高光谱技术测定超薄纤维板纤维树皮含量

2023-10-09杨春梅朱赞彬李昱成宋海洋

光谱学与光谱分析 2023年10期

杨春梅,朱赞彬,2*,李昱成,马岩,宋海洋

1. 东北林业大学机电工程学院,黑龙江哈尔滨 150040 2. 信阳农林学院,河南信阳 464000 3. 亚联机械股份有限公司,吉林敦化 133700

引言

随着碳达峰和碳中和目标战略的全面推进,人造板等节材材料或代木材料将日益广泛应用。为了节约成本与资源,纤维板大部分采用廉价的枝桠材,树皮含量难以精确计算。据统计树木中树皮的体积分数占6%～30%,树木径级越大树皮比例越小,小径木和枝桠材中树皮的比例可高达15%～30%。不同树种的树皮含量亦不相同,纤维板生产中常见的树种为杨木、桉木、马尾松等,其中杨木大约为12%～30%[1]。

目前纤维板行业对超薄高密度板的定义标准为厚度低于1.5 mm,名义密度大于880 kg·m-3。随着纤维板厚度的减小和密度的增加,对其原材料的要求更高[2]。一般来说0.8 mm高密度超薄纤维板的树皮含量不得高于5%,1.5 mm超薄纤维板不得高于15%,其他板材一般不超过25%。由于树皮与木材组成成分的差异,树皮中大部分可溶物质残留于热磨纤维浆料里,从而使纤维之间力学性能不符合要求,并导致超薄纤维板板面发黑,影响板材品质[3]。

2015年东北林业大学贾娜等研究表明,控制纤维板原料中树皮的比例,可降低热磨机能耗,且纤维质量较理想[4]。基于树皮与木材的化学成分以及颜色的差异,本工作创新性开发了利用高光谱精确检测纤维样本中树皮含量的技术,对超薄纤维板生产质量的提高以及纤维质量的评价具有重要意义。

高光谱不仅应用于军事领域作为主要侦察手段,同时被广泛应用于农业及林业工程领域,利用高光谱可实现化学成分的定性及定量检测。2021年白宗秀等利用高光谱结合特征变量筛选方法,采用遗传算法(GA)、竞争性自适应重加权(CARS)算法以及二维相关光谱分析(2D-COS)方法实现了特征波长的筛选与快速无损检测羊肉糜中狐狸肉定量检测[5]。高光谱还用于木材种类的识别以及中药材的检测。较多学者利用高光谱测定树木的种类、密度、含水率等各项指标[6]。2012年Fujimoto等采集了不同含水率下落叶松的近红外光谱,利用PLS分析木材密度,结果表明利用近红外光谱预测木材密度不会受到水分条件的影响[7]。2013年Fernandes等利用高光谱成像测量树木生长年轮尺度上的密度剖面。采用高光谱成像测量木材样品反射率,通过偏最小二乘回归分析,建立了光谱反射率与其密度值的关系模型[8]。2019年Reis等利用多元统计分析,建立近红外光谱模型,成功区分了天然和人工种植的木材,对保护原始林木材砍伐有较大意义[9]。2021年Stefansson结合光谱数据采用偏最小二乘回归方法,将各样品的吸光度数据与样品在干燥过程中不同时间步长的水分含量分布进行了映射。其研究结果表明,提出的方法可以对热改性松木样品内的水分分布进行估计和可视化[10]。2022年吴静珠利用高光谱结合随机森林(RF)和Adaboost算法建立单粒种子水分检测模型,其建立的玉米种子水分检测模型预测精度高,稳健性好[11]。

超薄纤维板对原料以及设备的要求较高,厚度低于0.8 mm大部分处于试验探索阶段。生产中其树皮含量对其性能影响较大,且随着其板坯厚度的减少,对树皮含量的要求更加严格[12]。目前针对纤维板中树皮含量的定量检测极少,大部分为定性研究,本研究利用高光谱图谱结合的特点,对木纤维中树皮的含量进行定量检测。

1 实验部分

1.1 试验材料

实验所用纤维和树皮均来自于超薄板试验生产线。由于纤维原料的颗粒度以及均匀性对高光谱漫反射的效果及试验的精确性影响较大,将纯杨木木纤维(树皮含量为0%)以及纯杨木树皮(树皮含量为100%),利用打粉机进行打碎混合,采用的打粉机型号为2500C,具体参数见表1,纯杨木纤维和树皮粉目数小于200目。

图1 纤维粉碎效果图(a):纯杨木纤维粉碎;(b):纯杨木树皮粉碎Fig.1 Photos of pulverized fibers(a):Pulverized pure poplar wood fiber;(b):Pulverized pure poplar bark

表1 打粉机相关参数Table 1 Parameters of pulverizer

粉碎后将纯杨木纤维与树皮粉按照重量比例进行混合,混合物中的树皮含量分别为0%,3%,5%,7%,10%,12%,15%,20%,25%,30%,100%,每种树皮和纯杨木纤维混合物的总质量为1 000 g,用天平测定重量后再次粉碎搅拌均匀备用。为了混合比精确,不同含量经磨碎混合后需要把粉碎机清理干净。树皮含量为0%、20%和100%的混合纤维粉末如图2(a—c)所示。每个含量等级制备10份待测试样品,每个样品重量为100 g,共计110份待测试样品。

图2 不同树皮含量木纤维粉末Fig.2 Wood fiber powder with different bark contents

图3 高光谱相机检测平台Fig.3 Detection platform of hyperspectral camera

1.2 方法

由于高光谱是利用漫反射采集获得,为了减少误差,将样品均匀铺在黑色硬纸上。同时为了减少水分对测量结果的影响,将样本放入干燥机内干燥1 h后取出备测。实验用高光谱相机(Specim FX10,Specim 公司,芬兰)参数如表2。

表2 高光谱测量系统相关参数Table 2 Related parameters of hyperspectral measurement system

为了实验测量的精确性,测试前需要采集黑白板图像信息,测试完成后需要利用系统自带软件对光谱数据进行黑白校正。校正后设定平台移动速度为2.5 mm·s-1。

1.3 机理分析

实验使用的镜头为FX10e,波段范围为400～1 000 nm,其中400～700 nm为可见光,700～1 000 nm为近红外波段。由于树皮和杨木纤维的颜色不一样利用可见光波段的光谱特征可以识别。同时树皮和杨木的化学成分中有机分子含氢基团(O—H、N—H、C—H)亦有区别,可利用近红外光谱特征识别。依据表3可知杨木树皮与杨木纤维均为有机物,杨木主要由纤维素、木质素等组成[13]。

表3 杨木和杨木树皮的主要化学成分对比Table 3 Comparison of main chemical constituents of poplar wood and poplar bark

2 结果与讨论

2.1 不同含量树皮含量样品的原始光谱分析

采用ENVI(Classic 5.3 + IDL 8.5)软件获得样本的原始光谱信息。图4所示为树皮含量为10%的样本原始光谱。使用MATLAB 2020a、Origin2021以及Python3.7软件对光谱数据进行预处理、特征波长筛选及模型建立。

图4 树皮含量为10%原始光谱图Fig.4 Original spectra of samples with 10% bark content

将光谱图通过ENVI(Classic 5.3+IDL 8.5)软件转换为ASCII信息。利用Origin2021可得不同树皮含量的平均光谱图,如图5(a)所示。不同树皮含量的平均光谱的趋势相同,400～1 000 nm的波长范围内,光谱吸收峰值先随波长的增大而减小后随波长的增大而增加,拐点约在463 nm处。纯杨木纤维与纯树皮的平均光谱曲线如图5(b)所示,反射率具有较大的不同,从而可以依据光谱数据预测纤维中树皮的含量。

图5(a) 不同树皮含量的平均光谱Fig.5(a) Average spectra of samples with different bark contents

图5(b) 纯杨木纤维(0%)与纯树皮(100%)的光谱图Fig.5(b) Spectra of pure poplar fiber and pure poplar bark

2.2 样本划分与光谱信息预处理

将铺满黑色硬纸上的样品依据上、中、下以及左、中、右划分为9个不同区域,取每个区域光谱的平均值作为该区域的光谱信息,即每个样品选取9条光谱,共计990条光谱样本信息。利用Kennard-Stone(K-S)法对所有光谱样本进行划分,按照2∶1的比例,得到校正集660份,预测集330份。首先对光谱信息进行预处理,以便降低模型数据的误差。根据木材类检测相关光谱分析经验,利用均值中心化(MC)、多元散射校正(MSC)、标准正态变量变换(SNV)和一阶导数(1-Der)对光谱数据进行预处理。经过四种预处理后的光谱数据建立树皮含量的PLSR(偏最小二乘回归)模型评价结果如表4所示。

表4 不同预处理方法下的树皮含量偏最小二乘PLSR回归模型评价结果Table 4 Evaluation results of bark content by PLSR regression model under different pretreatment methods

2.3 特征波长的筛选

筛选与纤维中树皮含量指标相关的特征波长采用SPA和CARS算法。SPA法得到的树皮含量反映敏感的特征波长如图6所示。由图6(a)可知当变量数为37时RMSE值达到最小,之后总体趋向平缓。图6(b)为该37个波段的具体分布情况。SPA法筛选出的特征波段详见表5。

图6(a) SPA筛选的特征波长数量Fig.6(a) Number of characteristic wavelengths selected by SPA algorithm

图6(b) SPA筛选特征波长Fig.6(b) Characteristic wavelengths selected by SPA algorithm

表5 SPA与CARS筛选的特征波长Table 5 Characteristic wavelengths selected by SPA and CARS

竞争性自适应重加权采样法(CARS)是一种结合蒙特卡洛与PLS模型回归系数筛选特征波长的方法[14-15]。如表5所示为利用CARS算法对经MSC预处理数据后所得到49个特征波长分布情况。由图7(a)可知优选变量的数量随蒙特卡洛迭代次数的增加呈指数减少,由图7(b)可知RMSECV值先减小后增大,并在运行次数为13时,其值最小。图7(b)显示在前15次采样中,RMSECV值相对低,随着采样次数的增加,其值随之增大表明反射光谱信息中与纤维树皮含量无关的信息或噪声增加了。