汪紫陽 李耀翔 尹世逵

(東北林業(yè)大學(xué)，哈爾濱，150040)

對木材進(jìn)行恰當(dāng)?shù)母稍锾幚?，使木材的含水率降低并維持在一定的程度，可以延長木材及木制品的儲存時間和使用壽命。木材的含水率在纖維飽和點(diǎn)(30%)范圍內(nèi)變化時會發(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)比較重視的一個環(huán)節(jié)，同時也是木制品生產(chǎn)加工最重要的一個因素。在木材的切削和儲存、木制品的生產(chǎn)和加工過程中，對木材含水率的實時監(jiān)測顯得尤為重要。如果不能及時控制木材的含水率，即使原本合格的木制品也會出現(xiàn)開裂、變形等問題[2]。隨著天然林全面禁伐的逐步推進(jìn)，國內(nèi)木資源供給緊張，對高效、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程中需要能夠快速、精準(zhǔn)、無損地得到木材的含水率數(shù)據(jù)，以判斷木材干燥的程度。

木材含水率的檢測方法有很多，近幾年有通過無損檢測技術(shù)預(yù)測木材含水率的研究[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，對物質(zhì)中水分的信息比較敏感，可以用于含水率的檢測。近紅外檢測用時很短，光譜的采集過程可以在幾秒之內(nèi)完成[7]。并且近紅外光的傳輸性能好，可以通過光纖傳輸，實現(xiàn)遠(yuǎn)程檢測和在線檢測[8]。又因為該譜區(qū)的吸收強(qiáng)度低、發(fā)熱小，可以達(dá)到無損檢測的目的而被廣泛應(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)對一個樹種木材的含水率進(jìn)行預(yù)測[9-13]，對使用近紅外光譜技術(shù)同時預(yù)測多個樹種木材含水率的研究比較少。筆者使用近紅外光譜技術(shù)建立單一樹種的含水率預(yù)測模型，并利用兩種木材的混合樣本光譜建立含水率預(yù)測模型，可以對使用多個樹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

本試驗所用樣品均采自黑龍江省方正縣林業(yè)局星火林場(N45°43′5.73″，E129°13′34.37″)。樣品由生長錐鉆取，鉆孔方位為由南向北穿過樹心，高度為距離地面1.3 m胸高處。本次采樣采得2個樹種，分別是胡桃楸(JuglansmandshuricaMaxim.)和榆樹(UlmuspumilaL.)，其中胡桃楸采樣42棵，榆樹采樣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，三分之一作為驗證集用于驗證模型。樣品直徑約為5.15 mm，長度略大于采樣樹木胸徑的一半，100～350 mm不等。本次含水率測定按照GB/T 1931—2009《木材含水率測定方法》進(jìn)行。兩個樹種樣本的含水率統(tǒng)計信息見表1。

表1 樣品含水率統(tǒng)計信息

1.2 近紅外光譜采集

使用美國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。將樣品從中部截斷，每個斷面采集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)采集時間為1.5 s。在1.5 s內(nèi)，光譜儀會連續(xù)掃描30次，并自動取其平均光譜。采集完成后立即稱質(zhì)量，由于采集時間比較短，認(rèn)為樣品在采集光譜的時間內(nèi)含水率沒有改變。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)，采集光譜時需要用漫反射光譜分析樣品，相對于透射光譜測量方式要更加復(fù)雜[15]。

圖1 生長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，但過度平滑會使光譜失真。背景中的基線偏移和光譜旋轉(zhuǎn)可以通過對光譜求導(dǎo)處理進(jìn)行校正，但是求導(dǎo)的過程中會放大光譜的噪音。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)計量學(xué)方法。常見的與光譜學(xué)相關(guān)的化學(xué)計量學(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)測模型。評價模型優(yōu)劣的指標(biāo)為校正集均方根誤差、預(yù)測均方根誤差和相關(guān)系數(shù)。相關(guān)系數(shù)越大，說明模型線性擬合效果越好。校正集均方根誤差和預(yù)測均方根誤差越小表示模型的預(yù)測效果越好，若兩者的差異較小，說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 單一樹種預(yù)測

42個胡桃楸樣本的近紅外光譜和32個榆樹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，則兩個波長點(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。兩個樹種木材的近紅外光譜波形比較相似，這有利于混合樹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證集預(yù)測效果不好，胡桃楸和榆樹的相關(guān)系數(shù)僅為0.630 6和0.684。但是經(jīng)過中心化和標(biāo)準(zhǔn)化處理之后的模型預(yù)測效果得到提升，胡桃楸和榆樹的相關(guān)系數(shù)分別為0.867 5和0.821 2?？梢妼庾V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)測精度。在此基礎(chǔ)之上，對光譜分別進(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，驗證集相關(guān)系數(shù)為0.928 3。榆樹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)測模型的相關(guān)系數(shù)為0.952 9。但榆樹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。這說明對于不同的樣本，導(dǎo)數(shù)處理能夠提高模型的準(zhǔn)確率，但是對于最優(yōu)模型效果下的導(dǎo)數(shù)階數(shù)的選取，需要對不同的樣本做具體分析。

圖2 樣品近紅外光譜

樹種預(yù)處理方式因子數(shù)量/個校正集均方根誤差相關(guān)系數(shù)驗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 混合樹種預(yù)測

本試驗將取得的74個胡桃楸和榆樹混合木材樣同時用于建立木材含水率的模型，其中50個樣本用于校正集(胡桃楸28個，榆樹22個)，24個樣本用于驗證集(胡桃楸14個，榆樹10個)。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)測結(jié)果見表3。可以看出，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)測效果不好，相關(guān)系數(shù)僅為0.745 3。光譜經(jīng)過中心化和標(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)測精度。其中混合光譜經(jīng)過中心化、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)過中心化、標(biāo)準(zhǔn)化和一階導(dǎo)數(shù)處理之后的驗證集預(yù)測效果最優(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。

表3 不同預(yù)處理方法的胡桃楸和榆樹混合模型含水率預(yù)測結(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，校正集和驗證集的含水率預(yù)測值與測量值的散點(diǎn)趨于線性分布。原始光譜經(jīng)過中心化+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)測的相關(guān)系數(shù)沒有中心化+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)，可能是驗證集樣本數(shù)量不夠大造成的。

混合樹種木材的含水率預(yù)測模型的精度會低于其中精度最高的單一樹種木材的含水率模型，略高于精度最低的單一樹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種木材含水率預(yù)測，也可以用于混合樹種木材含水率預(yù)測，所使用的樣品可以為生長錐取樣樣本。

對光譜進(jìn)行中心化、標(biāo)準(zhǔn)化和導(dǎo)數(shù)處理能夠提升預(yù)測模型的精度。通過比較發(fā)現(xiàn)，經(jīng)過中心化、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)測效果最好，驗證集相關(guān)系數(shù)為0.928 3；經(jīng)過中心化、標(biāo)準(zhǔn)化和一階導(dǎo)數(shù)處理的榆樹樣本光譜所建立的模型預(yù)測效果最好，驗證集相關(guān)系數(shù)為0.952 9；在使用混合樹種木材的光譜進(jìn)行識別時，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)測效果最好，驗證集相關(guān)系數(shù)為0.930 9。

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

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