留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于近红外光谱技术的针叶材板材表面节子缺陷检测

周竹 尹建新 周素茵 周厚奎

周竹, 尹建新, 周素茵, 周厚奎. 基于近红外光谱技术的针叶材板材表面节子缺陷检测[J]. 浙江农林大学学报, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
引用本文: 周竹, 尹建新, 周素茵, 周厚奎. 基于近红外光谱技术的针叶材板材表面节子缺陷检测[J]. 浙江农林大学学报, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
ZHOU Zhu, YIN Jianxin, ZHOU Suyin, ZHOU Houkui. Knot detection on coniferous wood surfaces based on near infrared spectroscopy[J]. Journal of Zhejiang A&F University, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
Citation: ZHOU Zhu, YIN Jianxin, ZHOU Suyin, ZHOU Houkui. Knot detection on coniferous wood surfaces based on near infrared spectroscopy[J]. Journal of Zhejiang A&F University, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018

基于近红外光谱技术的针叶材板材表面节子缺陷检测

doi: 10.11833/j.issn.2095-0756.2017.03.018
基金项目: 

浙江省自然科学基金资助项目 LQ13F050006

浙江省自然科学基金资助项目 LY15C140005

浙江农林大学智慧农林业中心预研项目 2013ZHNL03

浙江农林大学科研发展基金资助项目 2012FR085

详细信息
    作者简介: 周竹, 讲师, 博士, 从事木材智能化检测技术等研究。E-mail:zhouzhu@zafu.edu.cn
  • 中图分类号: S781.5;O657.3

Knot detection on coniferous wood surfaces based on near infrared spectroscopy

  • 摘要: 为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用SmartEye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarpa(SPF)等4种板材的近红外光谱(1000~1650 nm),比较了光谱预处理方法、建模方法对节子识别的影响,并首次对多种针叶树材进行了节子识别的适应性研究,随后引入一种新的变量选择方法即随机青蛙算法用于优选节子检测的特征波长,在此基础上建立了板材节子识别的最小二乘-支持向量机(LS-SVM)模型。结果显示:一阶导数光谱预处理结合LS-SVM所建混合树种板材节子识别模型性能最优。随机青蛙算法提取了8个特征波长变量,仅占全波段变量的1.23%,所建简化模型效果最好。该模型对测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%和96.30%。近红外光谱技术结合化学计量学方法可以对针叶材树种板材的表面节子进行快速准确检测,随机青蛙算法是提取板材表面节子缺陷特征的有效方法。该结果可为下一步搭建木材节子快速检测系统提供技术支撑。
  • 图  1  随机青蛙算法工作流程图

    Figure  1.  Key steps of random frog algorithm

    图  2  不同树种板材节子与非节子平均光谱

    Figure  2.  Mean spectra from different types of board for knot and knot-free

    表  1  试验样本集数据组成信息

    Table  1.   Information of calibration set and validation set in the experiment

    木材树种 校正集 测试集
    无节子数量/个 有节子 无节子数目/个 有节子
    节子直径/mm 数量/个 节子直径/mm 数量/个
    0~10 >10 0~10 >10
    北美黄杉 107 42 81 123 53 21 40 61
    SPF 109 32 42 74 54 16 21 37
    铁杉 89 17 35 52 45 8 18 26
    云杉 93 26 32 58 47 14 14 28
    混合 398 117 190 307 199 59 93 152
    下载: 导出CSV

    表  2  不同光谱预处理下PLS-LDA和LS-SVM模型结果

    Table  2.   PLS-LDA and LS-SVM results for different pre-processing methods

    木材树种 建模方法 光谱预处理方法 校正集 测试集
    敏感性/% 特异性/% 正确率/% 敏感性/% 特异性/% 正确率/%
    PCA-LDA NP 100.00 86.49 94K54 100K00 89.19 95K60
    SHV 100.00 91.89 96K72 100K00 91K89 96K70
    FD 100.00 85K14 93K99 100K00 89.19 95K60
    PLS-LDA NP 99.08 93.24 96K72 100K00 89.19 95K60
    北美黄杉 SNV 99.08 95K95 97.81 100K00 89.19 95K60
    FD 100.00 95K95 98K36 100K00 89.19 95K60
    LS-SVM NP 100.00 94K59 97.81 100K00 89.19 95K60
    SNV 100.00 97K30 98K91 100K00 94.59 97K80
    FD 100.00 100.00 100.00 100K00 97K30 98K90
    PCA-LDA NP 100.00 91.87 95K65 100K00 91K80 95.61
    SNV 100.00 93K50 96K52 100K00 93K44 96K49
    FD 100.00 90K24 94K78 100K00 86K89 92K98
    PLS-LDA NP 99.07 95K93 97K39 100K00 95K08 97K37
    SPF SNV 99.07 95K12 96K96 100K00 96K72 98K25
    FD 100.00 93K50 96K52 100K00 95K08 97K37
    LS-SVM NP 100.00 97K56 98K70 100K00 95K08 97K37
    SNV 100.00 100.00 100.00 100K00 96K72 98K25
    FD 100.00 99K19 99K57 100K00 96K72 98K25
    PCA-LDA NP 95.51 92.31 94.33 97K78 84K62 92K96
    SNV 96.63 92.31 95K04 100K00 80K77 92K96
    FD 97.75 90K38 95K04 95K56 84K62 91K55
    PLS-LDA NP 96K63 86K54 92.91 97K78 88K46 94.37
    铁杉 SNV 97K75 94K23 96K45 100K00 80K77 92K96
    FD 97K75 92.31 95K74 95K56 84K62 91K55
    LS-SVM NP 100K00 100.00 100.00 93K33 92.31 92K96
    SNV 97K75 98K08 97K87 97K78 92.31 95K77
    FD 100K00 98K08 99K29 97K78 92.31 95K77
    PCA-LDA NP 100K00 89K66 96K03 100K00 89.19 96K00
    SNV 100K00 91K38 96K69 100K00 91K89 96K00
    FD 100K00 91K38 96K69 100K00 89.19 96K00
    PLS-LDA NP 100K00 89K66 96K03 100K00 89.19 96K00
    云杉 SNV 100K00 93K10 97K35 100K00 89.19 96K00
    FD 100K00 91K38 96K69 100K00 89.19 96K00
    LS-SVM NP 100K00 98K28 99K14 100K00 96K43 98K67
    SNV 100K00 100.00 100.00 93K62 96K43 94K67
    FD 100K00 100.00 100.00 100K00 96K43 98K67
    下载: 导出CSV

    表  3  单一树种LS-SVM模型对其他树种预测结果

    Table  3.   Results of using a model built within one species to discriminate samples from other species

    木材树种 光谱预处理 预测树种 测试集
    敏感性/% 特异性/% 正确率/%
    北美黄杉 NP SPF 100.00 75.41 86.84
    铁杉 97.78 73.08 88.73
    云杉 100.00 64.29 86.67
    SNV SPF 73.58 91.80 83.33
    铁杉 100.00 26.92 73.24
    云杉 100.00 82.14 93.33
    FD SPF 98.11 70.49 83.33
    铁杉 100.00 38.46 77.46
    云杉 100.00 50.00 81.33
    NP 北美黄杉 57.41 94.59 72.53
    铁杉 88.99 92.31 90.14
    云杉 95.74 96.43 96.00
    SNV 北美黄杉 75.93 86.49 80.22
    SPF 铁杉 100.00 61.54 85.92
    云杉 97.87 92.86 96.00
    FD 北美黄杉 14.81 97.30 48.35
    铁杉 91.11 92.31 91.55
    云杉 100.00 96.43 98.67
    铁杉 NP 北美黄杉 64.81 86.49 73.63
    SPF 96.23 95.08 95.61
    云杉 95.74 92.86 94.67
    SNV 北美黄杉 24.07 94.59 52.75
    SPF 13.21 100.00 59.65
    云杉 74.47 100.00 84.00
    FD 北美黄杉 1.85 100.00 41.76
    SPF 69.81 96.72 84.21
    云杉 97.87 96.43 97.33
    NP 北美黄杉 96.30 81.08 90.11
    SPF 100.00 96.72 98.25
    铁杉 97.78 88.46 94.37
    SNV 北美黄杉 27.78 91.89 53.85
    云杉 SPF 81.13 96.72 89.47
    铁杉 91.11 92.31 91.55
    FD 北美黄杉 62.96 81.08 70.33
    SPF 100.00 95.08 97.37
    铁杉 97.78 92.31 95.77
    下载: 导出CSV

    表  4  全波段与特征波段下混合树种板材LS-SVM模型结果

    Table  4.   Results for full wavelengths models and effective wavelengths model

    模型 光谱预处理方法 预测树种 测试集
    敏感性/% 特异性/% 正确率/%
    全波段模型 NP 混合 98.99 94.74 97.15
    北美黄杉 98.15 91.89 95.60
    SPF 100.00 96.72 98.25
    铁杉 97.78 92.31 95.77
    云杉 100.00 96.43 98.67
    SNV 混合 99.50 94.74 97.44
    北美黄杉 100.00 94.59 97.80
    SPF 100.00 96.72 98.25
    铁杉 97.78 92.31 95.77
    云杉 100.00 92.86 97.33
    特征波段模型 FD 混合 99.50 95.39 97.72
    北美黄杉 100.00 94.59 97.80
    SPF 100.00 96.72 98.25
    铁杉 97.78 92.31 95.77
    云杉 100.00 96.43 98.67
    NP 混合 98.49 93.42 96.30
    北美黄杉 98.15 91.89 95.60
    SPF 100.00 96.72 98.25
    铁杉 95.56 88.46 92.96
    云杉 100.00 92.86 97.33
    下载: 导出CSV
  • [1] 宋小燕, 白福忠, 武建新, 等.应用灰度直方图特征识别木材表面节子缺陷[J].激光与光电子学进展, 2015, 52(3):199-204. http://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ201503027.htm

    SONG Xiaoyan, BAI Fuzhong, WU Jianxin, et al. Wood knot defects recognition with gray-scale histogram features[J]. Laser Optoelectron Prog, 2015, 52(3):199-204. http://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ201503027.htm
    [2] KARSULOVIC J T, LEÓN L A, GAETE L. Ultrasonic detection of knots and annual ring orientation in Pinus radiata lumber[J]. Wood Fiber Sci, 2007, 32(3):278-286. https://www.cabdirect.org/cabdirect/abstract/20000613150
    [3] MACHADO J S, SARDINHA R A, CRUZ H P. Feasibility of automatic detection of knots in maritime pine timber by acousto-ultrasonic scanning[J]. Wood Sci Technol, 2004, 38(4):277-284. doi:  10.1007%2Fs00226-004-0224-x.pdf
    [4] BARADIT E, AEDO R, CORREA J. Knots detection in wood using microwaves[J]. Wood Sci Technol, 2006, 40(2):118-123. doi:  10.1007/s00226-005-0027-8
    [5] CRISTHIAN A C, SANCHEZ R, BARADIT E. Detection of knots using x-ray tomographies and deformable contours with simulated annealing[J]. Wood Res, 2008, 53(2):57-66. https://www.researchgate.net/publication/288687379_Detection_of_knots_using_X-ray_tomographies_and_deformable_contours_with_simulated_annealing
    [6] LONGUETAUD F, MOTHE F, KERAUTRET B, et al. Automatic knot detection and measurements from X-ray CT images of wood:a review and validation of an improved algorithm on softwood samples[J]. Comput Electron Agric, 2012, 85(5):77-89. https://hal.archives-ouvertes.fr/docs/00/78/07/61/PDF/2012Longuetaud.pdf
    [7] CHEN Lijun, WANG Keqi, XIE Yonghua, et al. The segmentation of timber defects based on color and the mathematical morphology[J]. Optik-Int J Light Elect Opt, 2014, 125(3):965-967. doi:  10.1016/j.ijleo.2013.07.098
    [8] XIE Yonghua, WANG Jingcong. Study on the identification of the wood surface defects based on texture features[J]. Optik-Int J Light Electr Opt, 2015, 126(19):2231-2235. doi:  10.1016/j.ijleo.2015.05.101
    [9] POKE F S, RAYMOND C A. Predicting extractives, lignin, and cellulose contents using near infrared spectroscopy on solid wood in Eucalyptus globules[J]. J Wood Chem Technol, 2006, 26(2):187-199. doi:  10.1080/02773810600732708
    [10] ANDRÉN, LABBÉN, RIALS T G, et al. Assessment of wood load condition by near infrared (NIR) spectroscopy[J]. J Mater Sci, 2006, 41(7):1879-1886. doi:  10.1007/s10853-006-4433-6
    [11] COGDILL R P, SCHIMLECK L R, JONES P D, et al. Estimation of the physical wood properties of Pinus taeda L. radial strips using least squares support vector machines[J]. J Near Infrared Spectrosc, 2004, 12(4):263-270.
    [12] 杨忠, 黄安民, 江泽慧.近红外光谱结合回归分析预测法判别木材的生物腐朽[J].林业科学, 2012, 48(10):120-124. doi:  10.11707/j.1001-7488.20121018

    YANG Zhong, HUANG Anmin, JIANG Zehui. Discrimination of wood biological decay by NIR coupled with regression analysis prediction method[J]. Sci Silv Sin, 2012, 48(10):120-124. doi:  10.11707/j.1001-7488.20121018
    [13] FUJIMOTO T, TSUCHIKAWA S. Identification of dead and sound knots by near infrared spectroscopy[J]. J Near Infrared Spectrosc, 2010, 18(6):473-479.
    [14] YANG Zhong, ZHANG Maomao, CHEN Ling, et al. Non-contact detection of surface quality of knot defects on eucalypt veneers by near infrared spectroscopy coupled with soft independent modeling of class analogy[J]. BioResources, 2015, 10(2):3314-3325.
    [15] 杨忠, 陈玲, 付跃进, 等.近红外光谱结合SIMCA模式识别法检测木材表面节子[J].东北林业大学学报, 2012, 40(8):70-72. http://www.cnki.com.cn/Article/CJFDTOTAL-DBLY201208016.htm

    YANG Zhong, CHEN Ling, FU Yuejin, et al. Rapid detection of knot defect in wood surface by near infrared spectroscopy coupled with SIMCA pattern recognition[J]. J Northeast For Univ, 2012, 40(8):70-72. http://www.cnki.com.cn/Article/CJFDTOTAL-DBLY201208016.htm
    [16] KENNARD R W, STONE L A. Computer aided design of experiments[J]. Technometrics, 1969, 11(1):137-148. doi:  10.1080/00401706.1969.10490666
    [17] 褚小立, 袁洪福, 陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用[J].化学进展, 2004, 16(4):528-542. http://www.cnki.com.cn/Article/CJFDTOTAL-YWFX201005062.htm

    CHU Xiaoli, YUAN Hongfu, LU Wanzhen. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J]. Prog Chem, 2004, 16(4):528-542. http://www.cnki.com.cn/Article/CJFDTOTAL-YWFX201005062.htm
    [18] 郑剑, 周竹, 仲山民, 等.基于近红外光谱与随机青蛙算法的褐变板栗识别[J].浙江农林大学学报, 2016, 33(2):322-329. doi:  10.11833/j.issn.2095-0756.2016.02.019

    ZHENG Jian, ZHOU Zhu, ZHONG Shanmin, et al. Chestnut browning detected with near-infrared spectroscopy and a random-frog algorithm[J]. J Zhejiang A & F Univ, 2016, 33(2):322-329. doi:  10.11833/j.issn.2095-0756.2016.02.019
    [19] 郑剑, 周竹, 仲山民, 等.基于近红外光谱的褐变板栗识别建模方法研究[J].食品科技, 2016, 41(1):285-290. http://www.cnki.com.cn/Article/CJFDTOTAL-SSPJ201601062.htm

    ZHENG Jian, ZHOU Zhu, ZHONG Shanmin, et al. Detection of chestnut browning using different calibration methods based on near-infrared spectroscopy[J]. Food Sci Technol, 2016, 41(1):285-290. http://www.cnki.com.cn/Article/CJFDTOTAL-SSPJ201601062.htm
    [20] SUYKENS J A K, de BRABANTER J, LUKAS L, et al. Weighted least squares support vector machines:robustness and sparse approximation[J]. Neurocomputing, 2002, 48(1):85-105.
    [21] LI Hongdong, XU Qingsong, LIANG Yizeng, et al. Random frog:an efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification[J]. Anal Chim Acta, 2012, 740:20-26. doi:  10.1016/j.aca.2012.06.031
    [22] 李洪东. 广义灰色分析体系建模的基本问题及其模型集群分析研究[D]. 长沙: 中南大学, 2012.

    LI Hongdong. Fundamental Problems of Generalized Grey Analytical Systems and Their Research of Model Population Analysis[D]. Changsha:Central South University, 2012.
    [23] ALVES A, SANTOS A, ROZENBERG P, et al. A common near infrared-based partial least squares regression model for the prediction of wood density of Pinus pinaster and Larix×eurolepis[J]. Wood Sci Technol, 2012, 46(1):157-175.
    [24] SCHWANNINGER M, RODRIGUES J C, FACKLER K. A review of band assignments in near infrared spectra of wood and wood components[J]. J Near Infrared Spectrosc, 2011, 19(5):287-308. doi:  10.1255/jnirs.955
  • [1] 汪紫阳, 尹世逵, 李颖, 李耀翔.  基于可见/近红外光谱识别东北地区常见木材 . 浙江农林大学学报, 2019, 36(1): 162-169. doi: 10.11833/j.issn.2095-0756.2019.01.020
    [2] 杨立岩, 冯仲科, 刘迎春, 刘金成.  量子粒子群优化最小二乘支持向量机的立木材积估算 . 浙江农林大学学报, 2018, 35(5): 868-876. doi: 10.11833/j.issn.2095-0756.2018.05.011
    [3] 王晓丽, 张晓丽, 周国民.  基于近红外光谱技术的果树花期树种识别方法 . 浙江农林大学学报, 2017, 34(6): 1008-1015. doi: 10.11833/j.issn.2095-0756.2017.06.006
    [4] 胡梦霄, 杭芸, 黄华宏, 张胜龙, 童再康, 楼雄珍.  杉木木材结晶度的近红外预测模型建立及变异分析 . 浙江农林大学学报, 2017, 34(2): 361-368. doi: 10.11833/j.issn.2095-0756.2017.02.022
    [5] 方益明, 蔺陆军, 鲁植雄, 冯海林.  基于空气耦合超声波的木材无损检测系统研制 . 浙江农林大学学报, 2017, 34(2): 355-360. doi: 10.11833/j.issn.2095-0756.2017.02.021
    [6] 王喆, 孙柏玲, 刘君良, 柴宇博, 曹金珍.  真空热处理日本落叶松木材化学性质的变化 . 浙江农林大学学报, 2016, 33(6): 1052-1057. doi: 10.11833/j.issn.2095-0756.2016.06.018
    [7] 刘铎, 何理辉, 姜年春, 鲍滨福, 沈哲红, 陈浩.  苯丙/二氧化硅改性剂对胶合板胶合性能和燃烧性能的影响 . 浙江农林大学学报, 2016, 33(1): 116-121. doi: 10.11833/j.issn.2095-0756.2016.01.016
    [8] 高珊, 王立海, 杨冬辉, 徐文豪.  Sylvatest-Duo装置的探针触式与计示压强对木材超声波测量精度的影响 . 浙江农林大学学报, 2016, 33(5): 875-880. doi: 10.11833/j.issn.2095-0756.2016.05.021
    [9] 陈明及, 吴金绒, 陈骁轶, 邓玉和, 王新洲, 何爽爽, 余旺旺, 张健.  不同因素对竹柳枝桠材重组木性能的影响 . 浙江农林大学学报, 2016, 33(4): 658-666. doi: 10.11833/j.issn.2095-0756.2016.04.015
    [10] 王书强, 牛帅红, 沈道海, 庄仁爱, 李延军.  重组竹方材增湿软化工艺 . 浙江农林大学学报, 2016, 33(3): 477-482. doi: 10.11833/j.issn.2095-0756.2016.03.015
    [11] 倪茜茜, 祁亨年, 周竹, 汪杭军.  基于高光谱成像技术的红酸枝木材种类识别 . 浙江农林大学学报, 2016, 33(3): 489-494. doi: 10.11833/j.issn.2095-0756.2016.03.017
    [12] 白雪冰, 许景涛, 郭景秋, 陈凯.  基于局部二值拟合模型的板材表面节子与虫眼的图像分割 . 浙江农林大学学报, 2016, 33(2): 306-314. doi: 10.11833/j.issn.2095-0756.2016.02.017
    [13] 郑剑, 周竹, 仲山民, 曾松伟.  基于近红外光谱与随机青蛙算法的褐变板栗识别 . 浙江农林大学学报, 2016, 33(2): 322-329. doi: 10.11833/j.issn.2095-0756.2016.02.019
    [14] 张蕾, 常晓雅, 吴静, 王明枝.  4A分子筛对膨胀型木材阻燃涂料阻燃性能的影响 . 浙江农林大学学报, 2015, 32(1): 156-161. doi: 10.11833/j.issn.2095-0756.2015.01.023
    [15] 解林坤, 王洪艳, 关成, 杜官本.  六甲基二硅氧烷等离子体对思茅松和西南桦木材表面的硅烷化 . 浙江农林大学学报, 2015, 32(6): 903-908. doi: 10.11833/j.issn.2095-0756.2015.06.012
    [16] 安鑫, 覃道春, 靳肖贝, 李瑜瑶.  3种国外竹制竹帘层积材防霉处理技术 . 浙江农林大学学报, 2015, 32(3): 404-409. doi: 10.11833/j.issn.2095-0756.2015.03.011
    [17] 周竹, 方益明, 尹建新, 周素茵, 雒瑞森, 郑剑.  高光谱成像技术及其在木材无损检测中的研究进展 . 浙江农林大学学报, 2015, 32(3): 458-466. doi: 10.11833/j.issn.2095-0756.2015.03.020
    [18] 周竹, 郑剑, 王允祥, 曾松伟.  雷竹笋硬度的近红外光谱检测模型优化 . 浙江农林大学学报, 2015, 32(6): 875-882. doi: 10.11833/j.issn.2095-0756.2015.06.008
    [19] 吴金绒, 邓玉和, 侯天宇, 王新洲, 陈骁轶, 张健, 陈明及.  竹柳枝丫材性能及重组木制造 . 浙江农林大学学报, 2014, 31(6): 947-953. doi: 10.11833/j.issn.2095-0756.2014.06.018
    [20] TONGThiPhuong, 马中青, 陈登宇, 张齐生.  基于热重红外联用技术的竹综纤维素热解过程及动力学特性 . 浙江农林大学学报, 2014, 31(4): 495-501. doi: 10.11833/j.issn.2095-0756.2014.04.001
  • 加载中
  • 链接本文:

    http://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2017.03.018

    http://zlxb.zafu.edu.cn/article/zjnldxxb/2017/3/520

图(2) / 表(4)
计量
  • 文章访问数:  1887
  • HTML全文浏览量:  156
  • PDF下载量:  383
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-06-14
  • 修回日期:  2016-11-18
  • 刊出日期:  2017-06-20

基于近红外光谱技术的针叶材板材表面节子缺陷检测

doi: 10.11833/j.issn.2095-0756.2017.03.018
    基金项目:

    浙江省自然科学基金资助项目 LQ13F050006

    浙江省自然科学基金资助项目 LY15C140005

    浙江农林大学智慧农林业中心预研项目 2013ZHNL03

    浙江农林大学科研发展基金资助项目 2012FR085

    作者简介:

    周竹, 讲师, 博士, 从事木材智能化检测技术等研究。E-mail:zhouzhu@zafu.edu.cn

  • 中图分类号: S781.5;O657.3

摘要: 为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用SmartEye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarpa(SPF)等4种板材的近红外光谱(1000~1650 nm),比较了光谱预处理方法、建模方法对节子识别的影响,并首次对多种针叶树材进行了节子识别的适应性研究,随后引入一种新的变量选择方法即随机青蛙算法用于优选节子检测的特征波长,在此基础上建立了板材节子识别的最小二乘-支持向量机(LS-SVM)模型。结果显示:一阶导数光谱预处理结合LS-SVM所建混合树种板材节子识别模型性能最优。随机青蛙算法提取了8个特征波长变量,仅占全波段变量的1.23%,所建简化模型效果最好。该模型对测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%和96.30%。近红外光谱技术结合化学计量学方法可以对针叶材树种板材的表面节子进行快速准确检测,随机青蛙算法是提取板材表面节子缺陷特征的有效方法。该结果可为下一步搭建木材节子快速检测系统提供技术支撑。

English Abstract

周竹, 尹建新, 周素茵, 周厚奎. 基于近红外光谱技术的针叶材板材表面节子缺陷检测[J]. 浙江农林大学学报, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
引用本文: 周竹, 尹建新, 周素茵, 周厚奎. 基于近红外光谱技术的针叶材板材表面节子缺陷检测[J]. 浙江农林大学学报, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
ZHOU Zhu, YIN Jianxin, ZHOU Suyin, ZHOU Houkui. Knot detection on coniferous wood surfaces based on near infrared spectroscopy[J]. Journal of Zhejiang A&F University, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
Citation: ZHOU Zhu, YIN Jianxin, ZHOU Suyin, ZHOU Houkui. Knot detection on coniferous wood surfaces based on near infrared spectroscopy[J]. Journal of Zhejiang A&F University, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
  • 节子是木板材最重要的表面缺陷,它会影响锯材和单板的出材率、成品质量和表面美观性[1]。研究一种板材表面节子缺陷快速无损检测方法,不仅可以提高木材的利用率和经济价值,而且可为木板材的自动化分级奠定基础。近几年来,研究人员采用声波技术[2-3]、微波技术[4]、X-射线技术[5-6]、机器视觉技术[7-8]等对木材表面节子缺陷进行了一系列无损检测研究。然而,如何提高板材节子缺陷检测的快速性、准确性以及对不同树种板材的适应性仍有待深入研究。近红外光谱技术 (near-infrared spectroscopy, NIRS) 利用近红外光谱区域的全谱或部分波谱对被测物进行无损快速分析。迄今为止,该技术已在快速预测木材化学组成[9]、物理力学性质[10]、解剖性质[11]、木材腐朽[12]等方面进行了大量的研究。在木材表面节子缺陷检测方面,FUJIMOTO等[13]将近红外光谱与簇类独立软模式法 (soft independent modeling of class analogy, SIMCA) 结合,建立了落叶松Larix kaempferi板材节子分类识别模型。杨忠等[14-15]利用近红外光谱技术结合SIMCA分别建立了马尾松Pinus massoniana板材、尾叶桉Eucalyptus urophylla板材节子识别模型。上述研究均仅采用单一树种板材。由于木材种类繁多,木材种属、纹理等多种因素会引起板材光谱差异,从而影响节子缺陷检测模型的适应性。此外,近红外光谱变量较多,直接使用全部变量会影响识别的速度与精度,需对光谱数据进行降维。本研究拟采用近红外光谱技术检测北美黄杉Pseudotsuga menziesii,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarpa(SPF),铁杉Tsuga chinensis和云杉Picea asperata等4类常见针叶林树种板材的表面节子缺陷,比较不同光谱预处理和建模方法对节子识别的影响,研究单一树种板材节子模型对其他树种板材节子缺陷检测的适应性,建立混合树种板材节子缺陷的识别模型,采用随机青蛙算法 (random frog, RF) 确定节子缺陷识别的有效特征波段,并建立简化模型,从而为木板材表面节子缺陷的快速准确识别提供方法与技术支撑。

    • 试验样本来自当地木材加工厂,包括北美黄杉、铁杉、云杉以及进口自加拿大的SPF二级规格材。样本含水率为7.9%~11.7%,密度为0.394~ 0.565 g·cm-3。将全部试材切割成200 mm×80 mm×20 mm的单板,在单板上按序标记节子部位并根据GB/T 4822-1999《锯材检验尺寸检量》记录节子直径,同时在板材节子附近随机标记非节子部位,并将标记部位作为光谱采样点。试验共标记1 056个光谱采样点,其中有节子部位459个,无节子部位597个。

    • 试验用光谱采集设备为微型近红外光谱仪SmartEye1700(尼迩光电,中国杭州),光谱波长范围为1 000 ~1 650 nm,采样间隔为1 nm。采用直径为8 mm的光纤探头在试样垂直上方采集其表面的近红外漫反射光谱。扫描50次自动平均为1条光谱后保存待用。对于各个木材品种的板材光谱,将有节子样本依据节子直径以2:1比例进行划分,而非节子样本则采用Kennard-Stone算法[16]以2:1比例划分,最终组成校正集和测试集的非节子、节子数目如表 1所示。

      表 1  试验样本集数据组成信息

      Table 1.  Information of calibration set and validation set in the experiment

      木材树种 校正集 测试集
      无节子数量/个 有节子 无节子数目/个 有节子
      节子直径/mm 数量/个 节子直径/mm 数量/个
      0~10 >10 0~10 >10
      北美黄杉 107 42 81 123 53 21 40 61
      SPF 109 32 42 74 54 16 21 37
      铁杉 89 17 35 52 45 8 18 26
      云杉 93 26 32 58 47 14 14 28
      混合 398 117 190 307 199 59 93 152
    • 采用标准正态变量变换 (standard normalized variate,SNV),一阶导数 (first derivative, FD) 等方法对原始光谱 (no preprocess, NP) 进行预处理。其中,标准正态变量变换可以消除木板表面散射等对光谱的影响,一阶导数变换可以有效消除基线和其他背景的干扰[17]

    • 分别采用主成分回归-线性判别分析法 (PCA-LDA),偏最小二乘回归-线性判别分析法 (PLS-LDA) 和最小二乘-支持向量机法 (LS-SVM) 建立板材节子识别模型。PCA-LDA和PLS-LDA为线性建模方法,LS-SVM为非线性建模方法。3种建模方法的原理分别见文献[18][19][20]。PCA-LDA方法中主成分数量以及PLS-LDA方法中潜在变量的个数决定了所建模型的性能。本研究采用留一交叉验证法确定2类模型的参数。采用RBF核函数作为LS-SVM分类器的核函数,并以留一交叉验证法结合网格搜索算法确定LS-SVM分类模型参数。

    • 采用随机青蛙算法 (RF) 与PLS-LDA结合进行特征波长选择。RF算法是由LI等[21]提出的一种新的变量选择方法。该方法通过少量变量进行迭代建模,是一种高效的多维变量选择方法。图 1给出了随机青蛙算法示意图。其运算过程主要包括[22]:① 初始化包含q个变量的初始变量集合为ν0;② 基于原始变量子集构造含有q*个变量的候选变量子集ν*,并按一定概率接受ν*,令ν1ν*,迭代n次;③ 计算每个变量的选择概率,并作为变量选择的依据。通常,变量的被选概率越大,说明该变量对模型越重要。

      图  1  随机青蛙算法工作流程图

      Figure 1.  Key steps of random frog algorithm

    • 模型性能的评价指标包括敏感性、特异性和预测总正确率。其定义为:敏感性 (%)=(预测正确的非节子样本数/实际非节子样本数)×100%。特异性 (%)=(预测正确的节子样本数/实际的节子样本数)×100%。总正确率 (%)=(预测正确的所有样本数/实际样本数)×100%。通常情况下,敏感性、特异性和总正确率越高,说明模型性能越好。

    • 图 2为4种板材的非节子和节子部位的平均光谱图。由图 2可以看出:不同树种板材的非节子和节子部位的平均光谱均在1 195 nm和1 462 nm附近存在明显的吸收峰。其中,1 195 nm附近区域包含了木材中纤维素或木质素C-H伸缩振动的二级倍频信息[23],1 462 nm附近区域包含了板材中水分或木质素中酚类物质O-H基团伸缩振动的一级倍频信息[14]

      图  2  不同树种板材节子与非节子平均光谱

      Figure 2.  Mean spectra from different types of board for knot and knot-free

      图 2中还可以看出:4种树种板材节子部位的平均光谱的吸光度要明显高于非节子部位,这和前人[13-14]的研究结论相似。其原因可能是板材节子部位和非节子部位的微纤丝取向不同,并且板材节子部位细胞的排布基本上平行于近红外光入射角。除此之外,不同树种板材非节子部位的平均光谱存在偏移,这可能是不同品种板材间水分含量、色泽和纹理等综合引起的。

    • 分别采用PCA-LDA,PLS-LDA和LS-SVM对原始光谱及各种预处理光谱建立4个树种板材表面节子缺陷的识别模型,结果如表 2所示。

      表 2  不同光谱预处理下PLS-LDA和LS-SVM模型结果

      Table 2.  PLS-LDA and LS-SVM results for different pre-processing methods

      木材树种 建模方法 光谱预处理方法 校正集 测试集
      敏感性/% 特异性/% 正确率/% 敏感性/% 特异性/% 正确率/%
      PCA-LDA NP 100.00 86.49 94K54 100K00 89.19 95K60
      SHV 100.00 91.89 96K72 100K00 91K89 96K70
      FD 100.00 85K14 93K99 100K00 89.19 95K60
      PLS-LDA NP 99.08 93.24 96K72 100K00 89.19 95K60
      北美黄杉 SNV 99.08 95K95 97.81 100K00 89.19 95K60
      FD 100.00 95K95 98K36 100K00 89.19 95K60
      LS-SVM NP 100.00 94K59 97.81 100K00 89.19 95K60
      SNV 100.00 97K30 98K91 100K00 94.59 97K80
      FD 100.00 100.00 100.00 100K00 97K30 98K90
      PCA-LDA NP 100.00 91.87 95K65 100K00 91K80 95.61
      SNV 100.00 93K50 96K52 100K00 93K44 96K49
      FD 100.00 90K24 94K78 100K00 86K89 92K98
      PLS-LDA NP 99.07 95K93 97K39 100K00 95K08 97K37
      SPF SNV 99.07 95K12 96K96 100K00 96K72 98K25
      FD 100.00 93K50 96K52 100K00 95K08 97K37
      LS-SVM NP 100.00 97K56 98K70 100K00 95K08 97K37
      SNV 100.00 100.00 100.00 100K00 96K72 98K25
      FD 100.00 99K19 99K57 100K00 96K72 98K25
      PCA-LDA NP 95.51 92.31 94.33 97K78 84K62 92K96
      SNV 96.63 92.31 95K04 100K00 80K77 92K96
      FD 97.75 90K38 95K04 95K56 84K62 91K55
      PLS-LDA NP 96K63 86K54 92.91 97K78 88K46 94.37
      铁杉 SNV 97K75 94K23 96K45 100K00 80K77 92K96
      FD 97K75 92.31 95K74 95K56 84K62 91K55
      LS-SVM NP 100K00 100.00 100.00 93K33 92.31 92K96
      SNV 97K75 98K08 97K87 97K78 92.31 95K77
      FD 100K00 98K08 99K29 97K78 92.31 95K77
      PCA-LDA NP 100K00 89K66 96K03 100K00 89.19 96K00
      SNV 100K00 91K38 96K69 100K00 91K89 96K00
      FD 100K00 91K38 96K69 100K00 89.19 96K00
      PLS-LDA NP 100K00 89K66 96K03 100K00 89.19 96K00
      云杉 SNV 100K00 93K10 97K35 100K00 89.19 96K00
      FD 100K00 91K38 96K69 100K00 89.19 96K00
      LS-SVM NP 100K00 98K28 99K14 100K00 96K43 98K67
      SNV 100K00 100.00 100.00 93K62 96K43 94K67
      FD 100K00 100.00 100.00 100K00 96K43 98K67

      表 2可知:建模方法和光谱预处理方法会对节子缺陷识别造成影响。北美黄杉板材、铁杉板材和云杉板材均表现为一阶导数光谱结合最小二乘-支持向量机 (FD-LS-SVM) 所建模型性能最优。其中,北美黄杉板材的FD-LS-SVM模型对校正集和测试集的敏感性、特异性和识别准确率分别为100.00%,100.00%,100.00%和100.00%,97.30%,98.90%;铁杉板材的FD-LS-SVM模型对校正集和测试集的敏感性、特异性和识别准确率分别为100.00%,98.08%,99.29%和99.78%,92.31%,95.77%;云杉板材的FD-LS-SVM模型对校正集和测试集的敏感性、特异性和识别准确率分别为100.00%,100.00%,100.00%和100.00%,96.43%,98.67%。对于SFP板材,FD-LS-SVM模型和SNV-LS-SVM模型对测试集的结果相同,前者对校正集的特异性 (99.19%) 略低于后者 (100.00%),但整体结果仍优于原始光谱下的LS-SVM模型。从表 2中还可以看出:无论是否进行光谱预处理,4个树种板材的PCA-LDA模型、PLS-LDA模型性能均劣于LS-SVM模型。

      综上所述,采用线性建模方法PCA-LDA,PLS-LDA和非线性建模方法LS-SVM建立4个树种板材节子判别模型时,LS-SVM方法要明显优于PCA-LDA和PLS-LDA,原因可能是PCA-LDA和PLS-LDA均只能处理板材光谱中的线性相关关系,而LS-SVM则可以充分利用光谱数据中的非线性信息 (如水分含量、密度、表面粗糙度、色泽和纹理等),从而获得较优的预测结果。

    • 为了探索单一树种板材节子缺陷识别模型对其他树种板材节子缺陷识别的适应性,该研究分别采用单一树种板材节子缺陷识别的LS-SVM模型去预测其他3个树种的板材缺陷。预测结果如表 3所示。

      表 3  单一树种LS-SVM模型对其他树种预测结果

      Table 3.  Results of using a model built within one species to discriminate samples from other species

      木材树种 光谱预处理 预测树种 测试集
      敏感性/% 特异性/% 正确率/%
      北美黄杉 NP SPF 100.00 75.41 86.84
      铁杉 97.78 73.08 88.73
      云杉 100.00 64.29 86.67
      SNV SPF 73.58 91.80 83.33
      铁杉 100.00 26.92 73.24
      云杉 100.00 82.14 93.33
      FD SPF 98.11 70.49 83.33
      铁杉 100.00 38.46 77.46
      云杉 100.00 50.00 81.33
      NP 北美黄杉 57.41 94.59 72.53
      铁杉 88.99 92.31 90.14
      云杉 95.74 96.43 96.00
      SNV 北美黄杉 75.93 86.49 80.22
      SPF 铁杉 100.00 61.54 85.92
      云杉 97.87 92.86 96.00
      FD 北美黄杉 14.81 97.30 48.35
      铁杉 91.11 92.31 91.55
      云杉 100.00 96.43 98.67
      铁杉 NP 北美黄杉 64.81 86.49 73.63
      SPF 96.23 95.08 95.61
      云杉 95.74 92.86 94.67
      SNV 北美黄杉 24.07 94.59 52.75
      SPF 13.21 100.00 59.65
      云杉 74.47 100.00 84.00
      FD 北美黄杉 1.85 100.00 41.76
      SPF 69.81 96.72 84.21
      云杉 97.87 96.43 97.33
      NP 北美黄杉 96.30 81.08 90.11
      SPF 100.00 96.72 98.25
      铁杉 97.78 88.46 94.37
      SNV 北美黄杉 27.78 91.89 53.85
      云杉 SPF 81.13 96.72 89.47
      铁杉 91.11 92.31 91.55
      FD 北美黄杉 62.96 81.08 70.33
      SPF 100.00 95.08 97.37
      铁杉 97.78 92.31 95.77

      表 3可知:单一树种板材的节子缺陷识别模型对其他树种板材的节子识别能力存在差异。对于北美黄杉板材,NP-LS-SVM,FD-LS-SVM模型对SPF,铁杉和云杉板材的敏感性好,但特异性较差,表明此2种模型对SPF,铁杉和云杉板材中的节子样本识别效果较差;SNV-LS-SVM模型虽然对SPF板材的特异性 (91.80%) 较好,但其敏感性差 (73.58%),表明该模型也不能用于预测SPF板材节子属性。对于SPF板材,NP-LS-SVM,SNV-LS-SVM和FD-LS-SVM模型对北美黄杉板材的识别效果均较差,但对云杉板材都能获得较好的预测效果。其中,FD-LS-SVM模型的效果最优,该模型对云杉板材的敏感性、特异性和识别准确率分别为100.00%,96.43%,98.67%。同时,该模型对铁杉板材的识别效果也最好,其敏感性、特异性和识别准确率分别为91.11%,92.31%,91.55%。对于铁杉板材,NP-LS-SVM模型对SPF和云杉板材的预测能力较好,识别准确率分别达到95.61%和94.67%,FD-LS-SVM模型对云杉板材的识别效果最好,其敏感性、特异性和识别准确率分别为97.87%,96.43%,97.33%。对于云杉板材,NP-LS-SVM模型对SPF板材的识别效果最好,其敏感性、特异性和识别准确率分别为100.00%,96.72%,98.25%,FD-LS-SVM模型对SPF板材和铁杉板材的识别效果也较好,识别准确率分别为97.37%和95.77%。

      综上所述,SPF、铁杉和云杉中任意单一树种板材的节子识别模型具有较强的适应性,在一定的光谱预处理下,对另外2个树种板材的节子缺陷具有较好的识别能力。此3种板材的节子识别模型均不能准确地识别北美黄杉板材的节子缺陷,同时,北美黄杉板材的节子识别模型也不能准确地识别SPF、铁杉和云杉板材中的节子缺陷。其原因可能是SPF、铁杉和云杉的材性差异较小,但与北美黄杉的材性差异较大。

      图 1可知:尽管树种不同,但它们的近红外光谱具有一定的相似性,建立此4个树种板材的混合节子识别模型可能具有更强的实际作用。采用LS-SVM建立混合节子识别模型,其结果如表 4所示。

      表 4  全波段与特征波段下混合树种板材LS-SVM模型结果

      Table 4.  Results for full wavelengths models and effective wavelengths model

      模型 光谱预处理方法 预测树种 测试集
      敏感性/% 特异性/% 正确率/%
      全波段模型 NP 混合 98.99 94.74 97.15
      北美黄杉 98.15 91.89 95.60
      SPF 100.00 96.72 98.25
      铁杉 97.78 92.31 95.77
      云杉 100.00 96.43 98.67
      SNV 混合 99.50 94.74 97.44
      北美黄杉 100.00 94.59 97.80
      SPF 100.00 96.72 98.25
      铁杉 97.78 92.31 95.77
      云杉 100.00 92.86 97.33
      特征波段模型 FD 混合 99.50 95.39 97.72
      北美黄杉 100.00 94.59 97.80
      SPF 100.00 96.72 98.25
      铁杉 97.78 92.31 95.77
      云杉 100.00 96.43 98.67
      NP 混合 98.49 93.42 96.30
      北美黄杉 98.15 91.89 95.60
      SPF 100.00 96.72 98.25
      铁杉 95.56 88.46 92.96
      云杉 100.00 92.86 97.33

      表 4可知:与单一树种最优模型所用光谱预处理方法相同,采用一阶导数预处理结合最小二乘支持向量机所建混合模型的性能最优。FD-LS-SVM模型对测试集的敏感性、特异性和识别准确率分别为99.50%,95.39%,97.72%。对比表 3,该混合模型对SPF、铁杉和云杉板材的预测结果与单一模型的预测结果一致,混合模型仅对北美黄杉板材的特异性 (94.59%) 略低于北美黄杉单一模型的同类指标 (97.30%)。这表明混合树种板材节子识别模型的适应性较强,更能适用于不同树种板材的节子缺陷检测。

    • 采用随机青蛙算法 (RF) 对原始光谱的650个光谱变量进行特征变量选择。将所有波长变量依RF算法运行100次后的平均被选概率进行排序,以0.72为阈值,选择出概率最大的前8个变量作为特征波长,其结果分别为1 314,1 358,1 409,1 340,1 260,1 586,1 288和1 402 nm。其中,1 358 nm附近为木材中木质素,半纤维素和纤维素的C-H伸缩振动和变形振动的一级倍频带,1 409 nm附近为木质素及抽提物中C-H伸缩振动的一级倍频带,1 586 nm附近为木材纤维素中O-H伸缩振动的一级倍频带[24]。当木材表面存在节子缺陷时,其节子部位的主要化学成分如木质素、纤维素等的含量与正常部位存在差异[13]。因此,所选特征波长可以准确反映板材表面节子缺陷的化学特性。除此之外,板材的光谱数据矩阵从1 056×650降为1 056×8,可大大提高计算速度。

      将8个特征波长 (effective wavelengths, EWs) 下的光谱数据作为输入,采用LS-SVM建立混合板材表面节子缺陷特征波段识别模型 (EWs-LS-SVM),并与原始光谱下全波段 (full wavelengths, FWs) 混合模型 (FWs-LS-SVM) 对比。结果如表 4所示。

      表 4中可以看出:EWs-LS-SVM模型测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%,96.30%。与原始光谱下的FWs-LS-SVM模型相比,EWs-LS-SVM模型对测试集的特异性减小,表明EWs-LS-SVM模型对表面节子缺陷识别能力略有降低,这可能是由于EWs-LS-SVM模型只用了8个波长变量,从而导致有利于节子缺陷识别的部分信息丢失引起的。同时,对4个树种板材进行具体分析发现:EWs-LS-SVM对测试集中北美黄杉和SPF板材的预测结果与FWs-LS-SVM模型结果相同,仅仅是铁杉和云杉的预测结果有所降低。考虑到EWs-LS-SVM模型所用变量仅为FWs-LS-SVM模型的1.23%,该结果可以接受。

    • 采用近红外光谱技术结合化学计量学方法研究了北美黄杉,SPF,铁杉和云杉等4种针叶林板材表面节子缺陷的快速检测方法。结果表明:一阶导数光谱预处理结合最小二乘-支持向量机所建单一树种板材节子识别模型以及混合树种板材节子识别模型的性能最优;SPF,铁杉和云杉板材中任一单一树种板材的节子识别模型对其余2个树种板材中的节子缺陷识别准确率较高,模型适应性较好,但北美黄杉板材节子识别模型不能用于其他3个树种板材节子缺陷的识别,该模型适应性较差;采用随机青蛙算法确定了8个特征波长变量 (1 314,1 358,1 409,1 340,1 260,1 586,1 288和1 402 nm),能准确反映木材节子部位与非节子部位主要成分含量的差异;基于特征波长并采用最小二乘-支持向量建立的节子缺陷简化模型性能较好,该模型对混合树种板材测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%,96.30%,虽然测试结果略低于全波段检测模型,但考虑到所用波长变量仅占全波段变量的1.23%,所选特征波长可用于搭建板材节子缺陷检测的快速分析系统。

参考文献 (24)

目录

    /

    返回文章
    返回