闞相成，解光強(qiáng)，李耀翔，王立海，李怡娜，謝軍明，唐 旭

東北林業(yè)大學(xué)工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040

引 言

木材作為一種可再生材料對(duì)我們?nèi)粘Ｉ詈凸I(yè)生產(chǎn)等都具有不可替代的作用。相比于其他原料，它也存在易腐朽和干縮濕脹等缺陷。這些問(wèn)題往往都與木材含水率息息相關(guān)。不僅如此，含水率的變化在一定范圍內(nèi)影響木材的剛性、 硬度、 強(qiáng)度、 燃燒值、 導(dǎo)熱性、 導(dǎo)電性以及機(jī)械加工性能等[1]。因此在木材儲(chǔ)存、 運(yùn)輸、 加工過(guò)程中含水率的檢測(cè)顯得尤為重要[2]。木材含水率檢測(cè)手段較多，其中近紅外光譜法作為一種非接觸式的無(wú)損檢測(cè)方法已經(jīng)成為木材含水率檢測(cè)的強(qiáng)有力的工具，國(guó)內(nèi)外學(xué)者對(duì)此也做過(guò)大量研究[3-4]。

近紅外光譜能夠反映物質(zhì)內(nèi)部O—H、 C—H等基團(tuán)的振動(dòng)信息，結(jié)合化學(xué)計(jì)量學(xué)方法實(shí)現(xiàn)對(duì)含有上述基團(tuán)的物質(zhì)進(jìn)行定性或定量分析，已被廣泛應(yīng)用于化工、 農(nóng)業(yè)、 醫(yī)藥等行業(yè)[5-6]。雖然水作為天然的生物基質(zhì)是由小分子組成的，但其內(nèi)部卻存在很強(qiáng)的氫鍵，在100 nm～100 μm的電磁光譜上均有水分子中羥基的吸收帶。相比于中紅外波段，水中羥基在近紅外區(qū)域吸收沒(méi)有特別強(qiáng)烈，用近紅外光譜更適用于測(cè)量含水率變動(dòng)范圍較大的木材[7-8]。近紅外光譜屬于分子振動(dòng)光譜，當(dāng)環(huán)境溫度改變時(shí)，物質(zhì)分子的振動(dòng)會(huì)加劇或減弱，分子作用力會(huì)相應(yīng)發(fā)生變化，進(jìn)而影響到分子振動(dòng)或轉(zhuǎn)動(dòng)狀態(tài)在不同能級(jí)之間的躍遷，從而影響分子的振動(dòng)光譜，所以當(dāng)近紅外光譜檢測(cè)過(guò)程由溫度精確可控的實(shí)驗(yàn)室環(huán)境進(jìn)入到實(shí)際現(xiàn)場(chǎng)檢測(cè)環(huán)境時(shí)，檢測(cè)精度可能會(huì)受到溫度變化的影響[9]。國(guó)內(nèi)外學(xué)者對(duì)不同物質(zhì)的近紅外光譜的溫度擾動(dòng)都做過(guò)系列研究。Luan等[10]提出了一種多級(jí)最小絕對(duì)收縮和選擇算子(LASSO)修正近紅外分析模型測(cè)量雙酚A的粘度時(shí)溫度對(duì)NIR模型預(yù)測(cè)性能的影響，實(shí)驗(yàn)結(jié)果證明了所提出的模型的有效性，與沒(méi)有溫度校正的現(xiàn)有模型相比，該模型提供了更穩(wěn)定的預(yù)測(cè)結(jié)果。王冬等[11]采用偏最小二乘算法建立總植物堿在各溫度下的校正模型，并把溫度作為建立校正模型的擾動(dòng)因素之一，建立了具有溫度自動(dòng)矯正能力的校正模型，所得預(yù)測(cè)結(jié)果的準(zhǔn)確度較高。此外他還研究了樣品溫度對(duì)克螨特-高效氯氰菊酯乳油制劑的近紅外光譜定量分析模型預(yù)測(cè)能力的影響。木材的實(shí)際生產(chǎn)環(huán)境和條件決定了近紅外光譜檢測(cè)技術(shù)在木材科學(xué)上的應(yīng)用必須考慮溫度的影響。目前對(duì)于近紅外光譜預(yù)測(cè)木材含水率的研究大多局限在實(shí)驗(yàn)室、 恒定室溫的條件下，而木材在生產(chǎn)、 運(yùn)輸、 加工的過(guò)程中其所處的環(huán)境溫度往往有所變化，尤其在我國(guó)的東北林區(qū)，-20 ℃以下的低溫以及不同季節(jié)間60 ℃左右的溫差是通常其他樣品的近紅外光譜檢測(cè)中較為少見(jiàn)的，這種實(shí)驗(yàn)研究與生產(chǎn)實(shí)際之間的溫度差異嚴(yán)重影響了近紅外光譜在木材生產(chǎn)上的廣泛應(yīng)用。因此本實(shí)驗(yàn)通過(guò)控制不同樹(shù)種木材的溫度和水分探究溫度變化對(duì)近紅外預(yù)測(cè)木材含水率的影響，為木材生產(chǎn)實(shí)踐提供理論依據(jù)和技術(shù)支持。

1 實(shí)驗(yàn)部分

1.1 材料

樣品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″) 。選取了樟子松、 水曲柳、 大青楊和紅松四個(gè)樹(shù)種在胸徑1.3 m以上的木段各1 m。將木段用密封袋包裝好帶回實(shí)驗(yàn)室進(jìn)行木塊分割：在橫向距髓心一定距離處沿徑向取20 mm×20 mm×1 000 mm木條，然后將木條加工成規(guī)格為20 mm×20 mm×10 mm的木塊，每個(gè)樹(shù)種各75塊，共計(jì)300塊木塊試樣，如圖1所示。樣本具體性質(zhì)如表1所示。

圖1 木材試件Fig.1 Wood samples

表1 樣本性質(zhì)情況Table 1 Nature of the samples

1.2 近紅外光譜的采集

使用美國(guó)ASD公司生產(chǎn)的LabSpec5000光譜儀采集樣品近紅外光譜。波長(zhǎng)范圍為350～2 500 nm，采樣波長(zhǎng)精度1 nm。使用兩分叉光纖探頭在樣品的橫切面垂直采集NIR光譜, 每次采集的每條光譜為1.5 s內(nèi)掃描30次全光譜后平均而得。

1.3 溫度與含水率的控制

主要由兩個(gè)實(shí)驗(yàn)組成：(1) 檢測(cè)每個(gè)樹(shù)種在每個(gè)溫度梯度下不同含水率時(shí)的近紅外光譜。(2) 控制所有試樣含水率相同(此處設(shè)置為50%含水率)，檢測(cè)不同溫度時(shí)的木材近紅外光譜。

實(shí)驗(yàn)一 為了保證水分不散失，將采集到的木塊放入保鮮袋中密封。將密封好的試樣放置于30 ℃的恒溫恒濕箱中3 h進(jìn)行控溫，然后快速對(duì)試樣進(jìn)行光譜采集。光譜采集全過(guò)程使用紅外測(cè)溫儀測(cè)溫確保溫度達(dá)標(biāo)。測(cè)量結(jié)束迅速放回保鮮袋密封。按照以上步驟采集所有300塊試樣在20，10，0，-10和-20 ℃下的光譜數(shù)據(jù)，其中零下溫度使用冰箱完成，共計(jì)采集1 800條光譜樣本。光譜采集完成后測(cè)定含水率。試樣含水率測(cè)定按照 GB/T1931—2009《木材含水率測(cè)定方法》。

實(shí)驗(yàn)二 將樟子松、 水曲柳、 大青楊和紅松試樣各75塊烘至絕干并記錄重量。隨后將其浸泡10 d至飽和后，放到玻璃干燥器中進(jìn)行解析，不斷稱(chēng)得質(zhì)量并計(jì)算含水率。當(dāng)樣品含水率到達(dá)所需含水率(此處設(shè)置為50%)時(shí)，用保鮮袋將其密封。采集相同含水率下30，20，10，0，-10和-20 ℃時(shí)的近紅外光譜，進(jìn)行光譜分析。控溫、 控濕、 光譜采集的具體操作步驟同試驗(yàn)一。實(shí)驗(yàn)儀器如表2。

1.4 數(shù)據(jù)處理

對(duì)實(shí)驗(yàn)二中采集到的木材試樣的近紅外光譜進(jìn)行了光譜求和、 平均、 放大、 一次微分以及主成分分析(principal component analysis, PCA)和偏最小二乘判別分析(partial least squares discriminant analysis，PLS-DA)以觀察溫度變化對(duì)光譜的影響。運(yùn)用偏最小二乘算法(partial least squares regression，PLSR)分別建立木材含水率單一溫度模型和溫度全局模型(global calibration model)。預(yù)處理方法比較了移動(dòng)平均平滑法(moving average，MA)、 Savitsky-Golay平滑算法、 多元散射校正(multiplicative scatter correction，MSC)、 一次微分。評(píng)價(jià)模型優(yōu)劣的指標(biāo)為校正均方差(RMSEC)、 預(yù)測(cè)均方差(RMSEP)、 校正相關(guān)系數(shù)(Rc)、 預(yù)測(cè)相關(guān)系數(shù)(Rp)以及相對(duì)分析誤差(RPD)。

表2 實(shí)驗(yàn)儀器與設(shè)備Table 2 Experimental equipments

2 結(jié)果與討論

2.1 溫度及含水率對(duì)木材近紅外光譜的影響分析

將在30℃，50%含水率條件下測(cè)得的75塊樟子松試樣的近紅外光譜使用蒙特卡洛交叉驗(yàn)證法剔除其中的異常樣本，然后進(jìn)行光譜平均后得到圖2(a)中的一條紅色光譜。如圖2(a)所示，在350～2 500 nm上的6條不同顏色光譜分別代表了樟子松在50%含水率下30，20，10，0，-10和-20 ℃下的Vis-NIR平均光譜。同理，圖2(b), (c)和(d)分別為水曲柳、 大青楊和紅松試樣在50%含水率下不同溫度的平均光譜圖。在圖2中可以看到，四個(gè)樹(shù)種六個(gè)溫度梯度下的近紅外平均光譜的全波段中的整體趨勢(shì)基本一致，光譜中有多個(gè)波峰，其中1 150～1 220 nm的波峰為C—H的二級(jí)倍頻與合頻的吸收峰以及水中O—H的合頻吸收峰；1 450 nm波長(zhǎng)附近的吸收峰則對(duì)應(yīng)于水分子中游離O—H的一級(jí)倍頻吸收帶和木材中C—H的合頻吸收；1 940 nm附近為純水分子中O—H鍵伸縮振動(dòng)的組頻吸收帶和羰基伸縮振動(dòng)二級(jí)倍頻。觀察木塊試樣的原始光譜，我們能看到1 450 nm附近不同溫度的光譜波峰有分離現(xiàn)象。為了進(jìn)一步分析光譜差異，將波長(zhǎng)1 450 nm附近波峰進(jìn)行局部放大。

圖2 不同溫度下木材近紅外平均光譜圖 (a)：樟子松；(b)：水曲柳；(c)：大青楊；(d)：紅松Fig.2 Average NIR spectra of wood at different temperatures (a)：Pinus sylvestris；(b)：Fraxinus mandshurica；(c)：Populus sylvestris；(d)：Korean pine

在放大后的光譜圖中可以觀察到1 450 nm附近波峰的吸光度發(fā)生變化，各譜峰的相對(duì)強(qiáng)度也發(fā)生了變動(dòng)，但并沒(méi)有觀察到其隨溫度的變化而產(chǎn)生一致的規(guī)律性趨勢(shì)。由于各羥基譜峰的重疊，難以對(duì)譜峰的強(qiáng)度變化進(jìn)行細(xì)致分析。為了繼續(xù)觀察1 450 nm附近吸收峰位置的變化規(guī)律，將各溫度的平均光譜進(jìn)行一次微分并對(duì)1 450 nm附近譜圖進(jìn)行放大。如圖3(a)所示，經(jīng)過(guò)微分處理后，可以見(jiàn)到，隨著溫度的升高，樟子松試樣平均光譜圖1 450 nm附近零點(diǎn)有向左移動(dòng)的變化，既光譜吸收峰有逐漸向高頻(短波)波段轉(zhuǎn)移趨勢(shì)。進(jìn)行相同操作，我們發(fā)現(xiàn)圖3(b—d)中水曲柳、 大青楊、 紅松試樣不同溫度的光譜圖亦發(fā)生了相同變化。這可能是因?yàn)闇囟壬仙淖兞四静臉悠贩肿娱g的作用力，促使氫鍵發(fā)生減弱，使得水分子的伸縮振動(dòng)向高頻轉(zhuǎn)移，致使光譜譜峰發(fā)生了遷移。將不同溫度之間的波峰位移量化后如圖4所示，可以看出四個(gè)樹(shù)種中除水曲柳外，譜峰位移量最大的溫度區(qū)間均在在-20～-10 ℃和-10～0 ℃兩個(gè)區(qū)間段內(nèi)，而水曲柳的最大峰移量也發(fā)生在-20～-10 ℃區(qū)間。整體上溫度變動(dòng)時(shí)木材近紅外光譜發(fā)生位移變動(dòng)程度零下溫度要比零上溫度更劇烈。這可能是當(dāng)溫度到達(dá)零下時(shí)，部分水分子發(fā)生了相變，水分子的結(jié)構(gòu)及不同結(jié)構(gòu)形式水分子的含量發(fā)生了變化，氫鍵的締合程度進(jìn)一步增大，分子作用力進(jìn)一步增強(qiáng)的結(jié)果[12]。

為了消除原始光譜邊界波長(zhǎng)震蕩效應(yīng)帶來(lái)的的影響，去掉光譜兩端噪聲較大的部分，對(duì)1 000～1 800 nm波段內(nèi)的不同溫度樟子松近紅外光譜進(jìn)行主成分分析和PLS-DA判別分析，以觀察溫度對(duì)木材樣品光譜潛在的影響規(guī)律。如圖5為6個(gè)溫度下的樟子松樣品的主成分得分圖(PC1=79%，PC2=16%)。從圖中可以看到，隨著木材樣品溫度的上升，第一主成分得分逐漸增大，從而使不同溫度下的樣品發(fā)生分離。6個(gè)溫度下的樣本在PC1和PC2的投影分布總體上具有良好的分類(lèi)聚集特征。各溫度水平之間的界限較為明顯，僅有個(gè)別樣品同其他溫度下的樣品相混合。應(yīng)用偏最小二乘判別分析對(duì)相同含水率下6個(gè)溫度的光譜進(jìn)行判別分析，結(jié)果如圖6和圖7所示，溫度交叉驗(yàn)證判別準(zhǔn)確率達(dá)96.1%，預(yù)測(cè)均方根誤差為0.37。結(jié)果表明溫度變動(dòng)對(duì)樣品光譜存在顯著影響。

圖3 木材1 450 nm附近近紅外光譜一次微分圖 (a)：樟子松；(b)：水曲柳；(c)：大青楊；(d)：紅松Fig.3 The first-order derivative graphs of NIR spectral peaks of wood samples at 1 450 nm (a)：Pinus sylvestris；(b)：Fraxinus mandshurica；(c)：Populus sylvestris；(d)：Korean pine

圖4 不同溫度下木材近紅外光譜譜峰位移量 (a)：樟子松；(b)：水曲柳；(c)：大青楊；(d)：紅松Fig.4 NIR spectral peak shifts of wood samples at different temperatures (a)：Pinus sylvestris；(b)：Fraxinus mandshurica；(c)：Populus sylvestris；(d)：Korean pine

圖5 不同溫度下的樟子松樣品的第一、 第二主成分得分Fig.5 Scores of the first two PCs of Pinus sylvestrissamples at different temperatures

圖6 主成分分析的累計(jì)方差圖Fig.6 Principal component analysis cumulative variance plot

2.2 溫度對(duì)木材含水率預(yù)測(cè)模型的影響

使用SPXY算法將每個(gè)樹(shù)種的每一個(gè)溫度下不同含水率的光譜按照3∶1的比例劃分為校正集與驗(yàn)證集。為探究溫度對(duì)木材含水率預(yù)測(cè)模型的影響，采用單一溫度下的校正集分別與各個(gè)溫度下的驗(yàn)證集建立偏最小二乘含水率預(yù)測(cè)模型，波段范圍選為1 000～2 100 nm內(nèi)[13]。其中樟子松不同溫度建模的RMSEP結(jié)果如表3所示，為顯示變化規(guī)律，在表格中填充色階。

圖7 樟子松不同溫度的偏最小二乘判別分析結(jié)果圖Fig.7 Result of partial least squares discriminantanalysis of different temperaturesP

表3 不同溫度下采集的近紅外光譜所建校正模型 預(yù)測(cè)各溫度驗(yàn)證集的RMSE

由表3中數(shù)據(jù)可以看出，每行數(shù)據(jù)的RMSEP最小值均發(fā)生在表的對(duì)角線上，然后沿著對(duì)角線，每行的RMSEP數(shù)值向兩邊遞增，其中校正集溫度與驗(yàn)證集溫度均為20 ℃時(shí)的預(yù)測(cè)效果最優(yōu)，RMSEP為0.1。這表明，溫度產(chǎn)生變動(dòng)時(shí)，木材含水率預(yù)測(cè)模型的準(zhǔn)確性也會(huì)發(fā)生改變。從變化趨勢(shì)來(lái)看，單一溫度的校正集在與各個(gè)溫度的驗(yàn)證集建立PLS含水率預(yù)測(cè)模型時(shí)，校正集和驗(yàn)證集的溫度差與模型預(yù)測(cè)準(zhǔn)確度呈負(fù)相關(guān)，即當(dāng)建模樣本溫度與待測(cè)樣品的溫度相差越大時(shí)其預(yù)測(cè)準(zhǔn)確性也會(huì)越低。使用不同溫度的校正集與驗(yàn)證集進(jìn)行建模，其建模結(jié)果的變化實(shí)際上反映的是每個(gè)溫度下的模型對(duì)溫度變動(dòng)的適應(yīng)能力。結(jié)果表明，木材含水率預(yù)測(cè)模型更適應(yīng)于檢測(cè)與建模樣本相同溫度的樣品。這意味著，在實(shí)際生產(chǎn)中，為取得更好的檢測(cè)效果，我們需要根據(jù)實(shí)際待測(cè)樣品的情況建立不同溫度的預(yù)測(cè)模型。

2.3 基于光譜預(yù)處理的PLS木材含水率溫度全局預(yù)測(cè)模型

由上述光譜分析和建模分析可以發(fā)現(xiàn)溫度對(duì)近紅外預(yù)測(cè)木材含水率有較大影響，尤其當(dāng)溫度低于零度時(shí)影響較為顯著。建立多個(gè)不同溫度的模型顯然會(huì)增加工作量減小近紅外檢測(cè)法的易用性。提高模型預(yù)測(cè)能力和溫度適應(yīng)性的方法有很多，關(guān)鍵在于提高模型的穩(wěn)健性(robustness)和準(zhǔn)確性(accuracy)。相比于其他方法，建立全局校正模型(global calibration model)的效果在一些特定分析目標(biāo)的檢測(cè)上展現(xiàn)出優(yōu)越性[16-17]。在1 000～2 100 nm波段范圍內(nèi)對(duì)不同溫度下的光譜進(jìn)行綜合后組成溫度全局校正集，建立了含水率預(yù)測(cè)溫度全局模型，采用SPXY算法，將每個(gè)樹(shù)種的所有溫度下不同含水率的光譜按照3∶1的比例設(shè)置校正集與驗(yàn)證集。如圖5(a)為50%含水率的樟子松在6個(gè)溫度梯度下全部光譜1 000～1 800 nm段的原始光譜。光譜曲線中不僅包含有用信息，噪聲、 譜線重疊也夾雜其中。尤其是是當(dāng)溫度低于0 ℃時(shí)，木材表面會(huì)產(chǎn)生冰晶，造成光譜的散射和折射以及木材橫截面不夠平滑造成的散射，這些問(wèn)題都會(huì)影響模型準(zhǔn)確性。為進(jìn)一步提高PLS 溫度全局模型的準(zhǔn)確性，消除干擾因素，嘗試有針對(duì)性的對(duì)光譜進(jìn)行預(yù)處理。為減小儀器背景或漂移對(duì)采集信號(hào)的干擾，嘗試對(duì)光譜進(jìn)行一次微分；為降低光譜信號(hào)中的隨機(jī)噪聲，提高木材樣本光譜信號(hào)的信噪比，嘗試了Savitsky-Golay平滑算法；為消除冰晶和木材表面漫反射過(guò)程中帶來(lái)的散射影響，嘗試了多元散射校正(multiplicative scatter correction，MSC)并嘗試了幾種處理方式聯(lián)用的效果。經(jīng)過(guò)預(yù)處理后的溫度全局模型建模效果如表4所示，圖8為樟子松原始光譜和經(jīng)過(guò)預(yù)處理后的效果。

圖8 不同溫度下樟子松光譜圖(-20～30 ℃) (a): 原始光譜；(b): S-G平滑+MSC校正； (c): S-G平滑+MSC校正+一次微分Fig.8 NIR spectra of Pinus sylvestris atdifferent temperature (-20～30℃) (a): Raw spectra；(b): S-G smoothing+MSC； (c): S-G smoothing+MSC+1st derivative

表4 不同預(yù)處理方式的PLS木材含水率近紅外光譜預(yù)測(cè)結(jié)果Table 4 Prediction results of PLS models using differentsectral preprocessing methods

將表4與表3中的數(shù)據(jù)對(duì)比可以發(fā)現(xiàn)，樟子松未經(jīng)過(guò)預(yù)處理的溫度全局模型的RMSEP為0.156。預(yù)測(cè)結(jié)果已經(jīng)明顯優(yōu)于大部分單一溫度模型，僅低于20 ℃時(shí)的自適應(yīng)溫度模型，水曲柳、 大青楊、 紅松樹(shù)種的溫度全局模型RMSEP均在0.2以下。這表明木材含水率預(yù)測(cè)全局溫度模型對(duì)不同溫度下樣品表現(xiàn)出了較強(qiáng)的適應(yīng)性，有一定的溫度修正能力和實(shí)際應(yīng)用潛力。在比較了幾種光譜預(yù)處理方法后發(fā)現(xiàn)，不同光譜預(yù)處理方法對(duì)PLS木材含水率溫度全局模型的預(yù)測(cè)結(jié)果有明顯影響，單一平滑預(yù)處理的預(yù)測(cè)準(zhǔn)確性要略低于三種預(yù)處理方法結(jié)合。SG平滑、 多元散射校正與一次微分聯(lián)用的處理效果最優(yōu)，在水曲柳的應(yīng)用中預(yù)測(cè)相關(guān)系數(shù)Rp可達(dá)0.978，RMSEP為0.074。相比較于原始光譜，在預(yù)測(cè)準(zhǔn)確性方面特定光譜預(yù)處理對(duì)全局模型的準(zhǔn)確性有明顯提升。

3 結(jié) 論

通過(guò)對(duì)四個(gè)樹(shù)種不同溫度下的近紅外光譜進(jìn)行光譜分析和建模分析，探究了溫度變化對(duì)近紅外光譜預(yù)測(cè)木材含水率的影響。實(shí)驗(yàn)結(jié)果顯示，溫度對(duì)木材近紅外光譜和光譜建模精度都會(huì)產(chǎn)生影響。溫度會(huì)影響木材的近紅外光譜在特定波長(zhǎng)吸收峰的位置及吸光度，這種影響在溫度低于零度時(shí)更顯著。通過(guò)建模分析，PLS含水率預(yù)測(cè)模型對(duì)溫度變動(dòng)的適應(yīng)能力有差異，木材含水率預(yù)測(cè)模型更適應(yīng)于檢測(cè)與建模樣本相同溫度的樣品，其中在20 ℃附近的自適應(yīng)溫度模型最好。與單一溫度模型相比，PLS溫度全局模型對(duì)于溫度變化具有很好的適應(yīng)性和應(yīng)用潛力?；赟G平滑+多元散射校正+一次微分聯(lián)用的預(yù)處理的PLS含水率溫度全局模型有較好的預(yù)測(cè)效果和溫度適應(yīng)性，RP最高為0.978。研究結(jié)果顯示，溫度作為一種隨機(jī)擾動(dòng)因素在木材含水率的近紅外檢測(cè)法中是不可忽視的。木材含水率預(yù)測(cè)模型更適應(yīng)于檢測(cè)與建模樣本相同溫度的樣品，但是這使得建模過(guò)程更加繁復(fù)，減小了近紅外光譜檢測(cè)法的易用性。應(yīng)用溫度全局模型并結(jié)合與之適應(yīng)的預(yù)處理方法為問(wèn)題的解決提供了一個(gè)新思路。本實(shí)驗(yàn)可對(duì)近紅外光譜法應(yīng)用于木材含水率的實(shí)際檢測(cè)應(yīng)用提供一定的參考。

致謝：感謝唐旭、 劉言旭兩位同學(xué)在光譜采集過(guò)程中給予的幫助。