基于IFSR异常样本剔除的落叶松木材密度近红外优化模型的研究

木材密度可以反映木材的干缩性、抗压抗拉强度等多种物理性质,是重要的木材物理特性。采用近红外光谱技术能够实现木材密度的快速预测,可克服传统检测方法耗费人力、物力、时间的弊端,但建模结果往往受异常样本的影响。为准确识别并剔除样本集中的异常样本,提出一种孤立森林结合学生化残差方法(IFSR),在利用孤立森林集成特征的优点基础上考虑样本对模型的影响度,可同时检测异常样本与强影响样本。该研究对181个落叶松木材样本的近红外光谱及其在常温下的气干密度进行了测定。通过对比多种方法预处理和特征选择方法,确定采用标准正态变量变化(SNV)+去趋势处理(DT)+均值中心化(MC)+标准化(Auto)方法进行预处理,采用竞争性自适应重加权算法(CARS)进行特征波段选择,消除噪声及无关信息对算法的影响,简化数据集,提高算法剔除异常样本的准确性。为验证IFSR方法剔除异常样本的能力,将其与蒙特卡洛交互验证(MCCV)、马氏距离(MD)等其他六种异常检测方法对比分析,建立偏最小二乘(PLS)模型对其进行异常检测性能评价。同时在上述基础上采用粒子群寻优-支持向量机回归(PSO-SVR),BP神经网络(BPNN)与PLS分别建立落叶松木材密度近红外预测模型。结果表明,IFSR结合PSO-SVR方法得到的优化模型预测能力最强,IFSR可有效剔除奇异样本,提高模型精度。     

温度变化对近红外光谱预测木材含水率的影响

为实现温度不稳定环境下木材含水率的近红外光谱检测,探究了不同温度下木材近红外光谱的变化规律及温度变化对近红外预测木材含水率的影响。对从林场采集的樟子松、水曲柳、大青杨和红松原木木块试样各75块,共计300块试样,进行了不同温度和含水率条件下的近红外光谱采集。采用单一温度下的校正集分别与各个温度下的验证集建立偏最小二乘含水率预测模型,探究温度变化对木材含水率模型预测准确性的影响。比较了不同光谱预处理的木材含水率预测温度全局模型。采集相同含水率下不同温度的近红外光谱数据,对光谱进行光谱平均、一次微分、主成分分析和偏最小二乘判别分析,以探究温度变化时,木材近红外光谱的变化规律。结果显示：（1）温度对木材样品光谱存在显著影响;主成分分析和判别分析表明不同温度下的样品有明显聚类趋势,温度判别准确率为96.1%。温度会影响木材的近红外光谱在特定波长吸收峰的位置及吸光度,在含水率相同的情况下,随着温度的升高,特定位置吸收峰有逐渐向高频波段转移的趋势且在零下低温时波峰移动变化更明显。（2）不同温度下的PLS含水率预测模型对温度变动的适应能力有差异,木材含水率预测模型更适应于检测与建模样本相同温度的样品。与单一温度模型相比,PLS温度全局模型对于温度变化具有很好的适应性和应用潜力,RMSEP低于大部分单一温度模型。基于SG平滑+多元散射校正+一次微分预处理联用的PLS含水率温度全局模型有较好的预测效果和温度适应性,RMSEP降为0.074。可见,温度变动是近红外法检测木材含水率的过程中不可忽视的扰动因素;基于光谱预处理的温度全局模型可以显著提高温度适用性。该研究可进一步促进近红外光谱技术在木材生产、加工过程中的应用。     

基于小波变换的木材近红外光谱模型优化及质量追溯

智能化精准获取木材基本信息是木材质量追溯系统信息采集的核心,同时也是木材后期分流、加工、精细化利用的重要依据。旨在探讨基于小波变换的木材近红外光谱(NIRS)去噪及模型优化,研究近红外技术用于木材质量追溯的基础理论与方法,构建基于近红外的木材质量追溯体系。以山杨木材气干密度为例,采用小波变换进行光谱去噪及模型优化,应用偏最小二乘法(PLS)构建了基于近红外光谱技术的山杨木材气干密度定标模型。在此基础上,集成二维码技术,在Matlab环境下,将近红外定标模型预测结果(以木材密度为例)及其他木材相关信息(树种名称、产地、采集单位、数据获取方式等)生成快速响应矩阵码(QR Code),以实现木材信息的有效、快速追溯。同时研究分析了不同纠错等级、字符数、像素下QR码的可读性及有效性。结果显示： (1)当db5小波基分解层为5时,经启发式硬阈值去噪后得到的信噪比(SNR)最大,均方根误差(RMSE)最小,基于小波变换的近红外光谱去噪效果最好,将校正模型决定系数由0.774 8提高到了0.850 1;(2)字符数一定时(本追溯信息的字符数为217),当像素大于100 px×100 px时,QR码的可读性均大于90%;当纠错等级为7%、像素大小为200 px×200 px时,随着字符数由100增加至600,解码率和可读性均为100%。研究表明,基于小波去噪及近红外光谱技术,可以实现木材密度的准确预测,并能有效集成QR码技术,以QR码作为传递木材信息的有效载体,为木材材性信息的无损获取及有效追溯提供了理论依据与技术支撑。