木材識別技術研究綜述

程昱之，鐘麗輝，孫永科

（西南林業大學，云南 昆明 650224）

1 木材識別的背景

木材識別在木材進出口貿易、考古木材、珍貴木材鑒定和植物分類等方面都發揮著關鍵作用。同時，木材識別對于遏制非法砍伐、保護珍稀樹種、維護消費者權益、穩定木材市場正常秩序具有深遠影響。目前，中國已成為全世界最大的木材工業加工中心、木材產品制造基地、木材產品加工出口貿易國和世界最大的木材進口貿易國之一。由于我國森林覆蓋率較低且分布不均，實際木材供應主要依靠國外的木材資源。然而，進口木材種類繁多，加之國內也十分罕見，國內木制家具企業和消費者對大部分進口木材品種知之甚少。由于缺乏快速、準確、大規模的技術手段來識別木材品種，木材貿易糾紛時有發生，或者木材無法得到有效、合理的利用，甚至可能導致巨大的經濟損失。因此，能夠快速而又準確地識別木材種類對經濟的發展具有重大作用。本文詳細地介紹了傳統的木材識別方法和3 種木材檢索手段，著重闡述了木材圖像識別、近紅外光譜、氣質聯用技術和DNA 法的木材識別。最后，對上述識別方法的優點和缺點進行了總結。

2 傳統木材識別方法

2.1 人工識別木材

人工識別是早期的木材種類識別方法，一般是通過專業人員直接觀察木材截面并憑借經驗來完成木材識別。該方法一般在宏觀結構和微觀結構兩個層面進行。宏觀識別是用肉眼或放大鏡觀察。首先，拿小刀輕輕地刮去木材部分表面，并用水潤濕；其次，觀察木材三切面（橫截面、徑截面、弦截面）的形態特征以及是否具有管孔；再次，觀察心邊材、生長輪和髓心等生長特點和顏色、氣味和光澤度等宏觀特征；最后，綜合觀察到的特征，對木材進行識別。微觀識別是用顯微鏡觀察木材的內部解剖特征，即觀察木材中各種細胞和組織的形態特征和排列規律。先將木材樣品制片，然后用顯微鏡進行觀察，根據三切面上的解剖特征，即管孔密度、管孔直徑、木纖維比量、導管比量、導管長度、導管壁厚、木射線寬度和高度等來識別木材。張文強和徐峰采用宏觀微觀結合的方式，對市場上常見的6 種假雞翅木的名稱、構造特征、材料特性分別了對比描述[1]。人工識別是一種主觀的識別方式，因此對于一些珍稀或是未知的樹種很容易出現誤判，甚至識別不出的情況。

2.2 對分式檢索識別

對分式檢索表是根據所有木材特征的重要性，使兩個互相矛盾的特征作為參照對象，依次排列成對所制成的檢索表。檢索者需選擇一組合適的特征進行比較，直到將所需要檢索的對象從檢索表的所有樹種中鑒別出來為止。對分式檢索表操作簡便且成本較低，很適合在所需木材識別種類較少的情況下使用。然而，隨著樹種的增加，編制的檢索表工作將會越來越繁瑣。除此之外，對分式檢索表不宜增減樹種或修改木材特征，否則需要大量的改動。

2.3 穿孔卡片檢索識別

穿孔卡片檢索識別參照了傳統圖書館檢索的模式，根據規律以穿孔卡片的每一個孔隙來代表木材的每一個特征。穿孔卡片檢索表其實是根據使用鋼針穿過卡上對應特征的孔洞來進行樹種的逐次篩選。篩至最后幾張卡片時再與已確定的樹種截面進行人工比對，確保識別結果的可靠性。穿孔卡片檢索的方法對比對分式檢索有了很大改善，例如，在不影響整體工作的情況下隨時可以增減或修改。但是隨著樹種的增加，卡片集越發厚實，人工進行穿孔檢索也變得越來越繁瑣，相鄰卡片之間時常出現“漏檢”的現象，因此該方法已經不能滿足實際要求[2]。

3 基于數據庫的木材檢索識別

數據庫檢索是早期利用計算機進行木材識別的技術，數據庫的構建是通過人工直接輸入木材的各項特征參數來實現的。程放等研究員曾研究并開發了多數據庫的木材識別與性能查詢系統。孫書冬等建立了一套兼具數據庫檢索功能圖像處理技術和的木材識別系統，該系統下用戶能夠自主對木材樹種實現準確且快速地的鑒別。賈瀟然開發了能夠實現按名稱、用途、產地、宏觀微觀特征和力學性能等各類木材屬性的計算機模糊檢索的中國常用進口木材檢索系統。Marzuki Khalid等基于內部開發的圖像處理庫（稱為VSDP）提出了一種基于人工智能技術的熱帶樹種識別自動視覺檢測系統，并作為替代木材檢查員的一種手段[3-6]。利用計算機檢索存在大量的主觀評判因素，設計人員依靠自己對木材識別特征的印象進行簡要概括。并且計算機檢索一般情況下只有專業鑒定人員才能使用，所以數據庫檢索識別方法的推廣在一定程度上被限制。

4 木材圖像識別技術

木材圖像識別技術是完全客觀的木材識別方法，目前已被應用于木材缺陷的鑒定、色差檢測等，不過由于木材內部組織較為復雜，基于數字圖像識別技術鑒定木材種類仍處于初級階段[7]。近年木材圖像識別方法部分學者采用深度學習智能算法，木材特征由深度學習自己提取和學習，實現木材圖像的識別[8]。

2016 年Mohd Iz’aan Paiz Zamri 等改進的I-BGLAM 特征提取器產生了更多有助于更高分類精度的區別特征并極大地提高了木材識別系統的識別精度[9]。2018 年Panagiotis Barmpoutis等利用靜態木材圖像提出了一種通過多維紋理分析實現木材種類自動識別的新方法。其中使用高階線性動態系統，將木材圖像表示為由垂直和水平圖像塊產生的級聯直方圖[10]。2018 年Imanurfatiehah Ibrahim 等模仿了人類專家分析木材表面紋理的方法進而提出了一種基于圖像分析的級聯木材種類識別系統。使用神經網絡分類器將模糊邏輯對木材紋理進行廣泛的初始分組細化成最終的木材種類分類[11]。2019 年王清濤和楊潔在木材識別的算法中采用改進后的灰度共生矩陣（I—GLCM）來提取木材紋理的特征值，不僅提高了原有算法的識別準確率并且克服了由于圖片旋轉會導致準確率降低的問題[12]。2019 年M.Luthfi Hadiwidjaja等對比了基于局部二值模式和霍夫變換的木材識別系統并得出比前者更優[13]。2019 年Heshalini Rajagopal 等運用IQA模和LR 去模糊技術在對運動模糊的木材紋理圖像去噪，利用支持向量機對20 種熱帶木材進行分類[14]。2020 年孫永科等設計了一種多層卷積神經網絡（CNN）對木材圖片進行識別，發現雖然數據訓練很可能存在過擬合現象。但是隨著數據訓練次數的遞增，訓練樣本的正確率也在逐步提高并趨于穩定[15]。

5 化學指紋

化學指紋（Chemical Fingerprint）方法是指樣本經過現代化學分析后，獲得能夠標示出其色譜圖或光譜圖等化學特征的方法。一般的化學分析方法包括色譜質譜、核磁共振和光譜等。實踐證明，這些方法操作方便、精確度高、分析速度快且易于標準化，已成為當前中藥指紋圖譜研究的主要手段，同時在中藥物種鑒定和產地識別等方面也取得了很好的效果，與藥用植物類似的是，木材的化學成分復雜，不同樹種之間相差較大。但受遺傳因素影響，同種木材的化學成分通常比較相似，難以細分。因此，如果能將化學指紋方法引入到木材樹種識別研究領域，通過現代化學分析方法獲得不同樹種的化學指紋圖譜，然后利用多元統計分析技術挖掘可用來區分不同樹種間特征的化學信息，就可以達到識別木材識別的目的，這將有利于突破傳統木材識別方法的局限性，為木材識別研究的深入發展，提供新的方向[16]。

2019 年王憲等對國際木材解剖學家協會（IAWA）手冊中例舉的3 種簡易鑒定木材種類的方法進行了實際試驗，結果指出泡沫測試法、鉻天青-S 測試法和燃燒灰燼測試法都能夠進行快速精確的木材鑒定，適用于近似樹種的鑒定[17]。2020 年Victor Deklerck 對不同個體和地理種源的生長環化學指紋的可靠性進行評估，并確定了個體之間存在化學類型差異[18]。

5.1 近紅外光譜技術

近紅外光譜（NIR）是指波長在780～2 500 nm 的電磁波，是物質含氫基團（C-H、0-H、N-H、S-H、P-H 等）振動的倍頻和合頻吸收。近紅外光譜技術是近年來迅速發展起來的一門新興技術，一般用于有機材料的定性和定量分析，操作簡便且預測快速準確[19]。

2016 年龐曉宇等得出全波段比長短波段的光譜建模識別效果要好，同時試驗證明了BP 神經網絡建模比SIMCA 法建模對于3 種人工林木材的識別正確率要更高[20]。2016 年Peng Zhao和Jun Cao共同提出了一種新的考慮光譜反射率特征的木材種類識別方案[21]。2017 年C.Lazarescu 等試驗證明了人工神經網絡和偏最小二乘法這兩種建模技術對木材識別的可行性，并運用近紅外光譜技術測試了木材識別的精度[22]。2018 年李康運用可見光-近紅外光譜和數字圖像處理技術進行了木材識別研究，結果表明選用木材橫切面融合特征建立的BP 神經網絡模型預測的效果更好[23]。2019 年Te Ma 等著重考慮了木材種類間的光散射差異，從聚焦鹵素點光源收集近紅外光譜用于種類鑒定[24]。2019 年Hideaki Kanayama等試驗證明了認知光譜學對于木材分析是有用的，基于近紅外高光譜圖像的6PC 圖像識別準確率提高到90.5%[25]。2019 年Ying Li 等證明可見-近紅外光譜與化學計量學分析相結合，可鑒別地理來源和樹種，并同時預測木材特性，這為建立木材可追溯系統提供了快速、無損的獲取木材特性信息的方法[26]。

5.2 氣質聯用技術

氣質聯用技術是將氣相色譜與質譜結合的檢測手段，使GC（氣相色譜）作為進樣系統，將MS（質譜）作為檢測器，相互彌補對方的局限性。MS 分析需要滿足單一組分，GC 需要更準確的對目標進行定性。這兩種技術結合就可以將高分離效率和定性專屬性強的特點都充分的發揮出來，具有較強的分辨能力、較高的靈敏度、檢測時間短等優勢[27]。

2019 年張毛毛等基于DART-FTICR-MS 和GC-MS 的木材化學指紋識別方法，實現了檀香紫檀和染料紫檀木材的準確識別，為木材化學指紋識別提供了理論基礎[28]。2012 年沈明月等建立了木材提取液的HPLC 色譜指紋圖譜，證明了以化學成分作為基礎，從色譜指紋圖譜出發來鑒別不同種紅木的是可行的[29]。2006 年周佳璐等初步構建了GC-MS 總離子流圖，并運用相關系數法和特征成分法分別對柚木、重蟻木和杉木進行了鑒別[30]。2013 年朱濤按照木材化學成分的不同進行了各種紅木樣品的區分和識別，并成功構建了不同進樣方式下紅木樣品的指紋圖譜[31]。2015 年石江濤等運用氣質聯用技術對鳥足紫檀、大果紫檀、微凹黃檀和刀狀黑黃檀木材揮發油的組分進行了分析，通過色譜峰圖篩選出標志性的色譜峰達到區分同屬木材的效果[32]。

6 DNA法

DNA 法是利用生物體內的標準化的基因片段作為通用片段，直接比較堿基序列的差異來鑒定物種的方法。相比較于傳統識別方法，DNA技術不依賴識別對象的形態特征和發育情況，更加數字化、操作簡單規范且能夠快速準確地對目標進行識別。因為不同種類的木材，木質部細胞中的特異性DNA 片段也不同，所以只要區分細胞中的特異性DNA 片段，就能夠達到木材識別的效果[33]。

2014 年張蓉等詳細介紹了木材中DNA 的提取方法和DNA 指紋圖譜的應用現狀[34]。 2019 年Tanzeem Fatima 等通過研究認為DNA條形碼有成為一種木材識別工具的潛力[35]。2019 年喬夢吉等證明了Qiagen 試劑盒法、CTAB 法和SDSCTAB法均可提取出質量較好的新鮮木材DNA并在此基礎上用DNA條形碼進行木材識別[36]。

7 小結

傳統的木材識別方法是根據木材宏觀和微觀特征結合并在木材解剖學理論來完成的，但操作過程復雜、耗時較長，對檢測人員的專業知識要求較高，且一般只能識別到“屬”或“類”，同時也無法實現木材產地的識別。在最新發展的木材識別方法中，計算機視覺系統可以以更快的速度執行單調且重復的任務，使整個過程更簡單。近紅外光譜技術優點是可以采用光柵分光，探測器靈敏度高，整體設備便宜。缺點是近紅外光譜很多是中紅外倍頻的，光譜之間干擾大，分析困難，吸收強度弱，信噪比低，背景較為復雜，譜峰容易重疊，有效信息率低；氣質聯用技術不適用于熱不穩定、極性和大分子化合物，對樣品前處理要求較高，處理不當會損壞色譜柱，并且容易受其他的有機污染物污染，使用成本較高。DNA法是通過提取和分析木質部細胞中的特異性DNA片段，能夠實現木材“種”的鑒別，但也因為測試周期長、成本高且DNA 提取難度大，導致技術不易普及。木材圖像識別技術處于研究初期階段，采集圖像后，利用現有的熱門算法進行木材識別前景廣泛，意義深遠，有待進一步深入研究。