近紅外光譜結合SIMCA模式識別法檢測木材表面節子1)

楊 忠 陳 玲 付躍進 呂 斌

(中國林業科學研究院木材工業研究所，北京，100091)

由于膠合板的工業化生產可以有效地避開木材的天然缺陷，具有性能優良、尺寸穩定、幅面大，且保持木材天然紋理和質地的優勢，成為木材工業生產中歷史最為悠久和利用最為廣泛的人造板種之一。世界膠合板產量占人造板總產量的30%左右，我國是世界上第二大膠合板生產國，膠合板產量占人造板總產量的40%左右［1］。單板是構成膠合板的主要單元，單板上的節子缺陷是導致膠合板降等級的最主要缺陷之一。首先，節子破壞單板表面的均勻性，從而破壞膠合板產品的均勻性。另外，富含松脂樹種的節子有樹脂滲出，易發生膠合質量問題，裝修油漆困難。節子還破壞木材的完整性，它的木紋方向與樹干方向不一致造成節子與周圍木材收縮的不同，使木單板發生局部翹曲和變形，最終影響產品質量。此外，孔洞及斜紋理使木材的靜曲強度下降嚴重。因此，開發一種單板節子的快速檢測方法對于膠合板生產具有積極的意義。

近幾年，國內外許多科學家對木材節子缺陷探測進行了研究并取得較大進展，其探測方法主要包括超聲波技術［2－5］，微波技術［6］和 CT 技術［7］等。然而，上述方法對單板缺陷檢測的適用性還需進一步研究。近年來，近紅外光譜(near infrared spectroscopy，簡稱NIR)和軟獨立建模分類(Soft independent modeling of class analogy，簡稱SIMCA)模式識別法在食品、醫藥和農產品等領域中的檢測或識別方面得到了許多應用［8－11］，而在木材缺陷檢測方面的研究尚未見報道。單板表面節子與無節區域的木材結構、化學成分和表面顏色參數都有非常顯著的差異，這些差異可以在近紅外光譜中得到充分反映，因為NIR包含了鍵強度、化學組成與試樣的散射、表面光澤、折光指數等重要信息，這為利用NIR檢測單板節子提供了重要依據。本研究嘗試利用近紅外光譜結合SIMCA方法來檢測木材單板的節子缺陷。

1 材料與方法

1.1 試樣的準備

本試驗采用的馬尾松采自安徽省黃山區黃山公益林場，地處中亞熱帶北緣，地理位置位于東經118°14'～118°21'，北緯 32°4'～32°10'，海拔高 300 ～450 m。試材砍伐后截成2 m一段的原木，在木材加工廠用旋切機旋切成厚度為1.7 mm，寬度為1.3 m的單板。隨機選取含有直徑大于20 mm節子的90張單板。為了便于掃譜，將含有直徑大于20 mm節子的部分裁成400 mm×200 mm的小幅面單板，并在每張單板上分別掃描了節子和無節子的NIR光譜各90個，共180個。

1.2 近紅外光譜的采集

試驗用設備是美國ASD公司生產的Field Spec?近紅外光譜儀。光譜儀的波長范圍在350～2 500 nm，采用直徑18 mm的光纖探頭采集試樣表面的近紅外光譜，光纖探頭在試樣表面的垂直上方。光譜的空白校準采用商用聚四氟乙烯制成的白色材料。樣品經過光纖探頭采集，每掃描30次并自動平均為一條光譜后保存起來，得到的近紅外光譜經ASD提供的專業軟件轉換成光譜數據文件，并在Unscrambler?軟件中進行數據處理與預測模型的建立，本試驗采用500～2500 nm的光譜信息進行建模與預測分析。

1.3 SIMCA 分析方法

化學計量學中定性分析的方法是判別分析法，判別分析的基本思想是根據已知樣品集特征，選定適合的判別準則，建立定性分析模型，最后用于預測判定未知樣品。本研究中馬尾松木材單板表面有、無節子這兩個類別或屬性之間沒有程度和順序的差別，可按二項分類的原則進行分類，即SIMCA模式識別法可以適用于單板節子缺陷的檢測。

SIMCA模式識別法是一種重要的近紅外光譜定性分析方法。基于主成分分析(principal components analysis，簡稱PCA)的SIMCA判別方法主要步驟為:①對培訓集樣本的光譜數據進行主成分分析，通過主成分分析為每一個類建立一個主成分分析模型;②計算未知樣本距各培訓集主成分分析模型的距離，找出最小距離的類。主成分分析是利用降維的思想，把大量光譜信息進行降維，轉化為少數幾個綜合指標的多元統計分析方法。SIMCA判別結果有3類，分別是未知樣本屬于已知的某一類、未知樣本同時屬于已知的多個類，以及未知樣本不屬于任何已知類。當出現未知樣本同屬于多個類時，說明判別分析模型不夠精確，需要改進，一般可以通過增加培訓集樣本數或是增加變量數來解決［11］。

2 結果與分析

2.1 光譜預處理對SIMCA模式識別法判別效果的影響

原始近紅外光譜不僅含有與樣品結構和組成有關的信息，而且，也包含由儀器設備和外界環境等因素產生的噪音，這些噪音有可能對模型產生不利影響。光譜預處理是一種消除或減少光譜噪音的有效方法，常見的光譜預處理方法有光譜數據的平滑、求導、基線校正、歸一化處理等。另外，在近紅外光譜分析中，由于樣品不同組分之間的相互干擾也會導致近紅外光譜譜線的重疊，而采用光譜數據求導的方法也可以在一定程度上減少光譜重疊帶來的影響。因此，本研究分別對有無節子兩類試樣的原始近紅外光譜數據、一階導數處理光譜數據和二階導數處理光譜數據的培訓集樣本進行主成分分析，并建立了用于SIMCA判別分析的主成分分析模型。

本試驗將所有試樣按有無節子分別隨機抽取了2/3的樣本(120個)用于培訓建立SIMCA判別模型，剩余1/3樣本(60個)作評價培訓集模型有效性的檢測集。將120個培訓集樣本的近紅外光譜數據進行主成分分析，分別建立無節子單板和有節子單板的主成分分析模型。圖1是有節子和無節子缺陷單板的主成分分析結果，圖中黑色圓點(●)代表節子樣本，圓圈(○)代表無節樣本。可以看出，節子樣本點聚集在一起，而無缺陷單板樣本則另外聚集在一起，兩種樣本相互遠離，這表明用SIMCA模式識別法檢測馬尾松單板節子缺陷具有可行性。

圖1 有節子和無節子缺陷單板的主成分分析結果

由于SIMCA方法是二值判別法，樣本特征的判別結果只有兩種，即是或否，試驗中樣本的類別分為無節子和有節子兩類，因此，Unscrambler?光譜分析軟件中SIMCA法可以用于判斷單板試樣有、無節子。本試驗采用了培訓集樣本回判來驗證SIMCA判別模型的判別效率，利用培訓集樣本對SIMCA判別模型的驗證結果，所采用的光譜數據為500～2 500 nm范圍的波長(見表1)。可以看出，當采用二階導數光譜預處理數據時，模型的判別正確率最高，說明SIMCA方法能有效的判別單板試樣有、無節子。

表1 不同光譜預處理對SIMCA判別模型驗證效果的影響

本試驗中用于檢測的未知樣本為未參與建模的檢測集樣本，檢測集樣本有60個。表2列出了利用SIMCA判別模型對未知樣本的檢測結果，可以看出，SIMCA模型能有效判別單板有無節子，當采用原始光譜數據和二階導數處理后的光譜數據時模型的判別正確率較高，對于無節子的判別正確率為97%，節子試樣的判別正確率達到90%。

表2 利用SIMCA判別模型對未知樣本單板節子的檢測結果

本試驗中用于檢測的未知樣本為未參與建模的檢測集樣本，檢測集樣本有60個。表2表示出了利用SIMCA判別模型對未知樣本的檢測結果。可以看出，SIMCA模型能有效判別單板有無節子，當采用一階導數處理后的光譜數據和二階導數處理后的光譜數據時，模型的判別正確率較高，對于無節子的判別正確率為96%以上，節子試樣的判別正確率達到90%。

2.2 不同光譜波長對SIMCA判別效果的影響

為考查降低近紅外光譜波長范圍對檢測結果的影響，從而為開發低成本的節子缺陷近紅外光譜檢測技術和設備提供參考，本研究進一步對有、無節子兩類試樣的培訓集樣本在波長范圍500～1 000 nm和1 000～2 500 nm的二階導數光譜預處理數據進行了分析，并建立了兩種類別的主成分分析模型。表3是利用不同光譜波長建立對SIMCA判別效果的影響用于模型校正的培訓集有120個樣本，其中，無節子和節子樣本各60個;用于驗證模型的檢測集為60個未知樣本，其中，無節子和節子樣本各30個。

表3 不同光譜波長對SIMCA判別效果的影響

表3列出了利用培訓集樣本建立SIMCA判別模型的驗證結果，以及利用所建模型對未知樣本的檢測結果。可以看出，當采用波長范圍500～2 500 nm和1 000～2 500 nm時所建立模型對培訓集的驗證及模型對檢測集樣本的判別正確率較高，正確率在90%以上，說明SIMCA模型能有效判別單板有無節子;而當采用波長范圍500～1000 nm時所建模型的判別效果較差，說明采用全波譜或長波區域的光譜信息效果更好。

3 結論

應用近紅外光譜結合SIMCA模式識別法能有效地判別單板有無節子。通過培訓集樣本的原始光譜數據、一階導數光譜數據和二階導數光譜數據分別建立的SIMCA判別模型對無節子和有節子兩種類型樣本進行回判，二階導數光譜數據判別正確率最高，分別為100%和98%;對未知類型的樣本(包括無節子和有節子樣本)，判別正確率分別為97%和90%。利用培訓集樣本的二階導數光譜數據在不同波長范圍建立的SIMCA判別模型對無節子和有節子兩種類型樣本進行回判，判別正確率在波長范圍500～2 500 nm和1 000～2 500 nm相近，分別為100%和98%、100%和97%;對未知類型的樣本(包括無節子和有節子樣本)，判別正確率在波長范圍500～2 500 nm和1 000～2 500 nm相差不多，分別為97%和90%、97%和93%。

在本研究中，近紅外光譜結合SIMCA模式識別法對馬尾松木材單板的有、無節子的判別正確率均達到90%以上。另外，還可以通過增加代表性樣本的數量或豐富樣本集所包含的信息量等方法提高模型的精度，從而提高判別效率。本研究的重要意義在于通過試驗證明了近紅外光譜技術可以應用于木材表面節子缺陷的檢測。

［1］詹祖光.我國膠合板生產的現狀和發展前景探討［J］.林產工業，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，楊慧敏，等.超聲波木材缺陷檢測若干問題的探討［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］王麗，卓林，何鷹，等.近紅外光譜技術鑒別海面溢油［J］.光譜學與光譜分析，2004，24(12):1537－1539.

［9］李慶波，楊麗敏，凌曉鋒，等.SIMCA法在中紅外癌癥檢測技術中的應用［J］.光譜學與光譜分析，2004，24(4):414－417.

［10］楊忠，江澤慧，費本華，等.近紅外光譜技術及其在木材科學中的應用［J］.林業科學，2005，41(4):177－183.

［11］楊忠，江澤慧，費本華，等.SIMCA法判別分析木材生物腐朽的研究［J］.光譜學與光譜分析，2007，27(4):686－690.