周 竹， 尹建新， 周素茵， 周厚奎

（1.浙江農(nóng)林大學(xué) 信息工程學(xué)院，浙江 臨安 311300；2.浙江農(nóng)林大學(xué) 浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江 臨安311300；3.浙江農(nóng)林大學(xué) 智慧農(nóng)林業(yè)研究中心，浙江 臨安311300）

基于近紅外光譜技術(shù)的針葉材板材表面節(jié)子缺陷檢測

周 竹1,2,3， 尹建新1,2,3， 周素茵1,2,3， 周厚奎1,2,3

（1.浙江農(nóng)林大學(xué) 信息工程學(xué)院，浙江 臨安 311300；2.浙江農(nóng)林大學(xué) 浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江 臨安311300；3.浙江農(nóng)林大學(xué) 智慧農(nóng)林業(yè)研究中心，浙江 臨安311300）

為了實(shí)現(xiàn)木板材依據(jù)節(jié)子進(jìn)行自動化分級，采用近紅外光譜技術(shù)研究了多種針葉材表面節(jié)子缺陷的檢測方法。采用SmartEye 1700近紅外光譜儀獲取北美黃杉Pseudotsuga menziesii，鐵杉Tsuga chinensis，云杉Picea asperata，白云杉Picea glauca-英格曼云杉Picea engelmannii-扭葉松 Pinus contorta-冷杉 Abies laciocarpa（SPF）等 4種板材的近紅外光譜（1 000～1 650 nm），比較了光譜預(yù)處理方法、建模方法對節(jié)子識別的影響，并首次對多種針葉樹材進(jìn)行了節(jié)子識別的適應(yīng)性研究，隨后引入一種新的變量選擇方法即隨機(jī)青蛙算法用于優(yōu)選節(jié)子檢測的特征波長，在此基礎(chǔ)上建立了板材節(jié)子識別的最小二乘-支持向量機(jī)（LS-SVM）模型。結(jié)果顯示：一階導(dǎo)數(shù)光譜預(yù)處理結(jié)合LS-SVM所建混合樹種板材節(jié)子識別模型性能最優(yōu)。隨機(jī)青蛙算法提取了8個特征波長變量，僅占全波段變量的1.23%，所建簡化模型效果最好。該模型對測試集的敏感性、特異性和識別準(zhǔn)確率分別為98.49%，93.42%和96.30%。近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法可以對針葉材樹種板材的表面節(jié)子進(jìn)行快速準(zhǔn)確檢測，隨機(jī)青蛙算法是提取板材表面節(jié)子缺陷特征的有效方法。該結(jié)果可為下一步搭建木材節(jié)子快速檢測系統(tǒng)提供技術(shù)支撐。圖2表4參24

木材科學(xué)與技術(shù)；近紅外光譜；針葉材；板材；節(jié)子；隨機(jī)青蛙算法；最小二乘-支持向量機(jī)

節(jié)子是木板材最重要的表面缺陷，它會影響鋸材和單板的出材率、成品質(zhì)量和表面美觀性［1］。研究一種板材表面節(jié)子缺陷快速無損檢測方法，不僅可以提高木材的利用率和經(jīng)濟(jì)價值，而且可為木板材的自動化分級奠定基礎(chǔ)。近幾年來，研究人員采用聲波技術(shù)［2-3］、微波技術(shù)［4］、X-射線技術(shù)［5-6］、機(jī)器視覺技術(shù)［7-8］等對木材表面節(jié)子缺陷進(jìn)行了一系列無損檢測研究。然而，如何提高板材節(jié)子缺陷檢測的快速性、準(zhǔn)確性以及對不同樹種板材的適應(yīng)性仍有待深入研究。近紅外光譜技術(shù)（near-infrared spectroscopy, NIRS）利用近紅外光譜區(qū)域的全譜或部分波譜對被測物進(jìn)行無損快速分析。迄今為止，該技術(shù)已在快速預(yù)測木材化學(xué)組成［9］、物理力學(xué)性質(zhì)［10］、解剖性質(zhì)［11］、木材腐朽［12］等方面進(jìn)行了大量的研究。在木材表面節(jié)子缺陷檢測方面，F(xiàn)UJIMOTO等［13］將近紅外光譜與簇類獨(dú)立軟模式法（soft independent modeling of class analogy,SIMCA）結(jié)合，建立了落葉松Larix kaempferi板材節(jié)子分類識別模型。楊忠等［14-15］利用近紅外光譜技術(shù)結(jié)合SIMCA分別建立了馬尾松Pinus massoniana板材、尾葉桉Eucalyptus urophylla板材節(jié)子識別模型。上述研究均僅采用單一樹種板材。由于木材種類繁多，木材種屬、紋理等多種因素會引起板材光譜差異，從而影響節(jié)子缺陷檢測模型的適應(yīng)性。此外，近紅外光譜變量較多，直接使用全部變量會影響識別的速度與精度，需對光譜數(shù)據(jù)進(jìn)行降維。本研究擬采用近紅外光譜技術(shù)檢測北美黃杉Pseudotsuga menziesii，白云杉Picea glauca-英格曼云杉Picea engelmannii-扭葉松Pinus contorta-冷杉Abies laciocarpa（SPF），鐵杉Tsuga chinensis和云杉Picea asperata等4類常見針葉林樹種板材的表面節(jié)子缺陷，比較不同光譜預(yù)處理和建模方法對節(jié)子識別的影響，研究單一樹種板材節(jié)子模型對其他樹種板材節(jié)子缺陷檢測的適應(yīng)性，建立混合樹種板材節(jié)子缺陷的識別模型，采用隨機(jī)青蛙算法（random frog,RF）確定節(jié)子缺陷識別的有效特征波段，并建立簡化模型，從而為木板材表面節(jié)子缺陷的快速準(zhǔn)確識別提供方法與技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)樣本來自當(dāng)?shù)啬静募庸S，包括北美黃杉、鐵杉、云杉以及進(jìn)口自加拿大的SPF二級規(guī)格材。樣本含水率為7.9%～11.7%，密度為0.394～0.565 g·cm-3。將全部試材切割成200 mm×80 mm×20 mm的單板，在單板上按序標(biāo)記節(jié)子部位并根據(jù)GB/T 4822-1999《鋸材檢驗(yàn)尺寸檢量》記錄節(jié)子直徑，同時在板材節(jié)子附近隨機(jī)標(biāo)記非節(jié)子部位，并將標(biāo)記部位作為光譜采樣點(diǎn)。試驗(yàn)共標(biāo)記1 056個光譜采樣點(diǎn)，其中有節(jié)子部位459個，無節(jié)子部位597個。

1.2 試驗(yàn)儀器

試驗(yàn)用光譜采集設(shè)備為微型近紅外光譜儀SmartEye1700（尼邇光電，中國杭州），光譜波長范圍為1 000～1 650 nm，采樣間隔為1 nm。采用直徑為8 mm的光纖探頭在試樣垂直上方采集其表面的近紅外漫反射光譜。掃描50次自動平均為 1條光譜后保存待用。對于各個木材品種的板材光譜，將有節(jié)子樣本依據(jù)節(jié)子直徑以2∶1比例進(jìn)行劃分，而非節(jié)子樣本則采用Kennard-Stone算法［16］以2∶1比例劃分，最終組成校正集和測試集的非節(jié)子、節(jié)子數(shù)目如表1所示。

1.3 光譜預(yù)處理方法

采用標(biāo)準(zhǔn)正態(tài)變量變換（standard normalized variate，SNV），一階導(dǎo)數(shù)（first derivative,FD）等方法對原始光譜（no preprocess,NP）進(jìn)行預(yù)處理。其中，標(biāo)準(zhǔn)正態(tài)變量變換可以消除木板表面散射等對光譜的影響，一階導(dǎo)數(shù)變換可以有效消除基線和其他背景的干擾［17］。

表1 試驗(yàn)樣本集數(shù)據(jù)組成信息Table 1 Information of calibration set and validation set in the experiment

1.4 建模方法

分別采用主成分回歸-線性判別分析法（PCA-LDA），偏最小二乘回歸-線性判別分析法（PLS-LDA）和最小二乘-支持向量機(jī)法（LS-SVM）建立板材節(jié)子識別模型。PCA-LDA和PLS-LDA為線性建模方法，LSSVM為非線性建模方法。3種建模方法的原理分別見文獻(xiàn)［18］［19］和［20］。PCA-LDA方法中主成分?jǐn)?shù)量以及PLS-LDA方法中潛在變量的個數(shù)決定了所建模型的性能。本研究采用留一交叉驗(yàn)證法確定2類模型的參數(shù)。采用RBF核函數(shù)作為LS-SVM分類器的核函數(shù)，并以留一交叉驗(yàn)證法結(jié)合網(wǎng)格搜索算法確定LS-SVM分類模型參數(shù)。

1.5 特征波段選擇方法

采用隨機(jī)青蛙算法（RF）與PLS-LDA結(jié)合進(jìn)行特征波長選擇。RF算法是由LI等［21］提出的一種新的變量選擇方法。該方法通過少量變量進(jìn)行迭代建模，是一種高效的多維變量選擇方法。圖1給出了隨機(jī)青蛙算法示意圖。其運(yùn)算過程主要包括［22］：①初始化包含q個變量的初始變量集合為υ0；②基于原始變量子集構(gòu)造含有q*個變量的候選變量子集υ*，并按一定概率接受υ*，令υ1＝υ*，迭代n次；③計(jì)算每個變量的選擇概率，并作為變量選擇的依據(jù)。通常，變量的被選概率越大，說明該變量對模型越重要。

1.6 模型評價

模型性能的評價指標(biāo)包括敏感性、特異性和預(yù)測總正確率。其定義為：敏感性（%）＝（預(yù)測正確的非節(jié)子樣本數(shù)/實(shí)際非節(jié)子樣本數(shù)）×100%。特異性（%）＝（預(yù)測正確的節(jié)子樣本數(shù)/實(shí)際的節(jié)子樣本數(shù)）×100%?？傉_率（%）＝（預(yù)測正確的所有樣本數(shù)/實(shí)際樣本數(shù)）×100%。通常情況下，敏感性、特異性和總正確率越高，說明模型性能越好。

圖1 隨機(jī)青蛙算法工作流程圖Figure 1 Key steps of random frog algorithm

2 結(jié)果與分析

2.1 板材的光譜分析

圖2為4種板材的非節(jié)子和節(jié)子部位的平均光譜圖。由圖2可以看出：不同樹種板材的非節(jié)子和節(jié)子部位的平均光譜均在1 195 nm和1 462 nm附近存在明顯的吸收峰。其中，1 195 nm附近區(qū)域包含了木材中纖維素或木質(zhì)素C—H伸縮振動的二級倍頻信息［23］，1 462 nm附近區(qū)域包含了板材中水分或木質(zhì)素中酚類物質(zhì)O—H基團(tuán)伸縮振動的一級倍頻信息［14］。

圖2 不同樹種板材節(jié)子與非節(jié)子平均光譜Figure 2 Mean spectra from different types of board for knot and knot-free

從圖2中還可以看出：4種樹種板材節(jié)子部位的平均光譜的吸光度要明顯高于非節(jié)子部位，這和前人［13-14］的研究結(jié)論相似。其原因可能是板材節(jié)子部位和非節(jié)子部位的微纖絲取向不同，并且板材節(jié)子部位細(xì)胞的排布基本上平行于近紅外光入射角。除此之外，不同樹種板材非節(jié)子部位的平均光譜存在偏移，這可能是不同品種板材間水分含量、色澤和紋理等綜合引起的。

2.2 不同建模方法對節(jié)子識別的影響

分別采用PCA-LDA，PLS-LDA和LS-SVM對原始光譜及各種預(yù)處理光譜建立4個樹種板材表面節(jié)子缺陷的識別模型，結(jié)果如表2所示。

由表2可知：建模方法和光譜預(yù)處理方法會對節(jié)子缺陷識別造成影響。北美黃杉板材、鐵杉板材和云杉板材均表現(xiàn)為一階導(dǎo)數(shù)光譜結(jié)合最小二乘-支持向量機(jī)（FD-LS-SVM）所建模型性能最優(yōu)。其中，北美黃杉板材的FD-LS-SVM模型對校正集和測試集的敏感性、特異性和識別準(zhǔn)確率分別為 100.00%，100.00%，100.00%和 100.00%，97.30%，98.90%；鐵杉板材的 FD-LS-SVM模型對校正集和測試集的敏感性、特異性和識別準(zhǔn)確率分別為100.00%，98.08%，99.29%和99.78%，92.31%，95.77%；云杉板材的FD-LS-SVM模型對校正集和測試集的敏感性、特異性和識別準(zhǔn)確率分別為100.00%，100.00%，100.00%和100.00%，96.43%，98.67%。對于SFP板材，F(xiàn)D-LS-SVM模型和SNV-LS-SVM模型對測試集的結(jié)果相同，前者對校正集的特異性（99.19%）略低于后者（100.00%），但整體結(jié)果仍優(yōu)于原始光譜下的LS-SVM模型。從表2中還可以看出：無論是否進(jìn)行光譜預(yù)處理，4個樹種板材的PCA-LDA模型、PLS-LDA模型性能均劣于LS-SVM模型。

綜上所述，采用線性建模方法PCA-LDA，PLS-LDA和非線性建模方法LS-SVM建立4個樹種板材節(jié)子判別模型時，LS-SVM方法要明顯優(yōu)于PCA-LDA和PLS-LDA，原因可能是PCA-LDA和PLS-LDA均只能處理板材光譜中的線性相關(guān)關(guān)系，而LS-SVM則可以充分利用光譜數(shù)據(jù)中的非線性信息（如水分含量、密度、表面粗糙度、色澤和紋理等），從而獲得較優(yōu)的預(yù)測結(jié)果。

2.3 單一樹種模型與混合樹種模型對節(jié)子識別的影響

為了探索單一樹種板材節(jié)子缺陷識別模型對其他樹種板材節(jié)子缺陷識別的適應(yīng)性，該研究分別采用單一樹種板材節(jié)子缺陷識別的LS-SVM模型去預(yù)測其他3個樹種的板材缺陷。預(yù)測結(jié)果如表3所示。

由表3可知：單一樹種板材的節(jié)子缺陷識別模型對其他樹種板材的節(jié)子識別能力存在差異。對于北美黃杉板材，NP-LS-SVM，F(xiàn)D-LS-SVM模型對SPF，鐵杉和云杉板材的敏感性好，但特異性較差，表明此2種模型對SPF，鐵杉和云杉板材中的節(jié)子樣本識別效果較差；SNV-LS-SVM模型雖然對SPF板材的特異性（91.80%）較好，但其敏感性差（73.58%），表明該模型也不能用于預(yù)測SPF板材節(jié)子屬性。對于SPF板材，NP-LS-SVM，SNV-LS-SVM和FD-LS-SVM模型對北美黃杉板材的識別效果均較差，但對云杉板材都能獲得較好的預(yù)測效果。其中，F(xiàn)D-LS-SVM模型的效果最優(yōu)，該模型對云杉板材的敏感性、特異性和識別準(zhǔn)確率分別為100.00%，96.43%，98.67%。同時，該模型對鐵杉板材的識別效果也最好，其敏感性、特異性和識別準(zhǔn)確率分別為91.11%，92.31%，91.55%。對于鐵杉板材，NP-LS-SVM模型對SPF和云杉板材的預(yù)測能力較好，識別準(zhǔn)確率分別達(dá)到95.61%和94.67%，F(xiàn)D-LS-SVM模型對云杉板材的識別效果最好，其敏感性、特異性和識別準(zhǔn)確率分別為97.87%，96.43%，97.33%。對于云杉板材，NPLS-SVM模型對SPF板材的識別效果最好，其敏感性、特異性和識別準(zhǔn)確率分別為100.00%，96.72%，98.25%，F(xiàn)D-LS-SVM模型對SPF板材和鐵杉板材的識別效果也較好，識別準(zhǔn)確率分別為97.37%和95.77%。

綜上所述，SPF、鐵杉和云杉中任意單一樹種板材的節(jié)子識別模型具有較強(qiáng)的適應(yīng)性，在一定的光譜預(yù)處理下，對另外2個樹種板材的節(jié)子缺陷具有較好的識別能力。此3種板材的節(jié)子識別模型均不能準(zhǔn)確地識別北美黃杉板材的節(jié)子缺陷，同時，北美黃杉板材的節(jié)子識別模型也不能準(zhǔn)確地識別SPF、鐵杉和云杉板材中的節(jié)子缺陷。其原因可能是SPF、鐵杉和云杉的材性差異較小，但與北美黃杉的材性差異較大。

表2 不同光譜預(yù)處理下PLS-LDA和LS-SVM模型結(jié)果Table 2 PLS-LDA and LS-SVM results for different pre-processing methods

由圖1可知：盡管樹種不同，但它們的近紅外光譜具有一定的相似性，建立此4個樹種板材的混合節(jié)子識別模型可能具有更強(qiáng)的實(shí)際作用。采用LS-SVM建立混合節(jié)子識別模型，其結(jié)果如表4所示。

由表4可知：與單一樹種最優(yōu)模型所用光譜預(yù)處理方法相同，采用一階導(dǎo)數(shù)預(yù)處理結(jié)合最小二乘支持向量機(jī)所建混合模型的性能最優(yōu)。FD-LS-SVM模型對測試集的敏感性、特異性和識別準(zhǔn)確率分別為99.50%，95.39%，97.72%。對比表3，該混合模型對SPF、鐵杉和云杉板材的預(yù)測結(jié)果與單一模型的預(yù)測結(jié)果一致，混合模型僅對北美黃杉板材的特異性（94.59%）略低于北美黃杉單一模型的同類指標(biāo)（97.30%）。這表明混合樹種板材節(jié)子識別模型的適應(yīng)性較強(qiáng)，更能適用于不同樹種板材的節(jié)子缺陷檢測。

表3 單一樹種LS-SVM模型對其他樹種預(yù)測結(jié)果Table 3 Results of using a model built within one species to discriminate samples from other species

2.4 表面節(jié)子缺陷簡化模型的建立與分析

采用隨機(jī)青蛙算法（RF）對原始光譜的650個光譜變量進(jìn)行特征變量選擇。將所有波長變量依RF算法運(yùn)行100次后的平均被選概率進(jìn)行排序，以0.72為閾值，選擇出概率最大的前8個變量作為特征波長，其結(jié)果分別為1 314，1 358，1 409，1 340，1 260，1 586，1 288和1 402 nm。其中，1 358 nm附近為木材中木質(zhì)素，半纖維素和纖維素的C—H伸縮振動和變形振動的一級倍頻帶，1 409 nm附近為木質(zhì)素及抽提物中C—H伸縮振動的一級倍頻帶，1 586 nm附近為木材纖維素中O—H伸縮振動的一級倍頻帶［24］。當(dāng)木材表面存在節(jié)子缺陷時，其節(jié)子部位的主要化學(xué)成分如木質(zhì)素、纖維素等的含量與正常部位存在差異［13］。因此，所選特征波長可以準(zhǔn)確反映板材表面節(jié)子缺陷的化學(xué)特性。除此之外，板材的光譜數(shù)據(jù)矩陣從1 056×650降為1 056×8，可大大提高計(jì)算速度。

表4 全波段與特征波段下混合樹種板材LS-SVM模型結(jié)果Table 4 Results for full wavelengths models and effective wavelengths model

將8個特征波長（effective wavelengths,EWs）下的光譜數(shù)據(jù)作為輸入，采用LS-SVM建立混合板材表面節(jié)子缺陷特征波段識別模型（EWs-LS-SVM），并與原始光譜下全波段（full wavelengths,FWs）混合模型（FWs-LS-SVM）對比。結(jié)果如表4所示。

從表4中可以看出：EWs-LS-SVM模型測試集的敏感性、特異性和識別準(zhǔn)確率分別為98.49%，93.42%，96.30%。與原始光譜下的FWs-LS-SVM模型相比，EWs-LS-SVM模型對測試集的特異性減小，表明EWs-LS-SVM模型對表面節(jié)子缺陷識別能力略有降低，這可能是由于EWs-LS-SVM模型只用了8個波長變量，從而導(dǎo)致有利于節(jié)子缺陷識別的部分信息丟失引起的。同時，對4個樹種板材進(jìn)行具體分析發(fā)現(xiàn)：EWs-LS-SVM對測試集中北美黃杉和SPF板材的預(yù)測結(jié)果與FWs-LS-SVM模型結(jié)果相同，僅僅是鐵杉和云杉的預(yù)測結(jié)果有所降低?？紤]到EWs-LS-SVM模型所用變量僅為FWs-LS-SVM模型的1.23%，該結(jié)果可以接受。

3 結(jié)論

采用近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法研究了北美黃杉，SPF，鐵杉和云杉等4種針葉林板材表面節(jié)子缺陷的快速檢測方法。結(jié)果表明：一階導(dǎo)數(shù)光譜預(yù)處理結(jié)合最小二乘-支持向量機(jī)所建單一樹種板材節(jié)子識別模型以及混合樹種板材節(jié)子識別模型的性能最優(yōu)；SPF，鐵杉和云杉板材中任一單一樹種板材的節(jié)子識別模型對其余2個樹種板材中的節(jié)子缺陷識別準(zhǔn)確率較高，模型適應(yīng)性較好，但北美黃杉板材節(jié)子識別模型不能用于其他3個樹種板材節(jié)子缺陷的識別，該模型適應(yīng)性較差；采用隨機(jī)青蛙算法確定了8個特征波長變量（1 314，1 358，1 409，1 340，1 260，1 586，1 288和1 402 nm），能準(zhǔn)確反映木材節(jié)子部位與非節(jié)子部位主要成分含量的差異；基于特征波長并采用最小二乘-支持向量建立的節(jié)子缺陷簡化模型性能較好，該模型對混合樹種板材測試集的敏感性、特異性和識別準(zhǔn)確率分別為98.49%，93.42%，96.30%，雖然測試結(jié)果略低于全波段檢測模型，但考慮到所用波長變量僅占全波段變量的1.23%，所選特征波長可用于搭建板材節(jié)子缺陷檢測的快速分析系統(tǒng)。

［1］ 宋小燕，白福忠，武建新，等.應(yīng)用灰度直方圖特征識別木材表面節(jié)子缺陷［J］.激光與光電子學(xué)進(jìn)展，2015，52（3）：199-204.

SONG Xiaoyan,BAI Fuzhong,WU Jianxin,et al.Wood knot defects recognition with gray-scale histogram features［J］.Laser Optoelectron Prog,2015,52（3）：199-204.

［2］ KARSULOVIC J T,LEóN L A,GAETE L.Ultrasonic detection of knots and annual ring orientation in Pinus radiata lumber［J］.Wood Fiber Sci,2007,32（3）：278-286.

［3］ MACHADO J S,SARDINHA R A,CRUZ H P.Feasibility of automatic detection of knots in maritime pine timber by acousto-ultrasonic scanning［J］.Wood Sci Technol,2004,38（4）：277-284.

［4］ BARADIT E,AEDO R,CORREA J.Knots detection in wood using microwaves［J］.Wood Sci Technol,2006,40（2）：118-123.

［5］ CRISTHIAN A C,SANCHEZ R,BARADIT E.Detection of knots using x-ray tomographies and deformable contours with simulated annealing［J］.Wood Res,2008,53（2）：57-66.

［6］ LONGUETAUD F,MOTHE F,KERAUTRET B,et al.Automatic knot detection and measurements from X-ray CT images of wood：a review and validation of an improved algorithm on softwood samples［J］.Comput Electron Agric, 2012,85（5）：77-89.

［7］ 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 Opt,2014,125（3）：965-967.

［8］ XIE Yonghua,WANG Jingcong.Study on the identification of the wood surface defects based on texture features［J］. Optik-Int J Light Electr Opt,2015,126（19）：2231-2235.

［9］ POKE F S,RAYMOND C A.Predicting extractives,lignin,and cellulose contents using near infrared spectroscopy onsolid wood in Eucalyptus globules［J］.J Wood Chem Technol,2006,26（2）：187-199.

［10］ ANDRé N,LABBé N,RIALS T G,et al.Assessment of wood load condition by near infrared （NIR）spectroscopy［J］.J Mater Sci,2006,41（7）：1879-1886.

［11］ 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.

［12］ 楊忠，黃安民，江澤慧.近紅外光譜結(jié)合回歸分析預(yù)測法判別木材的生物腐朽［J］.林業(yè)科學(xué)，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.

［13］ FUJIMOTO T,TSUCHIKAWA S.Identification of dead and sound knots by near infrared spectroscopy［J］.J Near Infrared Spectrosc,2010,18（6）：473-479.

［14］ YANG Zhong,ZHANG Maomao,CHEN Ling,et al.Non-contact detection of surface quality of knot defects on eucalypt veneers by near infrared spectroscopy coupled with soft independent modeling of class analogy［J］.BioResources,2015,10（2）：3314-3325.

［15］ 楊忠，陳玲，付躍進(jìn)，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(xué)學(xué)報，2012，40（8）：70-72.

YANG Zhong,CHEN Ling,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.

［16］ KENNARD R W,STONE L A.Computer aided design of experiments［J］.Technometrics,1969,11（1）：137-148.

［17］ 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用［J］.化學(xué)進(jìn)展，2004，16（4）：528-542.

CHU Xiaoli,YUAN Hongfu,LU Wanzhen.Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique［J］.Prog Chem,2004,16（4）：528-542.

［18］ 鄭劍，周竹，仲山民，等.基于近紅外光譜與隨機(jī)青蛙算法的褐變板栗識別［J］.浙江農(nóng)林大學(xué)學(xué)報，2016，33（2）：322-329.

ZHENG Jian,ZHOU Zhu,ZHONG Shanmin,et al.Chestnut browning detected with near-infrared spectroscopy and a random-frog algorithm［J］.J Zhejiang A&F Univ,2016,33（2）：322-329.

［19］ 鄭劍，周竹，仲山民，等.基于近紅外光譜的褐變板栗識別建模方法研究［J］.食品科技，2016，41（1）：285 -290.

ZHENG Jian,ZHOU Zhu,ZHONG Shanmin,et al.Detection of chestnut browning using different calibration methods based on near-infrared spectroscopy［J］.Food Sci Technol,2016,41（1）：285-290.

［20］ SUYKENS J A K,de BRABANTER J,LUKAS L,et al.Weighted least squares support vector machines：robustness and sparse approximation［J］.Neurocomputing,2002,48（1）：85-105.

［21］ LI Hongdong,XU Qingsong,LIANG Yizeng,et al.Random frog：an efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification［J］.Anal Chim Acta,2012,740：20-26.

［22］ 李洪東.廣義灰色分析體系建模的基本問題及其模型集群分析研究［D］.長沙：中南大學(xué)，2012.

LI Hongdong.Fundamental Problems of Generalized Grey Analytical Systems and Their Research of Model Population Analysis［D］.Changsha：Central South University,2012.

［23］ ALVES A,SANTOS A,ROZENBERG P,et al.A common near infrared-based partial least squares regression model for the prediction of wood density of Pinus pinaster and Larix×eurolepis［J］.Wood Sci Technol,2012,46（1）：157 -175.

［24］ SCHWANNINGER M,RODRIGUES J C,FACKLER K.A review of band assignments in near infrared spectra of wood and wood components［J］.J Near Infrared Spectrosc,2011,19（5）：287-308.

Knot detection on coniferous wood surfaces based on near infrared spectroscopy

ZHOU Zhu1,2,3,YIN Jianxin1,2,3,ZHOU Suyin1,2,3,ZHOU Houkui1,2,3
（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）

To develop a calibration model for rapid,accurate,and nondestructive grading of wood on the basis of knots,near infrared spectroscopy（NIRS）technology was used on coniferous boards from Douglas fir（Pseudotsuga menziesii）,Chinese hemlock （Tsuga chinensis）,Dragon spruce （Picea asperata）,and Spruce（Picea glauca and Picea engelmannii）-Pine（Pinus contorta）-Fir（Abies lasiocarpa）（SPF）.Altogether 1 056 spectrums of samples were obtained in the wavelength range of 1 000-1 650 nm by SmartEye1700.Spectral pretreatment methods,including standard normal variate （SNV）and first derivative （FD）as well as modelling methods such as principal component analysis-linear discriminant analysis （PCA-LDA）,partial least squareslinear discriminant analysis （PLS-LDA）,and least squares-support vector machine （LS-SVM）were used and compared.The experiments also explored the ability of using a model built for one species to predict samples from other species.Then,a random frog algorithm was applied to select effective wavelengths（EWs）.Finally,aLS-SVM model was established to detect knot defect on board surfaces based on eight effective wavelengths（EWs）or only 1.23%of the full wavelengths with results compared based on sensitivity,specificity,and accuracy.Results of the validation set of mixed boards were：sensitivity--98.49%,specificity--93.42%,and accuracy--96.30%.Thus,near infrared spectroscopy combined with chemometric methods could be used to detect surface knots on boards for different species of wood with the random frog algorithm being a powerful tool for selecting efficient variables to optimize the model and improve detection efficiency.［Ch,2 fig.4 tab.24 ref.］

wood science and technology;near infrared spectroscopy;coniferous wood;board;knot;random frog algorithm;least squares-support vector machines（LS-SVM）

S781.5;O657.3

A

2095-0756（2017）03-0520-08

浙 江 農(nóng) 林 大 學(xué) 學(xué) 報，2017，34（3）：520-527

Journal of Zhejiang A＆F University

10.11833/j.issn.2095-0756.2017.03.018

2016-06-14；

2016-11-18

浙江省自然科學(xué)基金資助項(xiàng)目（LQ13F050006，LY15C140005）；浙江農(nóng)林大學(xué)智慧農(nóng)林業(yè)中心預(yù)研項(xiàng)目（2013ZHNL03）；浙江農(nóng)林大學(xué)科研發(fā)展基金資助項(xiàng)目（2012FR085）

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