楊春梅,朱贊彬,2*,李昱成,馬 巖,宋海洋

1. 東北林業(yè)大學機電工程學院,黑龍江 哈爾濱 150040 2. 信陽農林學院,河南 信陽 464000 3. 亞聯(lián)機械股份有限公司,吉林 敦化 133700

引 言

隨著碳達峰和碳中和目標戰(zhàn)略的全面推進,人造板等節(jié)材材料或代木材料將日益廣泛應用。為了節(jié)約成本與資源,纖維板大部分采用廉價的枝椏材,樹皮含量難以精確計算。據統(tǒng)計樹木中樹皮的體積分數占6%～30%,樹木徑級越大樹皮比例越小,小徑木和枝椏材中樹皮的比例可高達15%～30%。不同樹種的樹皮含量亦不相同,纖維板生產中常見的樹種為楊木、桉木、馬尾松等,其中楊木大約為12%～30%[1]。

目前纖維板行業(yè)對超薄高密度板的定義標準為厚度低于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,對其原材料的要求更高[2]。一般來說0.8 mm高密度超薄纖維板的樹皮含量不得高于5%,1.5 mm超薄纖維板不得高于15%,其他板材一般不超過25%。由于樹皮與木材組成成分的差異,樹皮中大部分可溶物質殘留于熱磨纖維漿料里,從而使纖維之間力學性能不符合要求,并導致超薄纖維板板面發(fā)黑,影響板材品質[3]。

2015年東北林業(yè)大學賈娜等研究表明,控制纖維板原料中樹皮的比例,可降低熱磨機能耗,且纖維質量較理想[4]?；跇淦づc木材的化學成分以及顏色的差異,本工作創(chuàng)新性開發(fā)了利用高光譜精確檢測纖維樣本中樹皮含量的技術,對超薄纖維板生產質量的提高以及纖維質量的評價具有重要意義。

高光譜不僅應用于軍事領域作為主要偵察手段,同時被廣泛應用于農業(yè)及林業(yè)工程領域,利用高光譜可實現化學成分的定性及定量檢測。2021年白宗秀等利用高光譜結合特征變量篩選方法,采用遺傳算法(GA)、競爭性自適應重加權(CARS)算法以及二維相關光譜分析(2D-COS)方法實現了特征波長的篩選與快速無損檢測羊肉糜中狐貍肉定量檢測[5]。高光譜還用于木材種類的識別以及中藥材的檢測。較多學者利用高光譜測定樹木的種類、密度、含水率等各項指標[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,結果表明利用近紅外光譜預測木材密度不會受到水分條件的影響[7]。2013年Fernandes等利用高光譜成像測量樹木生長年輪尺度上的密度剖面。采用高光譜成像測量木材樣品反射率,通過偏最小二乘回歸分析,建立了光譜反射率與其密度值的關系模型[8]。2019年Reis等利用多元統(tǒng)計分析,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,對保護原始林木材砍伐有較大意義[9]。2021年Stefansson結合光譜數據采用偏最小二乘回歸方法,將各樣品的吸光度數據與樣品在干燥過程中不同時間步長的水分含量分布進行了映射。其研究結果表明,提出的方法可以對熱改性松木樣品內的水分分布進行估計和可視化[10]。2022年吳靜珠利用高光譜結合隨機森林(RF)和Adaboost算法建立單粒種子水分檢測模型,其建立的玉米種子水分檢測模型預測精度高,穩(wěn)健性好[11]。

超薄纖維板對原料以及設備的要求較高,厚度低于0.8 mm大部分處于試驗探索階段。生產中其樹皮含量對其性能影響較大,且隨著其板坯厚度的減少,對樹皮含量的要求更加嚴格[12]。目前針對纖維板中樹皮含量的定量檢測極少,大部分為定性研究,本研究利用高光譜圖譜結合的特點,對木纖維中樹皮的含量進行定量檢測。

1 實驗部分

1.1 試驗材料

實驗所用纖維和樹皮均來自于超薄板試驗生產線。由于纖維原料的顆粒度以及均勻性對高光譜漫反射的效果及試驗的精確性影響較大,將純楊木木纖維(樹皮含量為0%)以及純楊木樹皮(樹皮含量為100%),利用打粉機進行打碎混合,采用的打粉機型號為2500C,具體參數見表1,純楊木纖維和樹皮粉目數小于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 打粉機相關參數Table 1 Parameters of pulverizer

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

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

圖3 高光譜相機檢測平臺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。同時為了減少水分對測量結果的影響,將樣本放入干燥機內干燥1 h后取出備測。實驗用高光譜相機(Specim FX10,Specim 公司,芬蘭)參數如表2。

表2 高光譜測量系統(tǒng)相關參數Table 2 Related parameters of hyperspectral measurement system

為了實驗測量的精確性,測試前需要采集黑白板圖像信息,測試完成后需要利用系統(tǒng)自帶軟件對光譜數據進行黑白校正。校正后設定平臺移動速度為2.5 mm·s-1。

1.3 機理分析

實驗使用的鏡頭為FX10e,波段范圍為400～1 000 nm,其中400～700 nm為可見光,700～1 000 nm為近紅外波段。由于樹皮和楊木纖維的顏色不一樣利用可見光波段的光譜特征可以識別。同時樹皮和楊木的化學成分中有機分子含氫基團(O—H、N—H、C—H)亦有區(qū)別,可利用近紅外光譜特征識別。依據表3可知楊木樹皮與楊木纖維均為有機物,楊木主要由纖維素、木質素等組成[13]。

表3 楊木和楊木樹皮的主要化學成分對比Table 3 Comparison of main chemical constituents of poplar wood and poplar bark

2 結果與討論

2.1 不同含量樹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所示為樹皮含量為10%的樣本原始光譜。使用MATLAB 2020a、Origin2021以及Python3.7軟件對光譜數據進行預處理、特征波長篩選及模型建立。

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

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

圖5(a) 不同樹皮含量的平均光譜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處理

將鋪滿黑色硬紙上的樣品依據上、中、下以及左、中、右劃分為9個不同區(qū)域,取每個區(qū)域光譜的平均值作為該區(qū)域的光譜信息,即每個樣品選取9條光譜,共計990條光譜樣本信息。利用Kennard-Stone(K-S)法對所有光譜樣本進行劃分,按照2∶1的比例,得到校正集660份,預測集330份。首先對光譜信息進行預處理,以便降低模型數據的誤差。根據木材類檢測相關光譜分析經驗,利用均值中心化(MC)、多元散射校正(MSC)、標準正態(tài)變量變換(SNV)和一階導數(1-Der)對光譜數據進行預處理。經過四種預處理后的光譜數據建立樹皮含量的PLSR(偏最小二乘回歸)模型評價結果如表4所示。

表4 不同預處理方法下的樹皮含量偏最小二乘PLSR回歸模型評價結果Table 4 Evaluation results of bark content by PLSR regression model under different pretreatment methods

2.3 特征波長的篩選

篩選與纖維中樹皮含量指標相關的特征波長采用SPA和CARS算法。SPA法得到的樹皮含量反映敏感的特征波長如圖6所示。由圖6(a)可知當變量數為37時RMSE值達到最小,之后總體趨向平緩。圖6(b)為該37個波段的具體分布情況。SPA法篩選出的特征波段詳見表5。

圖6(a) SPA篩選的特征波長數量Fig.6(a) Number of characteristic wavelengths selected by SPA algorithm

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

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

競爭性自適應重加權采樣法(CARS)是一種結合蒙特卡洛與PLS模型回歸系數篩選特征波長的方法[14-15]。如表5所示為利用CARS算法對經MSC預處理數據后所得到49個特征波長分布情況。由圖7(a)可知優(yōu)選變量的數量隨蒙特卡洛迭代次數的增加呈指數減少,由圖7(b)可知RMSECV值先減小后增大,并在運行次數為13時,其值最小。圖7(b)顯示在前15次采樣中,RMSECV值相對低,隨著采樣次數的增加,其值隨之增大表明反射光譜信息中與纖維樹皮含量無關的信息或噪聲增加了。

圖7(a) 波段個數變量變化圖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回歸模型結果分析

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

3 結 論