HTML
-
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]。
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:
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:
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。
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 Table 1. Sample set division and moisture content
1.1. 实验仪器
1.2. 实验样本
1.3. 光谱数据采集
1.4. 含水量测量
-
图 2a和图 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。
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。
-
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。
-
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。
-
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。
(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)。
(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)。
-
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。
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 Table 2. PLSR prediction results based on different feature wavelength selection algorithms