與展望

近紅外光譜技術(shù)不僅可以用于單一樹(shù)種木材含水率預(yù)測(cè)，也可以用于混合樹(shù)種木材含水率預(yù)測(cè)，所使用的樣品可以為生長(zhǎng)錐取樣樣本。

對(duì)光譜進(jìn)行中心化、標(biāo)準(zhǔn)化和導(dǎo)數(shù)處理能夠提升預(yù)測(cè)模型的精度。通過(guò)比較發(fā)現(xiàn)，經(jīng)過(guò)中心化、標(biāo)準(zhǔn)化和二階導(dǎo)數(shù)處理的胡桃楸樣本光譜所建立的模型預(yù)測(cè)效果最好，驗(yàn)證集相關(guān)系數(shù)為0.928 3；經(jīng)過(guò)中心化、標(biāo)準(zhǔn)化和一階導(dǎo)數(shù)處理的榆樹(shù)樣本光譜所建立的模型預(yù)測(cè)效果最好，驗(yàn)證集相關(guān)系數(shù)為0.952 9；在使用混合樹(shù)種木材的光譜進(jìn)行識(shí)別時(shí)，使用中心化+標(biāo)準(zhǔn)化+一階導(dǎo)數(shù)進(jìn)行預(yù)處理的預(yù)測(cè)效果最好，驗(yàn)證集相關(guān)系數(shù)為0.930 9。

但是混合樹(shù)種木材的含水率預(yù)測(cè)模型的精度會(huì)低于其中精度最高的單一樹(shù)種木材的含水率模型。在實(shí)際使用過(guò)程中，可以使用定性分析+定量分析的方法預(yù)測(cè)木材的含水率。首先通過(guò)定性分析識(shí)別樹(shù)種，再根據(jù)樹(shù)種不同選擇不同的含水率預(yù)測(cè)模型。相比之下，選擇混合樹(shù)種木材的含水率模型會(huì)相對(duì)便捷。使用混合樹(shù)種建立含水率的識(shí)別模型更適合實(shí)際推廣和使用。

本試驗(yàn)混合模型所使用的校正集同時(shí)包含了三分之二的胡桃楸光譜和三分之二的榆樹(shù)光譜，即在本次混合模型的校正集和驗(yàn)證集中胡桃楸NIR光譜和榆樹(shù)NIR光譜的權(quán)重比為1∶1。在今后的試驗(yàn)中，可以測(cè)試校正集所使用的光譜中不同樹(shù)種木材光譜數(shù)量的配比對(duì)含水率預(yù)測(cè)模型精度的影響。