高级检索

ISSN1001-3806CN51-1125/TN 网站地图

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

利用高光谱激光雷达检测木材的霉变与含水量

刘璐 邵慧 孙龙 陈杰 徐恒 胡玉霞 肖晓

引用本文:
Citation:

利用高光谱激光雷达检测木材的霉变与含水量

    作者简介: 刘璐(1998-), 女, 硕士研究生, 现主要从事激光雷达信号处理的研究.
    通讯作者: 邵慧, shaohui@ahjzu.edu.cn
  • 基金项目:

    安徽省高校省级自然科学研究项目 KJ2020A0471

    安徽省古建筑智能感知与高维建模国际联合研究中心主任基金资助项目 GJZZX2021ZR02

    安徽省科技厅面上项目 2008085MF182

    安徽省高校协同创新项目 GXXT-2021-028

    安徽省高校省级自然科学研究项目 KJ2021A0622

    安徽省高校省级自然科学研究项目 KJ2021JD16

  • 中图分类号: TP721.2

Detection of mildew and moisture content in timber by hyperspectral LiDAR

    Corresponding author: SHAO Hui, shaohui@ahjzu.edu.cn ;
  • CLC number: TP721.2

  • 摘要: 为了快速无损地检测评估木材的霉变及含水量, 利用高光谱激光雷达系统主动获取木材的高光谱数据, 设计了一种分析霉变特征并建立含水量预测模型的方法。首先选取白松为样本, 进行时长为4个月的间隔性测量, 分析其霉变发生发展过程(正常、潮湿和霉变状态)的光谱特征变化; 然后在分析样本不同含水量光谱特性的基础上, 采用竞争性自适应重加权采样算法、连续投影算法及竞争性自适应重加权采样-连续投影组合算法提取特征波长; 最后分别建立偏最小二乘回归预测模型。结果表明, 正常状态的光谱反射率最高而霉变状态最低; 当霉变状态稳定时, 光谱反射率随时间变化缓慢并趋于稳定; 基于竞争性自适应重加权采样-连续投影组合算法建立的模型预测性能最佳, 预测集的相关系数和均方根误差分别为0.9073和0.7564。利用高光谱激光雷达主动获取的高光谱信息可以评估木材的霉变并实现含水量预测, 为木质建筑的快速无损检测提供了新思路。
  • 图 1  实验设备

    Figure 1.  Experimental device

    图 2  HSL与地物光谱仪反射率对比

    Figure 2.  Reflectance comparison between HSL and spectrometer

    图 3  霉变样本

    a—第3次测量(霉变初步形成) b—第4次测量(霉变充分发展)

    Figure 3.  Moldy sample

    a—the third measurement(initial formation of mildew) b—the fourth measurement (full development of mildew)

    图 4  6次测量的光谱反射率曲线

    Figure 4.  Spectral reflectance curves of six measurements

    图 5  同一白松样本不同含水量的光谱反射率

    Figure 5.  Spectral reflectance of the same white pine sample with different moisture content

    图 6  CARS选择特征波长

    Figure 6.  Feature wavelength selection based on CARS

    图 7  SPA选择特征波长

    Figure 7.  Feature wavelength selection based on SPA

    图 8  CARS-SPA选择特征波长

    Figure 8.  Feature wavelength selection based on CARS-SPA

    表 1  样本集划分及含水量

    Table 1.  Sample set division and moisture content

    data set number of samples moisture content Mc/%
    maximum minimum average
    calibration set 200 97.3527 8.3792 48.8346
    prediction set 100 94.6487 11.6189 48.4146
    下载: 导出CSV

    表 2  不同特征波长选择算法的PLSR模型预测结果

    Table 2.  PLSR prediction results based on different feature wavelength selection algorithms

    model number of wavelengths calibration set prediction set
    Rc2 RMSEC Rp2 RMSEP
    FSR-PLSR 72 0.8916 0.8223 0.8822 0.8054
    SPA-PLSR 23 0.8521 0.9514 0.8698 0.8913
    CARS-PLSR 53 0.8915 0.8987 0.9085 0.7787
    CARS-SPA-PLSR 22 0.8974 0.7903 0.9073 0.7564
    下载: 导出CSV
  • [1]

    KIM Y J, PARK S. Tectonic traditions in ancient chinese architecture, and their development[J]. Journal of Asian Architecture & Building Engineering, 2017, 16(1): 31-38.
    [2]

    MVONDO R, MEUKAM P, JEONG J, et al. Influence of water content on the mechanical and chemical properties of tropical wood species[J]. Results in Physics, 2017, 7: 2096-2103. doi: 10.1016/j.rinp.2017.06.025
    [3]

    WANG X P, TEDER M, WACKER J. Condition assessment of the timber structures of a century-old industrial building using a nondestructive inspection procedure[J]. Advanced Materials Research, 2013, 778: 840-848. doi: 10.4028/www.scientific.net/AMR.778.840
    [4]

    ROSS R J, WANG X P, SENALIK C A, et al. Nondestructive assessment of wood members from a historic viewing tower[J/OL]. [2022-08-15]. https://doi.org/10.2737/FPL-RN-349.
    [5]

    ROSS R J, WANG X P, SENALIK C A, et al. Nondestructive assessment of wood members in a viewing tower in Potawatomi State Park[J/OL]. [2022-08-15]. https://doi.org/10.2737/FPL-RN-366.
    [6]

    BENI S, MAcCHIONI N, MANNUCCI M, et al. First trials for a microwave reflectometric tool to survey decay in historic timber structures[J]. International Journal of Architectural Heritage, 2015, 9(5/8): 665-673.
    [7]

    BERTOLIN C, FERRI L D, GROTTESI G, et al. Study on the conservation state of wooden historical structures by means of acoustic a-ttenuation and vacuum microbalance[J]. Wood Science and Technology, 2020, 54: 203-226. doi: 10.1007/s00226-019-01150-8
    [8]

    BURUD I, GOBAKKEN L R, FLØ A, et al. Hyperspectral imaging of blue stain fungi on coated and uncoated wooden surfaces[J]. International Biodeterioration & Biodegradation, 2014, 88: 37-43.
    [9]

    OSAWA T, MAEDA K, TSUNETSUGU Y, et al. Influence of surface checks on wood moisture content during wetting and re-drying[J]. European Journal of Wood and Wood Products, 2019, 77(4): 681-689. doi: 10.1007/s00107-019-01423-w
    [10]

    KOBORI H, GORRETTA N, RABATEL G, et al. Applicability of VIS-NIR hyperspectral imaging for monitoring wood moisture content (MC)[J]. Holzforschung, 2013, 67(3): 307-314. doi: 10.1515/hf-2012-0054
    [11]

    CHEN J, LI G. Prediction of moisture content of wood using modified random frog and Vis-NIR hyperspectral imaging-sciencedirect[J]. Infrared Physics & Technology, 2020, 105: 1350-4495.
    [12]

    SHAO H, CHEN Y, YANG Z, et al. Feasibility study on hyperspectral LiDAR for ancient Huizhou-Style architecture preservation[J]. Remote Sensing, 2022, 15: 729-738.
    [13] 邵慧, 撒贝宁, 李伟, 等. 一种适用于古建筑建模的全波形高光谱激光雷达设计与实现[J]. 红外与激光工程, 2022, 51(8): 197-206.

    SHAO H, SA B N, LI W, et al. A design and implementation of full-waveform hyperspectral LiDAR for ancient architecture modeling[J]. Infrared and Laser Engineering, 2022, 51(8): 197-206(in Chinese). 
    [14]

    SHAO H, CAO Z, LI W, et al. Feasibility study of wood-leaf separation based on hyperspectral LiDAR technology in indoor circumstances[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 729-738. doi: 10.1109/JSTARS.2021.3134651
    [15] 中华人民共和国国家质量监督检验检疫总局中国国家标准化管理委员会. 木材含水率测定方法: GB/T 1931-2009[S]. 北京: 人民出版社, 2009: 1-8.

    GENERAL ADMINISR TRATIO OF QUALITY SUPERVISION, INSPECTION AND QUARANTIN OF THE PEOPEL'S REPUBLIC OF CHINA, STANDARDIZATION ADMINISTRATION OF THE PEOPEL'S REPUBLIC OF CHINA. Method for determination of the moisture content of wood: GB/T 1931-2009[S]. Beijing: People's Publishing House, 2009: 1-8(in Chinese).
    [16] 强锋, 王芹志, 何建国, 等. 基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究[J]. 现代食品科技, 2017, 33(4): 283-288.

    QIANG F, WANG Q Zh, HE J G, et al. Application of VIS/NIR hyperspectral imaging technology in non-destructive measurement of soluble solid content in Lingwu jujube[J]. Modern Food Science and Technology, 2017, 33(4): 283-288(in Chinese). 
    [17] 黄平捷, 李宇涵, 俞巧君, 等. 基于SPA和多分类SVM的紫外-可见光光谱饮用水有机污染物判别方法研究[J]. 光谱学与光谱分析, 2020, 40(7): 2267-2272.

    HANG P J, LI Y H, YU Q J, et al. Classification of organic contaminants in water discrimination systems developed by SPA and multi-classification SVM using UV-VIS spectroscopy[J]. Spectroscopy and Spectral Analysis, 2020, 40(7): 2267-2272(in Chinese). 
    [18] 欧阳爱国, 蔡会周, 李斌, 等. 玉米粉中苯甲酸的太赫兹光谱定量检测研究[J]. 激光技术, 2020, 44(4): 478-484.

    OUYANG A G, CAI H Zh, LI B, et al. Quantitative detection of benzoic acid in corn flour by terahertz spectroscopy[J]. Laser Technology, 2020, 44(4): 478-484(in Chinese). 
    [19] 孙静涛, 马本学, 董娟, 等. 高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究[J]. 光谱学与光谱分析, 2017, 37(7): 2184-2191.

    SUN J T, MA B X, DONG J, et al. Study on maturity discrimination of Hami Melon with hyperspectral technology combined with characteristic wavelengths selection methods and SVM[J]. Spectro-scopy and Spectral Analysis, 2017, 37(7): 2184-2191(in Ch-inese). 
    [20] 王开铸, 田建平, 孙婷, 等. 大曲酸度值的快速预测模型及方法研究[J]. 中国酿造, 2020, 39(8): 123-127.

    WANG K Zh, TIAN J P, SUN T, et al. Rapid prediction model and method of Daqu acidity value[J]. China Brewing, 2020, 39(8): 123-127(in Chinese). 
    [21] 陈远哲, 王巧华, 高升, 等. 基于近红外光谱的淡水鱼贮藏期质构品质的无损检测模型[J]. 激光与光电子学进展, 2021, 58(12): 1230001.

    CHEN Y Zh, WANG Q H, GAO Sh, et al. Nondestructive testing model for textural quality of freshwater in storage using near-infrared spectroscopy[J]. Laser & Optoelectronics Progress, 2021, 58(12): 1230001(in Chinese). 
    [22]

    CHEN B, SHI S, CHEN B, et al. True color 3D imaging optimization with missing spectral bands based on hyperspectral LiDAR[J]. Optics Express, 2021, 20(13): 20406-20422.
    [23] 中华人民共和国国家质量监督检验检疫总局中国国家标准化管理委员会. 原木检验: GB/T 144-2013[S]. 北京: 中国标准出版社, 2013: 1-16.

    GENERAL ADMINISR TRATIO OF QUALITY SUPERVISION, INSPECTION AND QUARANTIN OF THE PEOPEL'S REPUBLIC OF CHINA, STANDARDIZATION ADMINISTRATION OF THE PEOPEL'S REPUBLIC OF CHINA. Log inspection: GB/T 144-2013[S]. Beijing: Standards Press of China, 2013: 1-16(in Chinese).
  • [1] 汪慧民邵慧孙龙李伟王程陈杰朱家兵 . 基于高光谱激光雷达的绿萝叶绿素3维重建. 激光技术, 2023, 47(5): 708-715. doi: 10.7510/jgjs.issn.1001-3806.2023.05.020
    [2] 薛芳谭勇邬志强王玉诏 . 基于激光遥感的酒驾遥感探测技术研究. 激光技术, 2019, 43(1): 93-97. doi: 10.7510/jgjs.issn.1001-3806.2019.01.019
    [3] 郝晓剑孙永凯 . 激光诱导击穿光谱用于煤中多元素同步检测. 激光技术, 2020, 44(1): 119-124. doi: 10.7510/jgjs.issn.1001-3806.2020.01.021
    [4] 宗蓉郭伟仲凌志 . 毫米波雷达和激光雷达探测云边界的对比分析. 激光技术, 2016, 40(2): 171-177. doi: 10.7510/jgjs.issn.1001-3806.2016.02.005
    [5] 何艳坤白玉杰 . 基于残差偏置和查找表的高光谱图像无损压缩. 激光技术, 2014, 38(5): 643-646. doi: 10.7510/jgjs.issn.1001-3806.2014.05.014
    [6] 刘翠连陶于祥罗小波李青妍 . 混合卷积神经网络的高光谱图像分类方法. 激光技术, 2022, 46(3): 355-361. doi: 10.7510/jgjs.issn.1001-3806.2022.03.009
    [7] 齐永锋马中玉 . 邻域谱概率协同表示的高光谱图像分类方法. 激光技术, 2019, 43(4): 448-452. doi: 10.7510/jgjs.issn.1001-3806.2019.04.003
    [8] 范琪朱晓林周鼎富周杰罗雄陈春利童文皓杨泽后 . 激光测风雷达分析典型高原机场风场特征. 激光技术, 2020, 44(5): 525-531. doi: 10.7510/jgjs.issn.1001-3806.2020.05.001
    [9] 孙越娇雷武虎胡以华赵楠翔任晓东 . 基于视觉显著模型的遥感图像舰船快速检测. 激光技术, 2018, 42(3): 379-384. doi: 10.7510/jgjs.issn.1001-3806.2018.03.017
    [10] 吴建军李磊方平凯孟小前谭均铭 . 电力巡线直升机激光扫描数据的高效组织与显示. 激光技术, 2019, 43(3): 318-323. doi: 10.7510/jgjs.issn.1001-3806.2019.03.006
    [11] 方俊龙郭宝峰沈宏海杨名宇 . 一种改进的基于自动形态学的端元提取算法. 激光技术, 2017, 41(1): 106-112. doi: 10.7510/jgjs.issn.1001-3806.2017.01.022
    [12] 王晓维梁应剑李翔龙彦志梅运桥 . 基于光学多普勒频移的低空速测量方法研究. 激光技术, 2016, 40(5): 629-632. doi: 10.7510/jgjs.issn.1001-3806.2016.05.003
    [13] 王琪杨桄张俭峰向英杰田张男 . 结合K-L散度和互信息的无监督波段选择算法. 激光技术, 2018, 42(3): 417-421. doi: 10.7510/jgjs.issn.1001-3806.2018.03.024
    [14] 张昌赛刘正军杨树文左志权 . 基于LiDAR数据的布料模拟滤波算法的适用性分析. 激光技术, 2018, 42(3): 410-416. doi: 10.7510/jgjs.issn.1001-3806.2018.03.023
    [15] 吴香伟郭宝峰陈春种沈宏海 . 基于加权组合核RX算法异物检测及其参量选择. 激光技术, 2015, 39(6): 745-750. doi: 10.7510/jgjs.issn.1001-3806.2015.06.003
    [16] 何宁谭智诚吕杏利蒋红艳 . 基于语音识别控制的激光超声水下遥感研究. 激光技术, 2017, 41(3): 391-395. doi: 10.7510/jgjs.issn.1001-3806.2017.03.017
    [17] 鲍鸿曾海涛白玉磊胡忠向志聪周延周申作春 . 基于概率密度最小二乘拟合的叶片后缘轮廓. 激光技术, 2016, 40(4): 555-559. doi: 10.7510/jgjs.issn.1001-3806.2016.04.021
    [18] 欧江霞刘伟诚 . 基于IGGⅢ方案的加权总体最小二乘点云球面拟合. 激光技术, 2017, 41(5): 749-753. doi: 10.7510/jgjs.issn.1001-3806.2017.05.026
    [19] 罗义军尹棋李劲 . 基于递推最小二乘算法的光纤振动定位系统. 激光技术, 2020, 44(2): 161-166. doi: 10.7510/jgjs.issn.1001-3806.2020.02.004
    [20] 韩万鹏蒙文李云霞李大为 . 双振镜扫描的最小二乘与网格法混合校正模型. 激光技术, 2012, 36(2): 179-182,187. doi: 10.3969/j.issn.1001-3806.2012.02.008
  • 加载中
图(8) / 表(2)
计量
  • 文章访问数:  1749
  • HTML全文浏览量:  1092
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-19
  • 录用日期:  2022-10-15
  • 刊出日期:  2023-09-25

利用高光谱激光雷达检测木材的霉变与含水量

    通讯作者: 邵慧, shaohui@ahjzu.edu.cn
    作者简介: 刘璐(1998-), 女, 硕士研究生, 现主要从事激光雷达信号处理的研究
  • 1. 安徽建筑大学 电子与信息工程学院, 合肥 230601
  • 2. 安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心, 合肥 230601
基金项目:  安徽省高校省级自然科学研究项目 KJ2020A0471安徽省古建筑智能感知与高维建模国际联合研究中心主任基金资助项目 GJZZX2021ZR02安徽省科技厅面上项目 2008085MF182安徽省高校协同创新项目 GXXT-2021-028安徽省高校省级自然科学研究项目 KJ2021A0622安徽省高校省级自然科学研究项目 KJ2021JD16

摘要: 为了快速无损地检测评估木材的霉变及含水量, 利用高光谱激光雷达系统主动获取木材的高光谱数据, 设计了一种分析霉变特征并建立含水量预测模型的方法。首先选取白松为样本, 进行时长为4个月的间隔性测量, 分析其霉变发生发展过程(正常、潮湿和霉变状态)的光谱特征变化; 然后在分析样本不同含水量光谱特性的基础上, 采用竞争性自适应重加权采样算法、连续投影算法及竞争性自适应重加权采样-连续投影组合算法提取特征波长; 最后分别建立偏最小二乘回归预测模型。结果表明, 正常状态的光谱反射率最高而霉变状态最低; 当霉变状态稳定时, 光谱反射率随时间变化缓慢并趋于稳定; 基于竞争性自适应重加权采样-连续投影组合算法建立的模型预测性能最佳, 预测集的相关系数和均方根误差分别为0.9073和0.7564。利用高光谱激光雷达主动获取的高光谱信息可以评估木材的霉变并实现含水量预测, 为木质建筑的快速无损检测提供了新思路。

English Abstract

    • 木质建筑是中国传统建筑类型之一,其主体框架构件使用木材作为材料[1]。木材具有强吸湿性,长期处于湿润状态容易滋生真菌引起木材发生霉变甚至腐烂,降低了建筑的稳定性、安全性和机械强度等结构性功能[2]。因此,准确评估木材状态可以为建筑健康检测、木构件修复更换和预防保护提供数据支持。

      目前,评估木材状态的主要方法为探测法,具体是指通过压力波对木材构件的木芯样本进行霉变检测,可实现木材严重霉变情况下的评估[3-5],但无法检测出木材的初始霉变状态。木材潮湿与正常状态下的不同介电常数值作为评估霉变初始状态的判定标准之一,主要检测方法是利用微波反射仪观察介电常数对反射系数的影响,实现霉变初始区域的预判[6-7],但该方法需专业人员进行操作且实验过程复杂。高光谱技术由于具有快速、无损、高效等特点,近年来应用广泛。BURUD等人利用高光谱相机对木材表面的霉菌进行种类判别和覆盖量量化[8],证实了利用高光谱信息检测木材霉变的可行性。含水量作为木材霉变的主要影响因素之一,若超过纤维饱和点就会增加木材感染真菌的风险,因此预测木材的含水量可以为进一步评估霉变初始状态提供帮助[9]。KOBORI等人利用可见-近红外高光谱成像技术预测木材在自然干燥过程中的含水量,通过全光谱反射率建立木材含水量的预测模型,表明高光谱成像技术在监测木材含水量方面具有很大潜力[10]。CHEN等人采用特征变量选择算法提取木材高光谱数据的有效波长,建立了更稳定高效的木材含水量预测模型[11]。但这些高光谱技术多数依赖被动光源(比如太阳、卤素灯),实验场景受到限制,不适用于建筑的现场检测评估。高光谱激光雷达(hyperspectral LiDAR,HSL)系统同时具有高光谱成像和激光雷达(light detection and ranging, LiDAR)探测的优点,可以主动探测目标获取光谱信息和空间信息,目前已被应用于古建筑保护领域,实现了木材构件材料种类和使用年限的分类[12-13],但将其应用于木材状态评估方面的研究较少。

      为准确检测评估木材的霉变与含水量,本文作者利用自研的101通道高光谱激光雷达系统主动获取光谱信息。首先利用地物光谱仪验证该系统光谱反射率的准确性,然后在实验室环境下利用HSL采集木材霉变发生发展过程的光谱信息,并获取木材不同含水量的光谱数据,分析木材正常、潮湿和霉变不同状态的光谱特征, 最后基于不同特征波长选择算法对木材含水量的光谱反射率进行特征波长提取,分别建立偏最小二乘回归模型并选出预测性能最佳的模型。

    • 实验中所使用的HSL系统的光谱范围为550 nm~1050 nm,光谱分辨率为5 nm。系统实物如图 1a所示,由发射单元、扫描控制单元和信号采集单元3个部分组成。通过超连续激光器主动发射宽谱段激光脉冲并利用声光可调谐滤波器在不同时刻发射出不同波长的激光信号。系统采用雪崩光电二极管和高速采集卡探测和记录回波信号,可同时获取目标的3维空间坐标和101个通道的全波形回波强度信息[13]

      图  1  实验设备

      Figure 1.  Experimental device

      由于该HSL系统是原型机,因此利用莱森i-SpecField-HH便携式手持地物光谱仪进行光谱准确性验证,如图 1b所示。其波段范围为300 nm~1100 nm,光谱分辨率为1 nm,固定光源选取功率为2500 W的卤素灯,镜头视场角为8°。

    • 样本取自安徽省黄山市某木质建筑修缮现场,为修复损伤木构件的替换木材,均为表面无杂质、无损伤、无虫眼的健康原木。种类分别为香樟、水曲柳和白松,将白松样本截断成大小为4 cm×3 cm×3 cm的木块。其中,香樟、水曲柳实验样本用于光谱准确性验证,白松样本用于木材的霉变发生发展过程的光谱变化特征分析和含水量预测。

    • 首先扫描前将样本置于距激光器5 m处,确保激光器射出的光源垂直入射被测样本,然后设置转台推扫间隔和扫描范围,对实验样本进行数据采集,最后在相同位置采集反射率为99%的漫反射参考白板的光谱数据。利用样本的回波信号强度响应数值和参考白板的回波信号强度响应数值,根据(1)式计算每个扫描点的光谱反射率[14]。HSL扫描一个点,即获得目标一组光谱数据。HSL测量的光谱反射率为:

      $ \rho_{\mathrm{t}}(\lambda)=\frac{f_{\mathrm{t}}(\lambda)}{f_{\mathrm{s}}(\lambda)} \cdot \rho_{\mathrm{s}}(\lambda) $

      (1)

      式中,λ表示波长,ρt(λ)表示目标物体的光谱反射率,ρs(λ)表示参考白板的光谱反射率,ft(λ)和fs(λ)分别表示目标物体和参考白板的回波信号强度响应数值。

      完成HSL数据采集后,立即用地物光谱仪对样本同一位置进行数据采集。镜头位于样本垂直上方15 cm处且测量过程中保持距离不变。由于地物光谱仪在工作时会产生暗电流,为消除其对测量数据的影响,每5 min左右采集一次暗电流。在测量实验样本之前先进行白板校正,每10 min左右测量一次白板作为对比参照。每测量一次,共采集5组光谱数据。

    • 根据国家现行标准[15],首先将30块白松样本浸没水中48 h以吸收充足水分,然后利用HSL采集每个样本的光谱数据,并立即使用精密电子分析天平(上海力辰邦西ES2055B,精度0.001 g)测其质量。随后将样本放入100 ℃的电热恒温干燥箱(上海精宏DHG-9001A),每隔30 min采集一次光谱数据和样本质量,重复10次,共采集300组样本数据。最后利用恒温干燥箱将所有白松样本烘干48 h至恒重(最后两次称量之差不超过实验样本质量的0.5%)。样本含水量由下式计算所得:

      $ M_{\mathrm{c}}(\%)=\frac{M_i-M_0}{M_0} \times 100 \% $

      (2)

      式中,Mc表示样本含水量,Mi表示第i次称重的样本质量,M0表示样本干重。

      以2 ∶1的比例随机选取200组数据作为校正集,预测集数量为100组,表 1为样本集划分结果。其中校正集Mc范围为8.3792% ~ 97.3527%,预测集Mc范围为11.6189% ~ 94.6487%,当校正集Mc范围大于预测集Mc范围时,有利于建立稳定的预测模型。

      表 1  样本集划分及含水量

      Table 1.  Sample set division and moisture content

      data set number of samples moisture content Mc/%
      maximum minimum average
      calibration set 200 97.3527 8.3792 48.8346
      prediction set 100 94.6487 11.6189 48.4146
    • 竞争性自适应加权采样算法(competitive adaptive reweighted sampling,CARS)基于蒙特卡洛采样结合偏最小二乘法,输入全光谱数据,选取重要性较大的波长,多次迭代得到多个不同波长子集,根据交叉验证选取均方根误差最小的波长子集[16]

    • 连续投影算法(successive projections algorithm,SPA)基于投影操作,对原始光谱矩阵进行投影,选取最大投影的向量作为特征波长,多次迭代后选取均方根误差最小的波长子集[17-18]

    • 竞争性自适应重加权采样-连续投影算法(CARS-SPA)组合算法首先通过CARS算法淘汰全光谱信息中的无关变量,然后再利用SPA对CARS初次选择的特征波长进行二次有效特征波长选择[19]

    • 偏最小二乘回归(partial least squares regression,PLSR)是一种用于定性或定量的建模方法[20],可建立光谱反射率与木材含水量之间的回归模型,实现光谱反射率对木材含水量的快速预测。

      为了评估PLSR模型性能,采用相关系数R2和均方根误差(root mean square error,RMSE)作为评价标准,R2和RMSE分别表示实验样本含水量真实值和预测值之间的决定系数和偏差,若模型的R2值越高,RMSE值越低,则预测精度越高[21]。其中,校正集均方根误差(root mean square error of calibration set,RMSEC)和预测集均方根误差(root mean square error of prediction set,RMSEP)分别用于评价模型不同数据集的预测精度,Rc2Rp2分别表示校正集和预测集的相关系数。

    • 图 2a图 2b分别表示香樟、水曲柳通过HSL和地物光谱仪所测得的光谱反射率曲线。为保证波长范围的一致性,地物光谱仪选取与HSL相同的光谱范围。

      图  2  HSL与地物光谱仪反射率对比

      Figure 2.  Reflectance comparison between HSL and spectrometer

      可以看出,两种仪器测量得到的光谱反射率曲线趋势大体一致,但在550 nm~595 nm和950 nm~1050 nm波段范围内差异较大,主要是由系统光电探测器件非线性效应造成的。在550 nm~595 nm区间内的输出能量较小且与峰值之间的能量相差很大,950 nm~1050 nm范围内的量子效率较低,影响了光谱信号的获取[22]。两者光谱反射率曲线在595 nm~950 nm区间内一致性较高,证明HSL测量的光谱数据是可靠的。为确保数据准确性,选取595 nm~950 nm作为后续实验数据的分析范围,波段数量为72。

    • 为分析木材霉变发生发展过程的光谱变化,在实验室环境下对同一块白松样本的同一区域进行4个月的间隔性光谱测量(实验室位于安徽省合肥市,经度:117.22505°,纬度:31.74178°)。7~9月正处江淮地区梅雨季节,木材易发生霉变,光谱测量时间分别为2021-07-10两个时间段、2021-07-19、2021-08-25、2021-09-26和2021-10-30。第1次测量的是未经任何处理的正常白松样本,然后将其浸没水中4 h,取出沥净后测其潮湿状态的光谱数据视为第2次光谱测量。随后将其继续浸没水中48 h至吸收足够水分,置于实验室无阳光照射的地砖上,待其自然生长成表面附霉菌状态。实验样本的霉变腐烂状态属于原木断面边腐[23],如图 3a所示,进行第3次测量;37 d后,样本表面霉菌状态如图 3b所示,进行第4次测量,黑色框内为光谱测量区域。第5、6次测量区域的霉菌全部呈现绿斑状。

      图  3  霉变样本

      Figure 3.  Moldy sample

    • 6次测量的光谱反射率如图 4所示。可见,正常和潮湿状态下的光谱曲线波形相似,但潮湿状态的光谱反射率在595 nm~950 nm波段范围内低于正常状态,这是因为两者之间木材的含水量不同,潮湿样本含有更多水分,其光谱反射率更低。当样本发生霉变后,光谱曲线发生明显变化,反射率在625 nm~800 nm区间很低,且随波长增加无明显上升趋势,从800 nm开始反射率随波长增加而上升。当霉菌颜色由白色变成绿色时(第3次测量到第4次测量),光谱反射率整体下降,但光谱曲线大致相同。对木材霉菌颜色发展成绿色时测量的第4、5、6次的光谱反射率进行比较分析,发现反射率无明显变化,这是因为霉菌为绿斑后呈稳定状态不再发展。

      图  4  6次测量的光谱反射率曲线

      Figure 4.  Spectral reflectance curves of six measurements

    • 为进一步分析光谱与木材含水量之间的关系,实验中选取30块大小一样的白松样本,分别获取每个样本10组不同含水量的反射率。图 5表示同一白松样本不同含水量的光谱反射率曲线。可以看出,在595 nm~950 nm范围内光谱曲线趋势大致相同,随着波长的增加反射率缓慢上升。对比高含水量(97.35%、80.00%、66.01%和61.99%)的光谱反射率曲线,发现含水量越高光谱反射率越低。但反射率在56.93% ~ 15.62%范围内差异很小,这是因为白松样本表面比内芯更容易烘干,当烘干到一定程度时,样本表面的含水量变化很小。

      图  5  同一白松样本不同含水量的光谱反射率

      Figure 5.  Spectral reflectance of the same white pine sample with different moisture content

    • 为提高PLSR模型的预测精度和运行速度,采用CARS、SPA以及CARS-SPA组合算法进行特征波长选择,以达到消除冗余变量和提高预测模型性能的目的。

      (1) 基于CARS的特征波长选择。

      将蒙特卡洛样本数设置为50。图 6a显示随着采样次数的增加被筛选出特征波长的数量不断减少,曲线下降的趋势从快到慢,表明选取特征波长的效率也从快到慢。从图 6b可以看出,交叉验证均方根误差(root mean square error of cross-validation,RMSECV)值在采样次数大于29后显然变大,表明第29次后的采样筛选过程中淘汰了一些与预测模型相关的有用变量。第4次(标记为实心红色方块)采样时RMSECV值达到最小,则将该次采样选取的波长作为确定Mc的特征波长,共53个波长。

      图  6  CARS选择特征波长

      Figure 6.  Feature wavelength selection based on CARS

      (2) 基于SPA的特征波长选择。

      预先将需选取的特征波长数设置为5~30,图 7a表示RMSE值的变化曲线趋势图。可以看出,随着选取特征波长数量的增加,RMSE值下降,虽然存在一定波动,但特征波长数量大于10以后下降趋势不明显。当选择23个波长时(标记为实心红色方块),RMSE值达到最佳。图 7b为选取的23个特征波长(标记为实心红色方块)。

      图  7  SPA选择特征波长

      Figure 7.  Feature wavelength selection based on SPA

      (3) 基于CARS-SPA的特征波长选择。

      首先采用CARS从全光谱信息中选择特征波长,然后对选取的波长利用SPA进行2次选择。图 8a表示当选择22个波长时(标记为实心红色方块),RMSE值达到最佳。图 8b为选取的22个特征波长(标记为实心红色方块)。

      图  8  CARS-SPA选择特征波长

      Figure 8.  Feature wavelength selection based on CARS-SPA

    • 表 2为全光谱反射率(full spectrum reflectance,FSR)和基于特征波长选择算法的木材含水量预测模型结果。可以看出,FSR建立的PLSR模型的Rp2可以达到0.8822,说明利用全光谱信息可以实现木材含水量的预测。对比分析不同特征波长选择算法的预测结果,发现基于CARS-SPA的PLSR模型(CARS-SPA-PLSR)预测能力最好,Rp2提升至0.9073,RMSEP降低至0.7564,波长数量减少至22,模型的性能得到提升并减少了模型的运算量。CARS-PLSR模型的Rp2可以达到0.9085,但其选取的特征波长较多,会降低模型的运行速度。SPA-PLSR模型的预测能力相对较差,是因为其提取的有效变量较少影响了模型的预测精度。

      表 2  不同特征波长选择算法的PLSR模型预测结果

      Table 2.  PLSR prediction results based on different feature wavelength selection algorithms

      model number of wavelengths calibration set prediction set
      Rc2 RMSEC Rp2 RMSEP
      FSR-PLSR 72 0.8916 0.8223 0.8822 0.8054
      SPA-PLSR 23 0.8521 0.9514 0.8698 0.8913
      CARS-PLSR 53 0.8915 0.8987 0.9085 0.7787
      CARS-SPA-PLSR 22 0.8974 0.7903 0.9073 0.7564
    • 使用自研的HSL系统主动获取实验样本550 nm~ 1050 nm的光谱信息,并利用地物光谱仪验证了该系统光谱数据的准确性。通过对白松样本发霉过程进行间隔性光谱测量,发现随着木材状态(正常、潮湿和霉变)的发展,光谱反射率越来越低,当霉变状态稳定时,光谱反射率无明显变化。同时观察到含水量较高的潮湿状态的光谱反射率低于正常状态。为进一步探究木材含水量与光谱之间的关系,共采集了300组不同含水量的全光谱实验数据,分别利用CARS、SPA以及CARS-SPA算法提取特征波长,并建立对应的木材含水量PLSR模型。结果表明,对比全光谱反射率建模,特征波长选择算法可以降低光谱数据维数,提高模型预测精度。其中,CARS-SPA-PLSR模型预测能力最好,Rp2提升至0.9073,RMSEP降低至0.7564。因此,利用HSL系统主动探测获取的光谱信息可以对木材的霉变进行特征分析,并能较好地建立含水量预测模型,为高光谱在木质建筑检测评估的应用提供了技术支持和新方向。

参考文献 (23)

目录

    /

    返回文章
    返回