吳志勇

（福建省林業(yè)勘察設(shè)計(jì)院，福建 福州 350002）

竹材是木材替代品之一，人們針對竹材已做了凍融處理抗彎強(qiáng)度[1]、凍融處理竹基集裝箱底板工藝[2]和防霉、防腐、改性[3-6]等方面的研究，以確保竹材可有效替代木材。凍融處理作為物理改性法之一[2,7]，利用低溫下水結(jié)成冰體積增加的原理，將竹材大毛細(xì)管系統(tǒng)中的自由水結(jié)成冰，體積膨脹，形成對竹材微觀結(jié)構(gòu)擠壓，最終使細(xì)胞腔等結(jié)構(gòu)被破壞。通過凍融處理可一定程度上提高竹材滲透率。但竹材順紋抗彎強(qiáng)度由于微觀結(jié)構(gòu)破壞而下降，隨著凍融次數(shù)增加，竹材力學(xué)性能也大幅下降[8-9]?？焖贌o損檢測凍融處理竹材物理力學(xué)性已成為業(yè)界研究的熱點(diǎn)。

紅外光譜技術(shù)(IR)是一種間接的分析技術(shù)，可借助計(jì)算機(jī)建立基于紅外光譜預(yù)測模型，用于樣品結(jié)構(gòu)的檢測與分析。目前該技術(shù)在竹木領(lǐng)域有著大量運(yùn)用。與傳統(tǒng)的分析技術(shù)相比，IR分析技術(shù)分析速度快，操作簡單、檢測結(jié)果準(zhǔn)確[10-12]。

人工神經(jīng)網(wǎng)絡(luò)(ANN)作為目前較流行的算法[13]，可通過輸入層接受紅外光譜數(shù)據(jù)，輸入至隱藏層和輸出層中的神經(jīng)元中，通過反復(fù)訓(xùn)練與調(diào)整相關(guān)連接的權(quán)重，直到達(dá)到可接受的誤差水平，最終成功訓(xùn)練出目標(biāo)神經(jīng)網(wǎng)絡(luò)。其中，可采用多重后向傳播算法(BackPropagation,BP)來訓(xùn)練與調(diào)整神經(jīng)網(wǎng)絡(luò)[14-16]。

試驗(yàn)通過對105 個(gè)毛竹[Phyllostachys edulis(Carriere)J.Houzeau]樣品進(jìn)行不同程度凍融循環(huán)處理，使用傅里葉紅外光譜儀采集試樣光譜數(shù)據(jù)。經(jīng)數(shù)據(jù)集預(yù)處理后，采用BP神經(jīng)網(wǎng)絡(luò)建立毛竹凍融次數(shù)預(yù)測模型。

1 材料與方法

1.1 材料

毛竹，取自福建省永安市的林場，竹齡3～4 年，并截取離地3～4m的位置作為試驗(yàn)材料。將試材去青去黃，加工成106 組22 mm×23 mm×7 mm（長×寬×厚）的樣品。

1.2 試驗(yàn)儀器

所采用的主要實(shí)驗(yàn)儀器如下：冷凍干燥機(jī)Scientz-18N型，中國新芝生物科技有限公司；場發(fā)射掃描電子顯微鏡Hitachi SU8010 型，日本日立公司；傅里葉紅外光譜儀VERTEX 70v型，德國BRUKER公司。

1.3 試驗(yàn)方法

1.3.1 凍融循環(huán)處理 試驗(yàn)采用凍融循環(huán)對毛竹進(jìn)行改性，將試樣放入26 ℃純凈水中，待試樣達(dá)到吸水飽和狀態(tài)后，取出放入Scientz-18N型冷凍干燥機(jī)中，將冷凍溫度設(shè)置為-30 ℃，冷凍2 h后取出試樣，放入溫度為26 ℃恒溫恒濕箱中，待試樣恒重后取出。此試樣為1 次凍融試樣。重復(fù)進(jìn)行上述試驗(yàn)，依次做出凍融1、2、3 次的試樣，并以未經(jīng)凍融處理的試樣作為參照組。凍融后的試樣磨粉、過篩，選取小于100 目的竹粉供后續(xù)紅外采集。

1.3.2 樣品光譜的采集 光譜采集設(shè)備為VERTEX 70v型傅里葉紅外光譜儀器，實(shí)驗(yàn)室溫度為（26±1 ℃），竹粉按1∶100 質(zhì)量與KBr混合，壓片，儀器光譜范圍400～4 000 cm-1，樣品掃描次數(shù)為 64 次，同時(shí)對比空白KBr片64 次背景掃描。每個(gè)樣品制成壓三次片并取平均值作為該樣品光譜結(jié)果。

1.3.3 微觀構(gòu)造觀察 選取未凍融與凍融3 次毛竹試樣，切成2～3 mm薄片，利用環(huán)境掃描電子顯微鏡(ESEM)進(jìn)行觀察。

1.4 BP神經(jīng)網(wǎng)絡(luò)模型建立

BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，信號是前向傳播的，而誤差是反向傳播的。其核心算法是使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出的結(jié)果和目標(biāo)結(jié)果盡可能的接近。

按照BP神經(jīng)網(wǎng)絡(luò)的思想，首先構(gòu)建由一個(gè)輸入層、一個(gè)隱藏層和一個(gè)輸出層組成的三層神經(jīng)網(wǎng)絡(luò)架構(gòu)。然后將紅外光譜數(shù)據(jù)設(shè)為輸入，通過輸入層進(jìn)入隱藏層中，經(jīng)過反復(fù)的學(xué)習(xí)訓(xùn)練，輸出層輸出每組樣品的凍融循環(huán)的次數(shù)，當(dāng)誤差值低于設(shè)定的閥值時(shí)，停止訓(xùn)練網(wǎng)絡(luò)。同時(shí)將數(shù)據(jù)集按照70%、10%和20%分為訓(xùn)練集、驗(yàn)證集和測試集，并按數(shù)據(jù)集的規(guī)模，設(shè)定該神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)為15 層。試驗(yàn)建立的拓?fù)浣Y(jié)構(gòu)如圖1 所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖Fig.1 Schematic diagram of neural network topology

交叉熵（Cross Entropy）是Loss函數(shù)的一種（也稱為損失函數(shù)或代價(jià)函數(shù)），用于描述模型預(yù)測值與真實(shí)值的差距大小，所以當(dāng)選取的交叉熵越小，模型預(yù)測的結(jié)果越精確。當(dāng)模型建立后，選取最小的交叉熵訓(xùn)練結(jié)果作為最終訓(xùn)練網(wǎng)絡(luò)，并將所需預(yù)測的數(shù)據(jù)帶入模型。

2 結(jié)果與分析

2.1 凍融竹材

按試驗(yàn)方案對竹材進(jìn)行不同次數(shù)的凍融處理，如圖2 所示，經(jīng)過3 次的凍融處理后，竹材宏觀面并未有較大的變化，僅在凍融處理后竹材表面顏色有所加深。但是借助SEM觀察后，如圖3 所示：與未進(jìn)行凍融的竹材相比，在經(jīng)過3 次凍融處理后，竹材的維管束周圍出現(xiàn)了不同程度的裂紋，其中大部分裂紋都集中在內(nèi)側(cè)纖維帽與外側(cè)纖維帽周圍。

圖2 竹材凍融試樣示意圖Fig.2 Schematic diagram of bamboo freeze-thaw sample

圖3 竹材凍融處理微觀表面Fig.3 Micro surface of bamboo after freeze-thaw treatment

2.2 紅外光譜分析

利用Matlab繪制出不同凍融次數(shù)毛竹的傅里葉紅外光譜，如圖4 所示。可看出在經(jīng)過不同凍融處理后，毛竹紅外光譜在同一波數(shù)的透光率有較大變化。主要原因是在凍融過程中，相應(yīng)的分子鏈被破壞，例如在3 422 cm-1對應(yīng)的分子間O—H伸縮振動，在經(jīng)歷凍融后，—OH基之間形成的氫鍵發(fā)生斷裂，但憑借光譜圖很難對凍融次數(shù)進(jìn)行識別。

圖4 不同凍融次數(shù)的紅外光譜Fig.4 Infrare spectra of different freeze-thaw times

2.3 基于BP神經(jīng)網(wǎng)絡(luò)處理結(jié)果

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類模型。模型所選具體參數(shù)如表1 所示，利用不同凍融次數(shù)的毛竹紅外光譜數(shù)據(jù)，建立基于BP神經(jīng)網(wǎng)絡(luò)毛竹凍融次數(shù)識別模型，并將數(shù)據(jù)集隨機(jī)分74 組訓(xùn)練集、11 組校正集、21 組測試集。連續(xù)訓(xùn)練20 次，取訓(xùn)練較優(yōu)結(jié)果作為最終訓(xùn)練網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練制出訓(xùn)練、驗(yàn)證和測試集的性能圖，如圖5 所示，可以知道在訓(xùn)練次數(shù)達(dá)到65 次時(shí)，校正集的交叉熵達(dá)到最小值，且交叉熵的值為0.010 3。最后將所有凍融紅外光譜數(shù)據(jù)帶入進(jìn)行識別，結(jié)果如表2 所示。結(jié)果表明：選取15 層隱藏層的BP神經(jīng)網(wǎng)絡(luò)去識別毛竹凍融次數(shù)效果較優(yōu)，試驗(yàn)識別率均能達(dá)到100%。

表1 BP神經(jīng)網(wǎng)絡(luò)模型所選參數(shù)Tab.1 Selected parameters of BP neural network model

表2 BP網(wǎng)絡(luò)識別毛竹凍融次數(shù)結(jié)果Tab.2 Recognition results of freez-thaw times of Phyllostachys edulis by BP neural network with selected parameters

圖5 測試、驗(yàn)證和測試集性能圖Fig.5 Test, validation and test set performance graph

3 結(jié)論

試驗(yàn)利用紅外光譜技術(shù)與BP神經(jīng)網(wǎng)絡(luò)對竹材的凍融處理進(jìn)行快速檢測。結(jié)果表明：利用傅里葉紅外無損檢測不同凍融次數(shù)竹材的方法可行。毛竹經(jīng)凍融處理后，毛竹宏觀表面不會發(fā)生明顯變化，但毛竹微觀表面周圍呈現(xiàn)出較多裂紋，并主要集中在維管束周圍，對凍融次數(shù)的檢測可以間接的預(yù)測毛竹的微觀表面發(fā)生的變化。同時(shí)在建立BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，選取15 層隱藏層，此時(shí)模型對毛竹凍融次數(shù)的識別率可達(dá)100%。但數(shù)據(jù)量較大時(shí)，利用BP神經(jīng)網(wǎng)絡(luò)容易陷入局部較優(yōu)解的情況，需采取其他算法跳出局部最優(yōu)解。后續(xù)將繼續(xù)研究在大量數(shù)據(jù)情況下，BP神經(jīng)網(wǎng)絡(luò)對毛竹凍融次數(shù)識別準(zhǔn)確性。