近红外光谱结合SIMCA模式识别法检测木材表面节子1)

杨 忠 陈 玲 付跃进 吕 斌

(中国林业科学研究院木材工业研究所，北京，100091)

由于胶合板的工业化生产可以有效地避开木材的天然缺陷，具有性能优良、尺寸稳定、幅面大，且保持木材天然纹理和质地的优势，成为木材工业生产中历史最为悠久和利用最为广泛的人造板种之一。世界胶合板产量占人造板总产量的30%左右，我国是世界上第二大胶合板生产国，胶合板产量占人造板总产量的40%左右［1］。单板是构成胶合板的主要单元，单板上的节子缺陷是导致胶合板降等级的最主要缺陷之一。首先，节子破坏单板表面的均匀性，从而破坏胶合板产品的均匀性。另外，富含松脂树种的节子有树脂渗出，易发生胶合质量问题，装修油漆困难。节子还破坏木材的完整性，它的木纹方向与树干方向不一致造成节子与周围木材收缩的不同，使木单板发生局部翘曲和变形，最终影响产品质量。此外，孔洞及斜纹理使木材的静曲强度下降严重。因此，开发一种单板节子的快速检测方法对于胶合板生产具有积极的意义。

近几年，国内外许多科学家对木材节子缺陷探测进行了研究并取得较大进展，其探测方法主要包括超声波技术［2－5］，微波技术［6］和 CT 技术［7］等。然而，上述方法对单板缺陷检测的适用性还需进一步研究。近年来，近红外光谱(near infrared spectroscopy，简称NIR)和软独立建模分类(Soft independent modeling of class analogy，简称SIMCA)模式识别法在食品、医药和农产品等领域中的检测或识别方面得到了许多应用［8－11］，而在木材缺陷检测方面的研究尚未见报道。单板表面节子与无节区域的木材结构、化学成分和表面颜色参数都有非常显著的差异，这些差异可以在近红外光谱中得到充分反映，因为NIR包含了键强度、化学组成与试样的散射、表面光泽、折光指数等重要信息，这为利用NIR检测单板节子提供了重要依据。本研究尝试利用近红外光谱结合SIMCA方法来检测木材单板的节子缺陷。

1 材料与方法

1.1 试样的准备

本试验采用的马尾松采自安徽省黄山区黄山公益林场，地处中亚热带北缘，地理位置位于东经118°14'～118°21'，北纬 32°4'～32°10'，海拔高 300 ～450 m。试材砍伐后截成2 m一段的原木，在木材加工厂用旋切机旋切成厚度为1.7 mm，宽度为1.3 m的单板。随机选取含有直径大于20 mm节子的90张单板。为了便于扫谱，将含有直径大于20 mm节子的部分裁成400 mm×200 mm的小幅面单板，并在每张单板上分别扫描了节子和无节子的NIR光谱各90个，共180个。

1.2 近红外光谱的采集

试验用设备是美国ASD公司生产的Field SpecⓇ近红外光谱仪。光谱仪的波长范围在350～2 500 nm，采用直径18 mm的光纤探头采集试样表面的近红外光谱，光纤探头在试样表面的垂直上方。光谱的空白校准采用商用聚四氟乙烯制成的白色材料。样品经过光纤探头采集，每扫描30次并自动平均为一条光谱后保存起来，得到的近红外光谱经ASD提供的专业软件转换成光谱数据文件，并在UnscramblerⓇ软件中进行数据处理与预测模型的建立，本试验采用500～2500 nm的光谱信息进行建模与预测分析。

1.3 SIMCA 分析方法

化学计量学中定性分析的方法是判别分析法，判别分析的基本思想是根据已知样品集特征，选定适合的判别准则，建立定性分析模型，最后用于预测判定未知样品。本研究中马尾松木材单板表面有、无节子这两个类别或属性之间没有程度和顺序的差别，可按二项分类的原则进行分类，即SIMCA模式识别法可以适用于单板节子缺陷的检测。

SIMCA模式识别法是一种重要的近红外光谱定性分析方法。基于主成分分析(principal components analysis，简称PCA)的SIMCA判别方法主要步骤为:①对培训集样本的光谱数据进行主成分分析，通过主成分分析为每一个类建立一个主成分分析模型;②计算未知样本距各培训集主成分分析模型的距离，找出最小距离的类。主成分分析是利用降维的思想，把大量光谱信息进行降维，转化为少数几个综合指标的多元统计分析方法。SIMCA判别结果有3类，分别是未知样本属于已知的某一类、未知样本同时属于已知的多个类，以及未知样本不属于任何已知类。当出现未知样本同属于多个类时，说明判别分析模型不够精确，需要改进，一般可以通过增加培训集样本数或是增加变量数来解决［11］。

2 结果与分析

2.1 光谱预处理对SIMCA模式识别法判别效果的影响

原始近红外光谱不仅含有与样品结构和组成有关的信息，而且，也包含由仪器设备和外界环境等因素产生的噪音，这些噪音有可能对模型产生不利影响。光谱预处理是一种消除或减少光谱噪音的有效方法，常见的光谱预处理方法有光谱数据的平滑、求导、基线校正、归一化处理等。另外，在近红外光谱分析中，由于样品不同组分之间的相互干扰也会导致近红外光谱谱线的重叠，而采用光谱数据求导的方法也可以在一定程度上减少光谱重叠带来的影响。因此，本研究分别对有无节子两类试样的原始近红外光谱数据、一阶导数处理光谱数据和二阶导数处理光谱数据的培训集样本进行主成分分析，并建立了用于SIMCA判别分析的主成分分析模型。

本试验将所有试样按有无节子分别随机抽取了2/3的样本(120个)用于培训建立SIMCA判别模型，剩余1/3样本(60个)作评价培训集模型有效性的检测集。将120个培训集样本的近红外光谱数据进行主成分分析，分别建立无节子单板和有节子单板的主成分分析模型。图1是有节子和无节子缺陷单板的主成分分析结果，图中黑色圆点(●)代表节子样本，圆圈(○)代表无节样本。可以看出，节子样本点聚集在一起，而无缺陷单板样本则另外聚集在一起，两种样本相互远离，这表明用SIMCA模式识别法检测马尾松单板节子缺陷具有可行性。

图1 有节子和无节子缺陷单板的主成分分析结果

由于SIMCA方法是二值判别法，样本特征的判别结果只有两种，即是或否，试验中样本的类别分为无节子和有节子两类，因此，UnscramblerⓇ光谱分析软件中SIMCA法可以用于判断单板试样有、无节子。本试验采用了培训集样本回判来验证SIMCA判别模型的判别效率，利用培训集样本对SIMCA判别模型的验证结果，所采用的光谱数据为500～2 500 nm范围的波长(见表1)。可以看出，当采用二阶导数光谱预处理数据时，模型的判别正确率最高，说明SIMCA方法能有效的判别单板试样有、无节子。

表1 不同光谱预处理对SIMCA判别模型验证效果的影响

本试验中用于检测的未知样本为未参与建模的检测集样本，检测集样本有60个。表2列出了利用SIMCA判别模型对未知样本的检测结果，可以看出，SIMCA模型能有效判别单板有无节子，当采用原始光谱数据和二阶导数处理后的光谱数据时模型的判别正确率较高，对于无节子的判别正确率为97%，节子试样的判别正确率达到90%。

表2 利用SIMCA判别模型对未知样本单板节子的检测结果

本试验中用于检测的未知样本为未参与建模的检测集样本，检测集样本有60个。表2表示出了利用SIMCA判别模型对未知样本的检测结果。可以看出，SIMCA模型能有效判别单板有无节子，当采用一阶导数处理后的光谱数据和二阶导数处理后的光谱数据时，模型的判别正确率较高，对于无节子的判别正确率为96%以上，节子试样的判别正确率达到90%。

2.2 不同光谱波长对SIMCA判别效果的影响

为考查降低近红外光谱波长范围对检测结果的影响，从而为开发低成本的节子缺陷近红外光谱检测技术和设备提供参考，本研究进一步对有、无节子两类试样的培训集样本在波长范围500～1 000 nm和1 000～2 500 nm的二阶导数光谱预处理数据进行了分析，并建立了两种类别的主成分分析模型。表3是利用不同光谱波长建立对SIMCA判别效果的影响用于模型校正的培训集有120个样本，其中，无节子和节子样本各60个;用于验证模型的检测集为60个未知样本，其中，无节子和节子样本各30个。

表3 不同光谱波长对SIMCA判别效果的影响

表3列出了利用培训集样本建立SIMCA判别模型的验证结果，以及利用所建模型对未知样本的检测结果。可以看出，当采用波长范围500～2 500 nm和1 000～2 500 nm时所建立模型对培训集的验证及模型对检测集样本的判别正确率较高，正确率在90%以上，说明SIMCA模型能有效判别单板有无节子;而当采用波长范围500～1000 nm时所建模型的判别效果较差，说明采用全波谱或长波区域的光谱信息效果更好。

3 结论

应用近红外光谱结合SIMCA模式识别法能有效地判别单板有无节子。通过培训集样本的原始光谱数据、一阶导数光谱数据和二阶导数光谱数据分别建立的SIMCA判别模型对无节子和有节子两种类型样本进行回判，二阶导数光谱数据判别正确率最高，分别为100%和98%;对未知类型的样本(包括无节子和有节子样本)，判别正确率分别为97%和90%。利用培训集样本的二阶导数光谱数据在不同波长范围建立的SIMCA判别模型对无节子和有节子两种类型样本进行回判，判别正确率在波长范围500～2 500 nm和1 000～2 500 nm相近，分别为100%和98%、100%和97%;对未知类型的样本(包括无节子和有节子样本)，判别正确率在波长范围500～2 500 nm和1 000～2 500 nm相差不多，分别为97%和90%、97%和93%。

在本研究中，近红外光谱结合SIMCA模式识别法对马尾松木材单板的有、无节子的判别正确率均达到90%以上。另外，还可以通过增加代表性样本的数量或丰富样本集所包含的信息量等方法提高模型的精度，从而提高判别效率。本研究的重要意义在于通过试验证明了近红外光谱技术可以应用于木材表面节子缺陷的检测。

［1］詹祖光.我国胶合板生产的现状和发展前景探讨［J］.林产工业，2000，27(5):7－10.

［2］Wilcox W W.Detection of dearly stages of wood decay with ultrasonic pulse velocity［J］.Forest Products Journal，1988，38(5):68－73.

［3］于文勇，王立海，杨慧敏，等.超声波木材缺陷检测若干问题的探讨［J］.森林工程，2006，22(6):7－9.

［4］Makow D M.Ultrasonic detection of defects in wood［J］.Non-Destructive Testing，1969，2(3):197－199.

［5］Kabir M F，Sidek H A，Daud W M，et al.Detection of knot and split of rubber wood by nondestructive ultrasonic method［J］.Journal of Tropical Forest Products，1997，3(1):88－96.

［6］Martin P，Collet R，Barthelemy P，et al.Evaluation of wood characteristics:internal scanning of the material by microwaves［J］.Wood Science and Technology，1987，21(4):361－371.

［7］Sarigul E，Abbott A L，Schmoldt D L.Rule-driven defect detection in CT images of hardwood logs［J］.Computers and Electronics in Agriculture，2003，41(1/3):101－119.

［8］王丽，卓林，何鹰，等.近红外光谱技术鉴别海面溢油［J］.光谱学与光谱分析，2004，24(12):1537－1539.

［9］李庆波，杨丽敏，凌晓锋，等.SIMCA法在中红外癌症检测技术中的应用［J］.光谱学与光谱分析，2004，24(4):414－417.

［10］杨忠，江泽慧，费本华，等.近红外光谱技术及其在木材科学中的应用［J］.林业科学，2005，41(4):177－183.

［11］杨忠，江泽慧，费本华，等.SIMCA法判别分析木材生物腐朽的研究［J］.光谱学与光谱分析，2007，27(4):686－690.