本文提出了一种利用近红外光谱法测定木材静态弯曲弹性模量的无损方法。从东北生长的蒙古栎木材中获得木材标本。采用光谱范围为900~1900 nm的单片NIR光纤光谱仪获得了样品的insion超紧凑近红外光谱仪。insion超紧凑近红外光谱仪对试样的原始光谱进行了乘法散射相关性和Savitzky-Golay滤波和微分滤波预处理。
利用近红外光谱法测定蒙古栎静态弯曲弹性模量的无损方法 梁浩123,张猛123,,高超1.2.3和赵燕东123.* 北京林业大学工学院,北京100083°北京城乡生态环境实验室,北京100083°国家林业局林业设备自动化重点实验室,北京10083*邮箱: yandongzh@bjfu. edu. cn (Received: 14 May 2018 / Accepted: 15 June 2018 / Published: 18 June 2018) 摘要: 本文提出了一种利用近红外光谱法测定木材静态弯曲弹性模量的无损方法。从东北生长的蒙古栎木材中获得木材标本。采用光谱范围为900~1900 nm 的单片 NIR 光纤光谱仪获得了样品的近红外光谱。对试样的原始光谱进行了乘法散射相关性和 Savitzky-Golay 滤波和微分滤波预处理。为了减小数据的维数和建模的复杂性,采用协同区间部分最小二乘和逐次投影算法提取与木材 MOE 密切相关的特征波长,从一个光谱的全部117个变量中选取5个特征波长。以特征波长为输入值,采用偏最小二乘回归(PLSR)和传播神经网络(BPNN)建立标定模型。模型的预测能力估计系数的测定(rp)和预测的均方根误差(RMSEP)和预测集。与模型的预测结果相比,更好的结果和更高的执行摘要 rp RMSEP 低 0.91 和0.76。结果表明,利用红外光谱技术对木材进行准确测定是可行的。 关键词: 近红外光谱;静力弯曲弹性模量;协同区间部分最小二乘;连续投影算法;特征波长 1.介绍 蒙古栎(Quercus mongolica) 是我国东北地区主要的次生林树种。蒙古栎是一种常用的结构材料,也用于制造家具、机械和体育用品。静态弯曲的弹性模量(MOE)是蒙古栎最重要的力学性能之一。根据 MOE 的特点,可以多种方式使用,也可以根据 MOE 制作成不同种类的产品,因此对 MOE 的检测不仅可以达到最佳的使用效果,而且可以保证工程的安全使用。然而,传统的检测木材力学性能的方法大多是破坏性的、耗时的[1]。虽然得到的结果是准确的,但检测后的试件往往不再具有使用价值,造成很大的浪费。而且不可能检测到所有的产品,也不能保证产品的质量达到要求。因此,研究人员建议采用无损检检技术来测定木材的力学性能。 近红外光谱(NIR)是一种非侵入性分析、高可靠性、无污染的测定材料不同性质的方法。近红外光谱主要反映了 C-H、N-H、O-H等氢自由基的二次谐波产生和共频吸收。不同基团的近红外吸收峰有明显差异。近红外光谱具有丰富的结构信息,可用于有机物质[2]的测 定。许多学者对 NIR 光谱进行了研究,以确定木材的各种性质,如含水量[3]、干燥应力水平[4]、基本密度[5]。近年来,近红外光谱技术在木材力学性能的测定方面得到了广泛的研究。例如, Schimleck 等人检验了 NIR 光谱来估计 MOE 和断裂模量(MOR),使用从几种松树中获得的透明木材样本;结果表明,从径向面和横向面采集的近红外光谱提供了类似的校正统计量[6]。 Todorovic,等人预测热改性山毛榉木材的弯曲性能的红心材和边材光谱从边材的结果,在大多数模型,比红心材的光谱[7]。 Acquah 等人通过利用 NIR 光谱[8]估算出优质棒棒松科的力学性质和基本密度,将树木育种程序纳入其中,以进一步提高木材质量。 光谱分析方法主要集中在预处理方法、特征优化和预测模型的建立。Andrade等人在固体样品[9]的光谱中使用乘法散点相关对光谱进行预处理,预测 MOE 和散射光效应。Liang等人利用后向区间偏最小二乘和遗传算法从原始光谱中提取特征波长对模型进行标定,消除了光谱的噪声和低信息区域,提高了模型[10]的预测能力。在利用近红外光谱分析和预测木材性质时,使用的模型大多是线性的,如主成分回归、多元线性回归和偏最小二乘回归(PLSR)。与其他线性回归方法相比, PLSR 的预测效果常常更好。因此,偏微分方程已成为近红外光谱定量分析的主要线性建模方法。此外,在近红外光谱中应用了一些非线性建模方法,如反向传播神经网络[12]和支持向量机[13]。近红外光谱与化学计量分析方法相结合,具有不破坏的特点,能有效预测木材的力学性能,具有广阔的应用前景。 因此,本研究的目的是研究和建立一种新的方法,结合化学计量学分析,利用近红外光谱对蒙古栎的静态弯曲进行 MOE 的定量分析和测定。本文将着重从以下三个方面:(1)揭示蒙古栎的非缺陷标本的 NIR 光谱与 MOE 之间的关系;(2)探索一种有效的特征波长提取方法,选择近红外光谱数据的闭合相对信息;(3)建立了蒙古栎静态弯曲运动模型,并对模型的预测能力进行了评价。 2.材料和方法 2.1.样品制备 实验中所使用的木木材取自中国黑龙江省武昌市林业局昌河林场。44岁的地理坐标是37°44°47'~ N,27°35’~127°55'e.平均海拔为350米。这个地区的气候是温带大陆性季风气候,年温度范围从35°--34°,导致的解冻期125天。年降水量和年蒸发量分别为750毫米和340毫米。在森林农场的栎属蒙古科植物区,从高到低沿地形收集了三组树木。每组4棵树,取12棵样本树。按照中国国家标准,““一般要求的木材物理力学测试(GB1927~1943-2009)”,尺寸的木材被切成小的标本 300毫米(L)×20毫米(T)×20毫米(R)。125标本没有缺陷选择和编号从1到125。这些标本在恒温恒湿条件下保存;将培养箱的含水量调整为12%。在实验室进行了近红外光谱扫描和力学性能测试。温度是22±1°C,平均相对湿度为50%。 2.2. 近红外光谱测量 在这项工作中,用于样品光谱测量的设备是一种波导式 NIR 光纤光谱仪,,由德国 INSION公司研发(上海昊量光电设备有限公司提供销售和服务)。该光谱仪利用两个分叉光纤探头扫描样品表面的漫反射光谱。波长范围从900到1900nm,光谱分辨率为 16nm。学者和研究人员发现1100~1700纳米的光谱学包含了可以用来分析和预测木材性质的重要信息[7,14]。扫描标本前,将光谱仪预热10分钟,用商用PTFE (参考白板)进行校准。然后获得了样本的光谱。使用 SPEC view 7.1 软件(INSION 公司提供)收集近红外光谱数据,以 Excel 的形式输出,每个光谱平均需要30次扫描。光谱测量的过程如图1所示。 图1所示:光谱测量图 由于木材生长特性的不同,在每一个径向平面和每一个切向平面上通过移动探针均匀地采集9个光谱。36个光谱(18个从径向平面和18个切向平面)被平均到一个单一光谱来表示它们属于的标本。图2展示了样品的平面分布和光谱采集点。 图2:样品的光谱采集点 2.3.静力弯曲过程中MOE 的含量测定 本实验采用木材综合力学试验机对试件静力弯曲模量进行测定,参照中国国家标准《木材静力弯曲弹性模量测定方法(GB/T 1936.2-2009)》的步骤和规范。所有试样均以均匀速度(10mm /min)沿切向加载,直至破裂(每个试样2-3min),以确定木材的 MOE。 MOE 的计算结果如式(1): P为上下极限荷载的差值,1为加载点的跨度,b为试件的宽度,h 为试件的高度,f为加载过程中试件中间的变形值。 2.4..使用改进的 Kennard-Stone 方法进行标定集和预置集划分 为了保证预测模型的适用性和稳定性,校准集和预测集的比值一般在2:1 到 4:1之间。然而,随机集划分通常使定标集[15]不具有代表性。根据光谱差异, Kennard-Stone (K-S)方法可以将最大的不同样本放入校准集,并将闭合样本放入预测集,确保校准集的完整性和代表性[16,17]。由于传统 K-S 算法计算的是高维空间样本池中任意两个样本之间的欧式距离,计算量非常大。因此,通过改进K-S 的距离公式对 K-S 算法进行了优化。K-S 算法在样本选择过程中使用的欧式距离被归一化的欧式距离所代替,提高了计算效率。改进 K-S 法计算样本光谱距离的公式如式(2)所示: 其中 xp(j)和 xq(j)分别为样本p和q在j波长处的吸光度, m 为光谱中波长的个数,n为样本总数。 本研究选择标定集与预测集之比为2:1。 2.5.近红外光谱的预处理 在获取实验样品的近红外光谱数据的过程中,光散射、高频随机噪声等噪声必然是由光谱仪本身或环境造成的。噪声影响了建模效果和预测精度。因此,在建立 NIR 光谱与样品力学性能关系的分析模型之前,需要对原始数据进行预处理。本文研究的预处理方法有乘法散点相关(MSC)、Savitzky-Golay (SG)平滑滤波和微分滤波。 利用 MSC 补偿光谱数据的色散效应,减少基线漂移的发生。用 MSC 校正各光谱的散射,得到理想的光谱[18]。SG 平滑,也称为多项式平滑,能够消除高频噪声,消除可能的重叠峰,并校正光谱基线[19]。SG平滑与微分滤波通过多项式对移动窗口中的数据进行最小二乘拟合,使得平滑效果随窗口大小的选择而变化。此外,利用 SG 滤波和微分滤波预处理后的光谱轮廓和吸收峰更加清晰和明显,对前一光谱进行了第一次导数运算。因此,采用 MSC结合 SG 卷积滤波和微分滤波对样本进行预处理。 2.6.提取特征光谱 光谱数据中存在大量冗余信息,不仅增加了计算复杂度,而且降低了模型的预测精度。因此,有必要在光谱中消除除信息的波长,而非相关的 MOE 信息。这个过程被称为特征谱提取。整个过程包括两个步骤:(1)协同区间部分最小二乘(SiPLS)的最佳光谱区间选择;(2)连续投影算法的特征波长选择。 2.6.1. SiPLS SiPLS 是 Norgaard[20,21]提出的区间偏最小二乘(iPLS)的进一步改进。 SiPLS 的基本原理是:首先将全频谱划分为 N 个较小的等距子区间;其次,利用 m 个子区间建立偏最小二乘回归模型;最后,以交叉验证的最小均方根误差最小的子区间谱组合,其[22]性能较好。 2.6.2. SPA SPA 通过向量投影分析找到包含冗余信息最低的变量集,并最小化变量之间的共线性。SPA 从实验样本的原始光谱中选取了几组强代表性变量,其中包含了大部分的光谱信息。它还消除了光谱变量中的冗余和重复信息,提高了模型的预测能力[23,24]。这里总结了主要的程序:设置了变量 N 的最大值,从每个变量开始, SPA 产生了 N 个变量的选择集 M(总变量个数)。在多元线性回归校正的验证集[25]中,最优初始变量和变量个数可以根据预测的最小均方根误差确定。 2.7.模型评价标准 采用几种常用的统计方法[26]对模型的质量进行评估:确定系数(校准集的rc、预测集的rp)、交叉验证的标准误差(SECV)、预测的均方根误差(RMSEP)和性能与偏差的比值(RPD)。交叉验证的类型是 leave- out -one-out RPD, 即预测集真值标准差(SD)的商和预测集 RMSEP的商。最终模型的选择是基于其可预测性,遵循已经成功应用[27]的过程。,一般来说,一个好的模型应该具有较高的 rc、 rp 和 RPD 值,而 RMSEC 和 RMSEP 值较低。 3.结果与讨论 3.1. MOE 和数据集分区的测定 125个标本的 MOE 从 10.43 GPa 到 19.25 GPa不等。用改进的 K-S 法将样本分为校正集和预测集,用MATLAB 进行 K-S 法。这两组的比值为2:1,即将84个试件放入标定集,41个试件放入预测集,集合的划分如表1所示。表2显示了两组的 MOE 的统计值。 表1:改进的K-S方法对集划分的结果进行了分析。 Sample Set Serial Number of Samples 2 3 4 6 9 11 12 15 16 17 18 19 20 21 22 23 25 26 27 28 29 30 32 35 36 37 40 41 43 44 45 47 48 49 50 52 53 54 56 60 63 64 Calibration set 66 67 69 72 74 75 76 77 78 79 80 82 83 84 85 86 87 88 92 93 94 95 96 97 98 100 101 104 105 106 107 108 111 112 113 114 115 118 120 122 123 125 1 5 7 8 10 13 14 24 31 33 34 38 39 42 46 51 55 57 58 59 61 Prediction set 62 65 68 70 71 73 81 89 90 91 99 102 103 109 110 116 117 119 121 124 表2:从校正和预报集统计抗压强度。 Samples Maximum (GPa) Minimum (GPa) Mean (GPa) Standard Deviation (GPa) Calibration set (n=84) 19.25 10.43 16.00 3.05 Prediction set (n=41) 18.96 11.22 16.41 2.23 3.2.样品的近红外光谱和光谱预处理 采集了125个样本的近红外光谱,波长从907纳米到1864纳米不等。波长变量的采样点个数为117,所有标本的原始光谱如图3所示。 图3:原始光谱的样本 利用 MSC 对原始光谱进行预处理,结合 SG 卷积滤波和微分滤波。预处理的结果如图4所示。从图 4a可以看出, MSC 对原始光谱进行校正后,散射光的影响因素减弱,预处理后的光谱聚集程度增强。此外,变化趋势更加均匀。然而,光谱吸收峰并不明显,信息强度仍然很低。因此,采用了 SG 卷积滤波和微分滤波。它不仅消除了高频噪声的影响,而且消除了环境变化引起的基线偏移。SG 卷积平滑算法的窗口大小一般选择为5、7、9、11和13。实验结果表明,预处理效果最好,窗宽为11,多项式阶为3。 MSC 预处理后的光谱与 SG 卷积平滑与微分滤波的结合如图4b所示。图4b推断原始光谱的问题;预处理后解决了散射光、基线漂移、高频噪声等问题,增强了光谱信息。 (a) (b) 图4:预处理谱:(a) MSC 预处理谱;(b)MSC 联合 SG 卷积滤波与微分滤波预处理。 3.3.征征光谱选择 3.3.1. SiPLS 选择的最佳光谱间隔 在本研究中,标本的全光谱(907~1864nm)分为5、6、…、15个间隔和2、3或4个子间隔。通过充分的交叉验证,优化间隔和 PCs 个数的最优组合,并根据最小RMSECV 确定。1在本研究中,最优光谱间隔是将光谱分成10个子区间时的4个子区间的组合。表3给出了选定的最优光谱子区间的结果,图5展示了对应于最优次区间的光谱区域,即,915.09~1005.2 nm, 1309.4~1400.1 nm, 1499.2~1581.9 nm, 1681.3~1764.3nm。 表3::选择最优谱次区间的结果。 Number of Intervals PCs Selected Subintervals RMSECV 5 8 [1351 1.439 6 7 1236 1.431 7 6 15791 1.354 8 8 |1671 1.388 9 8 12681 1.355 10 6 15791 1.354 11 7 128101 1.374 12 8 129111 1.360 13 6 1169111 1.387 14 7 17 10121 1.388 15 7 17 12 131 1.389 图5: SiPLS选择的最佳光普间隔 3.3.2. 由 SPA 选择的特性波长 经过 SiPLS 的最佳光谱间隔选择后,波长的数目从117减少到46。46个变量的编号从1到46。然后用 SPA 从46个变量中选择特征波长。图 6a显示了不同变量的数量与均方根误差(RMSE)之间的关系。在增加变量数量的过程中, RMSE 的值显著降低。当变量数为5时,RMSE 的值最小,为1.3152。然而,当选择的变量继续增加时, RMSE 会上升。选择的变量有14、19、25、33和41。最终选择的波长在一个原始光谱中的分布如图 6b所示。由 SPA 选择的最终特征波长为 1317.6 nm, 1358.8 nm, 1499.2 nm, 1565.36 nm, 1722.78 nm。 根据 Ref[28],这五个波长在 NIR 光谱范围内,这将揭示 NIR 光谱与树脂、纤维素、木质素和半纤维素之间的关系。由于木材中这些有机成分的含量与木材的物理性质有直接的联系,因此这些特征波长中的信息可以用来间接地确定木材的运动。 图6: SPA的特征波长选择结果:(a) RMSE 与 SPA 的变化;(b)最终选定的波长 3.4.预测模型的分析 实验采用了标定组的特征波长来建立标定模型。偏最小二乘回归(PLSR)是近红外光谱定量分析的主要线性建模方法,因此本文利用该方法分析了近红外光谱与样品 MOE 的关系。另一方面,也选择了广泛应用的非线性模型 -传播神经网络(BPNN)来预测木材的运动。表4展示了 PLSR 和 BPNN 预测效果的对比。可以得出 BPNN比 PLSR具有更好的预测性能,PLSR 的 rp 为 0.91,RMSEP 为0.76。此外, BPNN 的 RPD在2.5~3.0之间,表明该模型满足定量预测的需要[26]。实验结果表明, BPNN 能够对蒙古栎标本的 MOE 进行无缺陷的定量分析和预测。图7显示了以 BPNN 为预测模型的皮皮素的测定与预测之间的关系。图7显示了校准集中高、低 MOE 值的清晰分离;这是因为为了确保完整性和代表性的校准,提高钴把最大不同样品的校准设置和关闭到预测集样品,并带领的标本数量 MOE MOE 高价值和低价值超过别人。 表4:校准模型结果与 PLSR 和 BPNN的比较 Types of model rc RMSEC SECV p RMSEP RPD PLSR 0.90 1.35 1.34 0.84 1.08 2.06 BPNN 0.94 1.00 1.04 0.89 0.76 2.93 (a) (b) 图7:(a)定标集和(b)预测集中蒙古栎实测和预测 MOE 的关系。 4.结论 本研究揭示了无缺陷的蒙古栎样品的近红外光谱与 MOE 的关系。利用近红外光谱建立了样品 MOE 无损检测的定量分析模型。根据实验结果,可以得出以下结论: (1)改进的 K-S 方法可以使样本分布均匀,保证标定集分布广泛。 (2)通过对 MSC 和 SG 滤波进行预处理,光谱总体变化趋势更加一致,光谱轮廓更加清晰。吸收峰更明显。当 SG 窗尺寸为11时,预处理效果最好。 (3] SiPLS 结合 SPA 可以提取出与蒙古栎最接近的特征波长。它减少了原始数据的维数,减少了计算量,降低了建模过程的复杂性。 (4)与预测结果相比较,BPNN 利用特征波长来建立标定模型,较好地预测了样品的 MOE.BPNN 的 rp、 RMSEP 和 RPD 分别为 0.91、0.76和2.93。模型的定量预测效果可以满足实际工业活动的需要。 作者的贡献 在本研究中,梁浩和赵燕东构思并设计了实验;张猛和高超进行实验;梁浩、高超分析数据;梁浩和赵燕东写了这篇论文。 资金 本研究由中央高校基础研究经费(资助号[2015ZCQ-GX-04]和[BLX2017017])、国家重点研究开发项目(资助号[2017YFD0600901])和北京市科委(资助号[z161100000916016012])资助。 本文提出了一种利用近红外光谱法测定木材静态弯曲弹性模量的无损方法。从东北生长的蒙古栎木材中获得木材标本。采用光谱范围为900~1900 nm的单片NIR光纤光谱仪获得了样品的insion超紧凑近红外光谱仪。insion超紧凑近红外光谱仪对试样的原始光谱进行了乘法散射相关性和Savitzky-Golay滤波和微分滤波预处理。
还剩8页未读,是否继续阅读?
上海昊量光电设备有限公司为您提供《蒙古栎中静态弯曲弹性模量的无损检测方案(近红外光谱仪)》,该方案主要用于其他中静态弯曲弹性模量的无损检测,参考标准--,《蒙古栎中静态弯曲弹性模量的无损检测方案(近红外光谱仪)》用到的仪器有