楊春梅,朱贊彬,2*,李昱成,馬 巖,宋海洋

1. 東北林業(yè)大學(xué)機(jī)電工程學(xué)院,黑龍江 哈爾濱 150040 2. 信陽(yáng)農(nóng)林學(xué)院,河南 信陽(yáng) 464000 3. 亞聯(lián)機(jī)械股份有限公司,吉林 敦化 133700

引 言

隨著碳達(dá)峰和碳中和目標(biāo)戰(zhàn)略的全面推進(jìn),人造板等節(jié)材材料或代木材料將日益廣泛應(yīng)用。為了節(jié)約成本與資源,纖維板大部分采用廉價(jià)的枝椏材,樹(shù)皮含量難以精確計(jì)算。據(jù)統(tǒng)計(jì)樹(shù)木中樹(shù)皮的體積分?jǐn)?shù)占6%～30%,樹(shù)木徑級(jí)越大樹(shù)皮比例越小,小徑木和枝椏材中樹(shù)皮的比例可高達(dá)15%～30%。不同樹(shù)種的樹(shù)皮含量亦不相同,纖維板生產(chǎn)中常見(jiàn)的樹(shù)種為楊木、桉木、馬尾松等,其中楊木大約為12%～30%[1]。

目前纖維板行業(yè)對(duì)超薄高密度板的定義標(biāo)準(zhǔn)為厚度低于1.5 mm,名義密度大于880 kg·m-3。隨著纖維板厚度的減小和密度的增加,對(duì)其原材料的要求更高[2]。一般來(lái)說(shuō)0.8 mm高密度超薄纖維板的樹(shù)皮含量不得高于5%,1.5 mm超薄纖維板不得高于15%,其他板材一般不超過(guò)25%。由于樹(shù)皮與木材組成成分的差異,樹(shù)皮中大部分可溶物質(zhì)殘留于熱磨纖維漿料里,從而使纖維之間力學(xué)性能不符合要求,并導(dǎo)致超薄纖維板板面發(fā)黑,影響板材品質(zhì)[3]。

2015年?yáng)|北林業(yè)大學(xué)賈娜等研究表明,控制纖維板原料中樹(shù)皮的比例,可降低熱磨機(jī)能耗,且纖維質(zhì)量較理想[4]?；跇?shù)皮與木材的化學(xué)成分以及顏色的差異,本工作創(chuàng)新性開(kāi)發(fā)了利用高光譜精確檢測(cè)纖維樣本中樹(shù)皮含量的技術(shù),對(duì)超薄纖維板生產(chǎn)質(zhì)量的提高以及纖維質(zhì)量的評(píng)價(jià)具有重要意義。

高光譜不僅應(yīng)用于軍事領(lǐng)域作為主要偵察手段,同時(shí)被廣泛應(yīng)用于農(nóng)業(yè)及林業(yè)工程領(lǐng)域,利用高光譜可實(shí)現(xiàn)化學(xué)成分的定性及定量檢測(cè)。2021年白宗秀等利用高光譜結(jié)合特征變量篩選方法,采用遺傳算法(GA)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(CARS)算法以及二維相關(guān)光譜分析(2D-COS)方法實(shí)現(xiàn)了特征波長(zhǎng)的篩選與快速無(wú)損檢測(cè)羊肉糜中狐貍?cè)舛繖z測(cè)[5]。高光譜還用于木材種類(lèi)的識(shí)別以及中藥材的檢測(cè)。較多學(xué)者利用高光譜測(cè)定樹(shù)木的種類(lèi)、密度、含水率等各項(xiàng)指標(biāo)[6]。2012年Fujimoto等采集了不同含水率下落葉松的近紅外光譜,利用PLS分析木材密度,結(jié)果表明利用近紅外光譜預(yù)測(cè)木材密度不會(huì)受到水分條件的影響[7]。2013年Fernandes等利用高光譜成像測(cè)量樹(shù)木生長(zhǎng)年輪尺度上的密度剖面。采用高光譜成像測(cè)量木材樣品反射率,通過(guò)偏最小二乘回歸分析,建立了光譜反射率與其密度值的關(guān)系模型[8]。2019年Reis等利用多元統(tǒng)計(jì)分析,建立近紅外光譜模型,成功區(qū)分了天然和人工種植的木材,對(duì)保護(hù)原始林木材砍伐有較大意義[9]。2021年Stefansson結(jié)合光譜數(shù)據(jù)采用偏最小二乘回歸方法,將各樣品的吸光度數(shù)據(jù)與樣品在干燥過(guò)程中不同時(shí)間步長(zhǎng)的水分含量分布進(jìn)行了映射。其研究結(jié)果表明,提出的方法可以對(duì)熱改性松木樣品內(nèi)的水分分布進(jìn)行估計(jì)和可視化[10]。2022年吳靜珠利用高光譜結(jié)合隨機(jī)森林(RF)和Adaboost算法建立單粒種子水分檢測(cè)模型,其建立的玉米種子水分檢測(cè)模型預(yù)測(cè)精度高,穩(wěn)健性好[11]。

超薄纖維板對(duì)原料以及設(shè)備的要求較高,厚度低于0.8 mm大部分處于試驗(yàn)探索階段。生產(chǎn)中其樹(shù)皮含量對(duì)其性能影響較大,且隨著其板坯厚度的減少,對(duì)樹(shù)皮含量的要求更加嚴(yán)格[12]。目前針對(duì)纖維板中樹(shù)皮含量的定量檢測(cè)極少,大部分為定性研究,本研究利用高光譜圖譜結(jié)合的特點(diǎn),對(duì)木纖維中樹(shù)皮的含量進(jìn)行定量檢測(cè)。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)材料

實(shí)驗(yàn)所用纖維和樹(shù)皮均來(lái)自于超薄板試驗(yàn)生產(chǎn)線。由于纖維原料的顆粒度以及均勻性對(duì)高光譜漫反射的效果及試驗(yàn)的精確性影響較大,將純楊木木纖維(樹(shù)皮含量為0%)以及純楊木樹(shù)皮(樹(shù)皮含量為100%),利用打粉機(jī)進(jìn)行打碎混合,采用的打粉機(jī)型號(hào)為2500C,具體參數(shù)見(jiàn)表1,純楊木纖維和樹(shù)皮粉目數(shù)小于200目。

圖1 纖維粉碎效果圖(a):純楊木纖維粉碎;(b):純楊木樹(shù)皮粉碎Fig.1 Photos of pulverized fibers(a):Pulverized pure poplar wood fiber;(b):Pulverized pure poplar bark

表1 打粉機(jī)相關(guān)參數(shù)Table 1 Parameters of pulverizer

粉碎后將純楊木纖維與樹(shù)皮粉按照重量比例進(jìn)行混合,混合物中的樹(shù)皮含量分別為0%,3%,5%,7%,10%,12%,15%,20%,25%,30%,100%,每種樹(shù)皮和純楊木纖維混合物的總質(zhì)量為1 000 g,用天平測(cè)定重量后再次粉碎攪拌均勻備用。為了混合比精確,不同含量經(jīng)磨碎混合后需要把粉碎機(jī)清理干凈。樹(shù)皮含量為0%、20%和100%的混合纖維粉末如圖2(a—c)所示。每個(gè)含量等級(jí)制備10份待測(cè)試樣品,每個(gè)樣品重量為100 g,共計(jì)110份待測(cè)試樣品。

圖2 不同樹(shù)皮含量木纖維粉末Fig.2 Wood fiber powder with different bark contents

圖3 高光譜相機(jī)檢測(cè)平臺(tái)Fig.3 Detection platform of hyperspectral camera

1.2 方法

由于高光譜是利用漫反射采集獲得,為了減少誤差,將樣品均勻鋪在黑色硬紙上。同時(shí)為了減少水分對(duì)測(cè)量結(jié)果的影響,將樣本放入干燥機(jī)內(nèi)干燥1 h后取出備測(cè)。實(shí)驗(yàn)用高光譜相機(jī)(Specim FX10,Specim 公司,芬蘭)參數(shù)如表2。

表2 高光譜測(cè)量系統(tǒng)相關(guān)參數(shù)Table 2 Related parameters of hyperspectral measurement system

為了實(shí)驗(yàn)測(cè)量的精確性,測(cè)試前需要采集黑白板圖像信息,測(cè)試完成后需要利用系統(tǒng)自帶軟件對(duì)光譜數(shù)據(jù)進(jìn)行黑白校正。校正后設(shè)定平臺(tái)移動(dòng)速度為2.5 mm·s-1。

1.3 機(jī)理分析

實(shí)驗(yàn)使用的鏡頭為FX10e,波段范圍為400～1 000 nm,其中400～700 nm為可見(jiàn)光,700～1 000 nm為近紅外波段。由于樹(shù)皮和楊木纖維的顏色不一樣利用可見(jiàn)光波段的光譜特征可以識(shí)別。同時(shí)樹(shù)皮和楊木的化學(xué)成分中有機(jī)分子含氫基團(tuán)(O—H、N—H、C—H)亦有區(qū)別,可利用近紅外光譜特征識(shí)別。依據(jù)表3可知楊木樹(shù)皮與楊木纖維均為有機(jī)物,楊木主要由纖維素、木質(zhì)素等組成[13]。

表3 楊木和楊木樹(shù)皮的主要化學(xué)成分對(duì)比Table 3 Comparison of main chemical constituents of poplar wood and poplar bark

2 結(jié)果與討論

2.1 不同含量樹(shù)皮含量樣品的原始光譜分析

采用ENVI(Classic 5.3 + IDL 8.5)軟件獲得樣本的原始光譜信息。圖4所示為樹(shù)皮含量為10%的樣本原始光譜。使用MATLAB 2020a、Origin2021以及Python3.7軟件對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理、特征波長(zhǎng)篩選及模型建立。

圖4 樹(shù)皮含量為10%原始光譜圖Fig.4 Original spectra of samples with 10% bark content

將光譜圖通過(guò)ENVI(Classic 5.3+IDL 8.5)軟件轉(zhuǎn)換為ASCII信息。利用Origin2021可得不同樹(shù)皮含量的平均光譜圖,如圖5(a)所示。不同樹(shù)皮含量的平均光譜的趨勢(shì)相同,400～1 000 nm的波長(zhǎng)范圍內(nèi),光譜吸收峰值先隨波長(zhǎng)的增大而減小后隨波長(zhǎng)的增大而增加,拐點(diǎn)約在463 nm處。純楊木纖維與純樹(shù)皮的平均光譜曲線如圖5(b)所示,反射率具有較大的不同,從而可以依據(jù)光譜數(shù)據(jù)預(yù)測(cè)纖維中樹(shù)皮的含量。

圖5(a) 不同樹(shù)皮含量的平均光譜Fig.5(a) Average spectra of samples with different bark contents

圖5(b) 純楊木纖維(0%)與純樹(shù)皮(100%)的光譜圖Fig.5(b) Spectra of pure poplar fiber and pure poplar bark

2.2 樣本劃分與光譜信息預(yù)處理

將鋪滿黑色硬紙上的樣品依據(jù)上、中、下以及左、中、右劃分為9個(gè)不同區(qū)域,取每個(gè)區(qū)域光譜的平均值作為該區(qū)域的光譜信息,即每個(gè)樣品選取9條光譜,共計(jì)990條光譜樣本信息。利用Kennard-Stone(K-S)法對(duì)所有光譜樣本進(jìn)行劃分,按照2∶1的比例,得到校正集660份,預(yù)測(cè)集330份。首先對(duì)光譜信息進(jìn)行預(yù)處理,以便降低模型數(shù)據(jù)的誤差。根據(jù)木材類(lèi)檢測(cè)相關(guān)光譜分析經(jīng)驗(yàn),利用均值中心化(MC)、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)和一階導(dǎo)數(shù)(1-Der)對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。經(jīng)過(guò)四種預(yù)處理后的光譜數(shù)據(jù)建立樹(shù)皮含量的PLSR(偏最小二乘回歸)模型評(píng)價(jià)結(jié)果如表4所示。

表4 不同預(yù)處理方法下的樹(shù)皮含量偏最小二乘PLSR回歸模型評(píng)價(jià)結(jié)果Table 4 Evaluation results of bark content by PLSR regression model under different pretreatment methods

2.3 特征波長(zhǎng)的篩選

篩選與纖維中樹(shù)皮含量指標(biāo)相關(guān)的特征波長(zhǎng)采用SPA和CARS算法。SPA法得到的樹(shù)皮含量反映敏感的特征波長(zhǎng)如圖6所示。由圖6(a)可知當(dāng)變量數(shù)為37時(shí)RMSE值達(dá)到最小,之后總體趨向平緩。圖6(b)為該37個(gè)波段的具體分布情況。SPA法篩選出的特征波段詳見(jiàn)表5。

圖6(a) SPA篩選的特征波長(zhǎng)數(shù)量Fig.6(a) Number of characteristic wavelengths selected by SPA algorithm

圖6(b) SPA篩選特征波長(zhǎng)Fig.6(b) Characteristic wavelengths selected by SPA algorithm

表5 SPA與CARS篩選的特征波長(zhǎng)Table 5 Characteristic wavelengths selected by SPA and CARS

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法(CARS)是一種結(jié)合蒙特卡洛與PLS模型回歸系數(shù)篩選特征波長(zhǎng)的方法[14-15]。如表5所示為利用CARS算法對(duì)經(jīng)MSC預(yù)處理數(shù)據(jù)后所得到49個(gè)特征波長(zhǎng)分布情況。由圖7(a)可知優(yōu)選變量的數(shù)量隨蒙特卡洛迭代次數(shù)的增加呈指數(shù)減少,由圖7(b)可知RMSECV值先減小后增大,并在運(yùn)行次數(shù)為13時(shí),其值最小。圖7(b)顯示在前15次采樣中,RMSECV值相對(duì)低,隨著采樣次數(shù)的增加,其值隨之增大表明反射光譜信息中與纖維樹(shù)皮含量無(wú)關(guān)的信息或噪聲增加了。

圖7(a) 波段個(gè)數(shù)變量變化圖Fig.7(a) Variation of number of wavebands variables

圖7(b) RMSECV的變化圖Fig.7(b) Variation of RMSECV

圖7(c) 變量回歸系數(shù)路徑圖Fig.7(c) Path diagram of regression coefficients of variables

2.4 特征波段的PLSR回歸模型結(jié)果分析

表6 基于不同變量篩選方法的PLSR模型結(jié)果Table 6 PLSR modeling results based on different variable selection methods

3 結(jié) 論