1.木材質量檢測的重要性

木材作為一種廣泛使用的建筑和裝飾材料，其質量直接影響建筑的安全性和耐久性。通過檢測木材的物理性能（如強度、密度、含水率）和化學性質（如耐腐性、抗蟲性），可以確保其滿足相關標準要求，從而保障工程質量和使用安全。其次，木材是一種寶貴的自然資源，合理利用尤為重要。通過檢測木材的性能，可以合理分類與定級，確保高性能木材用于承重結構等關鍵部位，低性能木材用于裝飾或其他用途，從而提高資源利用率。此外，木材檢測還可幫助識別合格木材與非法采伐木材，推動木材的循環(huán)利用，有效保護森林資源，助力可持續(xù)發(fā)展。在國際市場上，木制品的質量直接影響其競爭力。通過系統(tǒng)的木材檢測，有助于企業(yè)生產符合標準的高品質木制品，提升產品競爭力和品牌價值。因此，木材檢測的重要性貫穿了從生產、應用到再利用的整個生命周期，是保障質量、優(yōu)化資源和推動環(huán)保的重要手段。

傳統(tǒng)木材檢測方法包括視覺與手工檢測、物理性能測試、化學分析以及無損檢測等，視覺與手工檢測主要是通過人工觀察木材的外觀特征，如顏色、紋理、裂紋、節(jié)疤等，初步判斷木材質量。這種方法依賴經驗，主觀性較強。物理性能測試是利用實驗設備測試木材的密度、含水率、抗壓強度、抗彎強度和硬度等指標，通過機械加載評估木材的結構性能?；瘜W分析是對木材的化學成分進行檢測，如纖維素、半纖維素、木質素的含量，以及防腐劑的滲透和分布情況。無損檢測是使用聲波、超聲波、紅外、X射線等技術檢測木材的內部結構缺陷，如裂縫、空洞和腐朽。這些檢測方法在識別內部缺陷和微小裂紋時存在局限，且檢測過程耗時較長，難以適應大規(guī)模檢測需求，部分方法具有破壞性，影響木材完整性和后續(xù)使用價值。另外對操作人員的專業(yè)性要求較高，存在人為因素導致的誤差。

高光譜成像（HSI）是一種集數字圖像和光譜信息于一體的表征分析技術，具有快速、無損的特點。由于其光譜范圍廣，能夠同時且快速提供測試對象表面形貌特征和化學成分信息。近年來，HSI技術結合光譜分析與圖像處理，為木材檢測提供了非接觸、無損、高精度的解決方案。通過捕捉木材在不同波段的光譜特性差異，高光譜成像能夠快速識別和分類不同種類的木材，適用于混合木材的自動化分選。對于木材內部的裂紋、空洞、腐朽和蟲害等缺陷，高光譜圖像中光譜特征的細微變化提供了可靠的檢測依據，彌補了傳統(tǒng)檢測方法在精度上的不足。此外，高光譜成像能夠精準表征木材的含水率分布，并對纖維素、木質素等化學成分進行定量分析，為加工處理提供科學依據。并且該技術可捕捉木材表面的顏色、紋理和光澤變化，可用于質量評價和涂層檢測。綜上所述，高光譜成像技術以其獨*的光譜與空間信息融合能力，能夠為木材檢測提供了全新的研究視角和技術手段。

4.高光譜成像技術在木材質量檢測中的應用

4.1木材分類與種類識別

木材的種類識別與分類對于林業(yè)資源管理、木材加工業(yè)和環(huán)境保護具有重要意義。近年來，HSI技術憑借其非接觸、無損且高精度的特點，成為木材分類研究的重要工具。

Kobori等人(Kobori et al., 2017)提出了一種基于近紅外高光譜成像（NIR-HSI）和重復主成分分析（rPCA）的新型木材廢料分類方法（圖1），旨在提高木材廢料的回收率并優(yōu)化其利用方式。研究分析了四種木材廢料（涂樹脂膠合板、防腐處理木材、硬木和軟木）的高光譜圖像，提取了每種樣品的平均光譜，并利用rPCA建立分類模型。研究驗證了NIR-HSI結合rPCA在木材廢料快速分類中的有效性和實用性，為木材回收工廠提供了一種非接觸、快速、高效的分類方法。

圖1. 四種木材廢料的RGB圖像和由每個分類模型計算的偽彩色圖像：（a）四種木材廢料的可見光圖像；（b）涂樹脂膠合板分類的得分圖像；（c）防腐處理木材分類的得分圖像；（d）軟木分類的得分圖像

Kanayama等人(Kanayama et al., 2019)提出了一種基于NIR-HSI和卷積神經網絡（CNN）的木材種類識別方法。作者通過對38種硬木的120個樣品進行高光譜成像（波長范圍為913-2519 nm），結合標準正態(tài)變換（SNV）消除光散射影響，并使用主成分分析（PCA）提取光譜特征（圖2），生成的主成分圖像作為CNN模型的輸入。實驗表明，該方法在6個主成分圖像的基礎上，木材種類識別的準確率達到90.5%，顯著高于基于RGB圖像的56.0%。

圖2. 從（a）由圖像掃描儀采集的可見光圖像和（b）經SNV預處理光譜生成的前三個主成分圖像（3PCA圖像）中提取的圖塊

趙磊等人(趙磊, 2022)提出了一種融合NIR-HSI和太赫茲光譜（THz-TDS）的信息融合技術，用于木材種類識別（圖3）。選取了5種闊葉材和5種針葉材樣本，結合高光譜圖像的光譜和空間信息以及太赫茲光譜信息，通過SNV和特征選擇方法（如CARS、UVE和RF）對數據進行預處理。并使用支持向量機（SVM）極限學習機（ELM）模型對單一特征和融合特征的數據進行木材分類。結果表明，光譜數據融合技術對提高木材識別模型準確率具有顯著效果。

圖3. 基于高光譜和太赫茲光譜結合數據融合技術的木材識別研究流程圖

Mauruschat等人(Mauruschat et al., 2016)研究了NIR-HSI在廢木材和木塑復合材料（WPC）檢測與分揀中的應用，旨在解決廢木材回收中因污染物導致資源利用率低的問題。研究表明，通過NIR-HSI可以有效區(qū)分不同類型的WPC，WPC-PP顆粒純度可提高至97.1%。此外，研究檢測了多種木材防腐劑的近紅外反射光譜，發(fā)現大多數有機防腐劑在純態(tài)下可以被準確識別?；谥鞒煞址治觯≒CA），可以間接區(qū)分未經處理和處理過的木材（圖4）。這項研究為提高廢木材和WPC的回收利用效率提供了技術支持。

圖4. 原圖（第1幅圖）和主成分分析（PCA）處理后的高光譜圖像。分別為第一主成分（第2幅圖）、第三主成分（第3幅圖）和第四主成分（第4幅圖）。圖像展示了不同處理方式下的木材樣本，包括：干燥未處理松木（a）、潮濕未處理松木（b）、干燥硼鹽處理松木（c）、潮濕硼鹽處理松木（d）、干燥甲基托布津處理松木（e）以及潮濕甲基托布津處理松木（f）

4.2木材水分預測與化學成分分析

木材的含水率與化學成分是決定其加工性能與最終用途的重要參數。HSI技術通過結合光譜和空間信息，實現了木材中自由水、結合水及其遷移動力學的動態(tài)監(jiān)測，同時結合化學計量學模型能夠無損、快速地定量分析木質素、纖維素及其他化學成分含量，生成高分辨率的二維或三維化學成分分布圖。

Ma等人(Ma et al., 2022)利用NIR-HSI技術分析木材干燥過程中的水分傳輸動力學，探討了木材中自由水和結合水的動態(tài)變化及其對干燥過程的影響。研究通過對不同長度（30 mm、60 mm、90 mm）的日本扁柏樣品在不同干燥溫度（30℃、60℃、90℃）下的含水率分布進行可視化分析（圖5），揭示了木材水分在干燥過程中的遷移機制。

圖5. 不同長度（a：30 mm、b：60 mm和c：90 mm）和不同溫度干燥的木材樣品中水分含量的分布

另外該作者(Ma et al., 2020)還研究了利用HSI技術對木質纖維素材料在干燥過程中自由水、弱氫鍵結合水和強氫鍵結合水的動態(tài)分布狀態(tài)進行快速可視化的方法。通過光譜數據結合偏最小二乘回歸（PLSR）和PCA，對木材含水率和水分子結構的變化進行定量和可視化分析（圖6）。研究結果表明，自由水、弱結合水和強結合水的分布及動態(tài)遷移可以通過PCA的主成分得分進行區(qū)分，并實現高空間分辨率的圖像顯示。研究揭示了纖維飽和點（FSP）前后水分的遷移機制，證實了NIR-HSI在實時監(jiān)測木材水分動態(tài)和優(yōu)化干燥工藝中的重要應用潛力。

圖6. 平衡水分含量下的RGB照片及其對三種研究木材類型樣品（a：日本雪松；b：山毛櫸；c：水曲柳）的水分含量監(jiān)測結果

參考文獻

Kobori, H., Higa, S., Tsuchikawa, S., Kojima, Y., & Suzuki, S. (2017). Segregating wood wastes by repetitive principal component analysis of near infrared spectra. Journal of Near Infrared Spectroscopy, 25(3), 180-187.

Kanayama, H., Ma, T., Tsuchikawa, S., & Inagaki, T. (2019). Cognitive spectroscopy for wood species identification: Near infrared hyperspectral imaging combined with convolutional neural networks. The Analyst, 144(21), 6438-6446.

趙磊. (2022). 基于高光譜和太赫茲光譜結合數據融合技術的木材識別研究. 碩士學位論文, 北京林業(yè)大學.

Mauruschat, D., Plinke, B., Aderhold, J., Gunschera, J., Meinlschmidt, P., & Salthammer, T. (2016). Application of near-infrared spectroscopy for the fast detection and sorting of wood–plastic composites and waste wood treated with wood preservatives. Wood Science and Technology, 50(2), 313-331.

Ma, T., Morita, G., Inagaki, T., & Tsuchikawa, S. (2022). Moisture transport dynamics in wood during drying studied by long-wave near-infrared hyperspectral imaging. Cellulose, 29(1), 133-145.

Ma, T., Inagaki, T., & Tsuchikawa, S. (2020). Rapidly visualizing the dynamic state of free, weakly, and strongly hydrogen-bonded water with lignocellulosic material during drying by near-infrared hyperspectral imaging. Cellulose, 27(9), 4857-4869.