木材识别技术研究综述

程昱之，钟丽辉，孙永科

（西南林业大学，云南 昆明 650224）

1 木材识别的背景

木材识别在木材进出口贸易、考古木材、珍贵木材鉴定和植物分类等方面都发挥着关键作用。同时，木材识别对于遏制非法砍伐、保护珍稀树种、维护消费者权益、稳定木材市场正常秩序具有深远影响。目前，中国已成为全世界最大的木材工业加工中心、木材产品制造基地、木材产品加工出口贸易国和世界最大的木材进口贸易国之一。由于我国森林覆盖率较低且分布不均，实际木材供应主要依靠国外的木材资源。然而，进口木材种类繁多，加之国内也十分罕见，国内木制家具企业和消费者对大部分进口木材品种知之甚少。由于缺乏快速、准确、大规模的技术手段来识别木材品种，木材贸易纠纷时有发生，或者木材无法得到有效、合理的利用，甚至可能导致巨大的经济损失。因此，能够快速而又准确地识别木材种类对经济的发展具有重大作用。本文详细地介绍了传统的木材识别方法和3 种木材检索手段，着重阐述了木材图像识别、近红外光谱、气质联用技术和DNA 法的木材识别。最后，对上述识别方法的优点和缺点进行了总结。

2 传统木材识别方法

2.1 人工识别木材

人工识别是早期的木材种类识别方法，一般是通过专业人员直接观察木材截面并凭借经验来完成木材识别。该方法一般在宏观结构和微观结构两个层面进行。宏观识别是用肉眼或放大镜观察。首先，拿小刀轻轻地刮去木材部分表面，并用水润湿；其次，观察木材三切面（横截面、径截面、弦截面）的形态特征以及是否具有管孔；再次，观察心边材、生长轮和髓心等生长特点和颜色、气味和光泽度等宏观特征；最后，综合观察到的特征，对木材进行识别。微观识别是用显微镜观察木材的内部解剖特征，即观察木材中各种细胞和组织的形态特征和排列规律。先将木材样品制片，然后用显微镜进行观察，根据三切面上的解剖特征，即管孔密度、管孔直径、木纤维比量、导管比量、导管长度、导管壁厚、木射线宽度和高度等来识别木材。张文强和徐峰采用宏观微观结合的方式，对市场上常见的6 种假鸡翅木的名称、构造特征、材料特性分别了对比描述[1]。人工识别是一种主观的识别方式，因此对于一些珍稀或是未知的树种很容易出现误判，甚至识别不出的情况。

2.2 对分式检索识别

对分式检索表是根据所有木材特征的重要性，使两个互相矛盾的特征作为参照对象，依次排列成对所制成的检索表。检索者需选择一组合适的特征进行比较，直到将所需要检索的对象从检索表的所有树种中鉴别出来为止。对分式检索表操作简便且成本较低，很适合在所需木材识别种类较少的情况下使用。然而，随着树种的增加，编制的检索表工作将会越来越繁琐。除此之外，对分式检索表不宜增减树种或修改木材特征，否则需要大量的改动。

2.3 穿孔卡片检索识别

穿孔卡片检索识别参照了传统图书馆检索的模式，根据规律以穿孔卡片的每一个孔隙来代表木材的每一个特征。穿孔卡片检索表其实是根据使用钢针穿过卡上对应特征的孔洞来进行树种的逐次筛选。筛至最后几张卡片时再与已确定的树种截面进行人工比对，确保识别结果的可靠性。穿孔卡片检索的方法对比对分式检索有了很大改善，例如，在不影响整体工作的情况下随时可以增减或修改。但是随着树种的增加，卡片集越发厚实，人工进行穿孔检索也变得越来越繁琐，相邻卡片之间时常出现“漏检”的现象，因此该方法已经不能满足实际要求[2]。

3 基于数据库的木材检索识别

数据库检索是早期利用计算机进行木材识别的技术，数据库的构建是通过人工直接输入木材的各项特征参数来实现的。程放等研究员曾研究并开发了多数据库的木材识别与性能查询系统。孙书冬等建立了一套兼具数据库检索功能图像处理技术和的木材识别系统，该系统下用户能够自主对木材树种实现准确且快速地的鉴别。贾潇然开发了能够实现按名称、用途、产地、宏观微观特征和力学性能等各类木材属性的计算机模糊检索的中国常用进口木材检索系统。Marzuki Khalid等基于内部开发的图像处理库（称为VSDP）提出了一种基于人工智能技术的热带树种识别自动视觉检测系统，并作为替代木材检查员的一种手段[3-6]。利用计算机检索存在大量的主观评判因素，设计人员依靠自己对木材识别特征的印象进行简要概括。并且计算机检索一般情况下只有专业鉴定人员才能使用，所以数据库检索识别方法的推广在一定程度上被限制。

4 木材图像识别技术

木材图像识别技术是完全客观的木材识别方法，目前已被应用于木材缺陷的鉴定、色差检测等，不过由于木材内部组织较为复杂，基于数字图像识别技术鉴定木材种类仍处于初级阶段[7]。近年木材图像识别方法部分学者采用深度学习智能算法，木材特征由深度学习自己提取和学习，实现木材图像的识别[8]。

2016 年Mohd Iz’aan Paiz Zamri 等改进的I-BGLAM 特征提取器产生了更多有助于更高分类精度的区别特征并极大地提高了木材识别系统的识别精度[9]。2018 年Panagiotis Barmpoutis等利用静态木材图像提出了一种通过多维纹理分析实现木材种类自动识别的新方法。其中使用高阶线性动态系统，将木材图像表示为由垂直和水平图像块产生的级联直方图[10]。2018 年Imanurfatiehah Ibrahim 等模仿了人类专家分析木材表面纹理的方法进而提出了一种基于图像分析的级联木材种类识别系统。使用神经网络分类器将模糊逻辑对木材纹理进行广泛的初始分组细化成最终的木材种类分类[11]。2019 年王清涛和杨洁在木材识别的算法中采用改进后的灰度共生矩阵（I—GLCM）来提取木材纹理的特征值，不仅提高了原有算法的识别准确率并且克服了由于图片旋转会导致准确率降低的问题[12]。2019 年M.Luthfi Hadiwidjaja等对比了基于局部二值模式和霍夫变换的木材识别系统并得出比前者更优[13]。2019 年Heshalini Rajagopal 等运用IQA模和LR 去模糊技术在对运动模糊的木材纹理图像去噪，利用支持向量机对20 种热带木材进行分类[14]。2020 年孙永科等设计了一种多层卷积神经网络（CNN）对木材图片进行识别，发现虽然数据训练很可能存在过拟合现象。但是随着数据训练次数的递增，训练样本的正确率也在逐步提高并趋于稳定[15]。

5 化学指纹

化学指纹（Chemical Fingerprint）方法是指样本经过现代化学分析后，获得能够标示出其色谱图或光谱图等化学特征的方法。一般的化学分析方法包括色谱质谱、核磁共振和光谱等。实践证明，这些方法操作方便、精确度高、分析速度快且易于标准化，已成为当前中药指纹图谱研究的主要手段，同时在中药物种鉴定和产地识别等方面也取得了很好的效果，与药用植物类似的是，木材的化学成分复杂，不同树种之间相差较大。但受遗传因素影响，同种木材的化学成分通常比较相似，难以细分。因此，如果能将化学指纹方法引入到木材树种识别研究领域，通过现代化学分析方法获得不同树种的化学指纹图谱，然后利用多元统计分析技术挖掘可用来区分不同树种间特征的化学信息，就可以达到识别木材识别的目的，这将有利于突破传统木材识别方法的局限性，为木材识别研究的深入发展，提供新的方向[16]。

2019 年王宪等对国际木材解剖学家协会（IAWA）手册中例举的3 种简易鉴定木材种类的方法进行了实际试验，结果指出泡沫测试法、铬天青-S 测试法和燃烧灰烬测试法都能够进行快速精确的木材鉴定，适用于近似树种的鉴定[17]。2020 年Victor Deklerck 对不同个体和地理种源的生长环化学指纹的可靠性进行评估，并确定了个体之间存在化学类型差异[18]。

5.1 近红外光谱技术

近红外光谱（NIR）是指波长在780～2 500 nm 的电磁波，是物质含氢基团（C-H、0-H、N-H、S-H、P-H 等）振动的倍频和合频吸收。近红外光谱技术是近年来迅速发展起来的一门新兴技术，一般用于有机材料的定性和定量分析，操作简便且预测快速准确[19]。

2016 年庞晓宇等得出全波段比长短波段的光谱建模识别效果要好，同时试验证明了BP 神经网络建模比SIMCA 法建模对于3 种人工林木材的识别正确率要更高[20]。2016 年Peng Zhao和Jun Cao共同提出了一种新的考虑光谱反射率特征的木材种类识别方案[21]。2017 年C.Lazarescu 等试验证明了人工神经网络和偏最小二乘法这两种建模技术对木材识别的可行性，并运用近红外光谱技术测试了木材识别的精度[22]。2018 年李康运用可见光-近红外光谱和数字图像处理技术进行了木材识别研究，结果表明选用木材横切面融合特征建立的BP 神经网络模型预测的效果更好[23]。2019 年Te Ma 等着重考虑了木材种类间的光散射差异，从聚焦卤素点光源收集近红外光谱用于种类鉴定[24]。2019 年Hideaki Kanayama等试验证明了认知光谱学对于木材分析是有用的，基于近红外高光谱图像的6PC 图像识别准确率提高到90.5%[25]。2019 年Ying Li 等证明可见-近红外光谱与化学计量学分析相结合，可鉴别地理来源和树种，并同时预测木材特性，这为建立木材可追溯系统提供了快速、无损的获取木材特性信息的方法[26]。

5.2 气质联用技术

气质联用技术是将气相色谱与质谱结合的检测手段，使GC（气相色谱）作为进样系统，将MS（质谱）作为检测器，相互弥补对方的局限性。MS 分析需要满足单一组分，GC 需要更准确的对目标进行定性。这两种技术结合就可以将高分离效率和定性专属性强的特点都充分的发挥出来，具有较强的分辨能力、较高的灵敏度、检测时间短等优势[27]。

2019 年张毛毛等基于DART-FTICR-MS 和GC-MS 的木材化学指纹识别方法，实现了檀香紫檀和染料紫檀木材的准确识别，为木材化学指纹识别提供了理论基础[28]。2012 年沈明月等建立了木材提取液的HPLC 色谱指纹图谱，证明了以化学成分作为基础，从色谱指纹图谱出发来鉴别不同种红木的是可行的[29]。2006 年周佳璐等初步构建了GC-MS 总离子流图，并运用相关系数法和特征成分法分别对柚木、重蚁木和杉木进行了鉴别[30]。2013 年朱涛按照木材化学成分的不同进行了各种红木样品的区分和识别，并成功构建了不同进样方式下红木样品的指纹图谱[31]。2015 年石江涛等运用气质联用技术对鸟足紫檀、大果紫檀、微凹黄檀和刀状黑黄檀木材挥发油的组分进行了分析，通过色谱峰图筛选出标志性的色谱峰达到区分同属木材的效果[32]。

6 DNA法

DNA 法是利用生物体内的标准化的基因片段作为通用片段，直接比较碱基序列的差异来鉴定物种的方法。相比较于传统识别方法，DNA技术不依赖识别对象的形态特征和发育情况，更加数字化、操作简单规范且能够快速准确地对目标进行识别。因为不同种类的木材，木质部细胞中的特异性DNA 片段也不同，所以只要区分细胞中的特异性DNA 片段，就能够达到木材识别的效果[33]。

2014 年张蓉等详细介绍了木材中DNA 的提取方法和DNA 指纹图谱的应用现状[34]。 2019 年Tanzeem Fatima 等通过研究认为DNA条形码有成为一种木材识别工具的潜力[35]。2019 年乔梦吉等证明了Qiagen 试剂盒法、CTAB 法和SDSCTAB法均可提取出质量较好的新鲜木材DNA并在此基础上用DNA条形码进行木材识别[36]。

7 小结

传统的木材识别方法是根据木材宏观和微观特征结合并在木材解剖学理论来完成的，但操作过程复杂、耗时较长，对检测人员的专业知识要求较高，且一般只能识别到“属”或“类”，同时也无法实现木材产地的识别。在最新发展的木材识别方法中，计算机视觉系统可以以更快的速度执行单调且重复的任务，使整个过程更简单。近红外光谱技术优点是可以采用光栅分光，探测器灵敏度高，整体设备便宜。缺点是近红外光谱很多是中红外倍频的，光谱之间干扰大，分析困难，吸收强度弱，信噪比低，背景较为复杂，谱峰容易重叠，有效信息率低；气质联用技术不适用于热不稳定、极性和大分子化合物，对样品前处理要求较高，处理不当会损坏色谱柱，并且容易受其他的有机污染物污染，使用成本较高。DNA法是通过提取和分析木质部细胞中的特异性DNA片段，能够实现木材“种”的鉴别，但也因为测试周期长、成本高且DNA 提取难度大，导致技术不易普及。木材图像识别技术处于研究初期阶段，采集图像后，利用现有的热门算法进行木材识别前景广泛，意义深远，有待进一步深入研究。