4.高光譜成像技術在木材質量檢測中的應用

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(shù)。HSI技術通過結合光譜和空間信息，實現(xiàn)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。

Tsuchikawa等人(Tsuchikawa et al., 2023)總結了近紅外光譜技術（NIRS）在林業(yè)與木制品中的應用現(xiàn)狀和發(fā)展趨勢。突出強調(diào)了NIR-HSI在林業(yè)和木制品研究中的的空間分辨、動態(tài)監(jiān)測、多屬性分析和無損性等方面的顯著優(yōu)勢。文章提到高光譜成像在木材干燥過程中水分遷移動態(tài)的可視化能力，例如通過水分解吸和吸附過程生成含水率分布圖，從而更直觀地觀察木材的物理和化學變化（圖7）。展示了使用基于NIR-HSI的水分檢測來優(yōu)化木材干燥的復雜模擬參數(shù)的潛力，為了解不同干燥環(huán)境下木材內(nèi)部的水分分布提供了基礎。

圖7.（A）木材樣本與近紅外高光譜成像（NIR-HSI）系統(tǒng)；（B）從木材樣本的水分解吸和吸附過程中采集的HSI數(shù)據(jù)中提取的平均NIR光譜，以及NIRS預測的含水率（MC）與參考值之間的散點圖；（C）含水率的可視化結果（上圖）和在纖維飽和點（FSP）下進行水分解吸時的模擬結果（下圖），樣本尺寸為30 mm3

Colares等人(Colares et al., 2016)探討了利用NIR-HSI技術結合多元曲線分辨-交替最小二乘法（MCR-ALS）對紅木化學成分在微觀尺度上的分布進行可視化分析的方法（圖8）。通過分析木材的三種生長方向（徑向、切線方向和橫截面），研究揭示了木質素、全纖維素（纖維素+半纖維素）和萃取物在不同解剖結構中的分布差異。

圖8.使用MCR-ALS方法對高光譜圖像進行可視化的示意圖

Awais等人(Awais et al., 2020)研究了HSI結合化學計量學方法在分析木材表面乙酰化過程中的應用，通過對木材中乙酸酐的滲透行為進行可視化和定量分析，評估了表面改性對木材性能的影響。研究選取蘇格蘭松為樣品，通過單面乙?；幚碓趶较蚍较蛏闲纬梢阴；荻龋⑹褂肞LSR模型和PCA對光譜數(shù)據(jù)進行降維與分析（圖9）。

圖9.乙酰化木材表面高光譜成像技術表征示意圖

M?kel?等人(M?kel? et al., 2021)研究了采用NIR-HSI結合PCA和PLSR模型，定量分析乙?；闹亓吭鲆妫╓PG）及其空間分布（圖10）。展示了HSI在木材化學改性研究中的重要應用潛力，不僅揭示了乙?；谀静牟煌瑢蛹壗Y構上的動態(tài)分布，還為理解化學處理對木材吸濕性和尺寸穩(wěn)定性的影響提供了新的視角。

圖10.預測WPG的可視化圖像（上圖）及對應的像素直方圖（下圖）。（a）未乙?；瘶悠罚唬╞）設計中心區(qū)域乙?；瘶悠罚唬╟）高度乙?；瘶悠?/span>

Thumm等人(Thumm et al., 2010)研究了利用HSI技術對輻射松木材的化學成分進行二維分布映射的方法。通過結合成像光譜儀和多元回歸分析，研究實現(xiàn)了木材樣品中木質素、半纖維素（如葡萄糖和半乳糖）的含量預測與空間分布可視化。Araya等人(Araya et al., 2017)提出了兩種基于中紅外高光譜成像（MIR-HSI）和多元曲線分辨-交替最小二乘法（MCR-ALS）的單像素定量策略，用于測量木質纖維材料中木質素和葡聚糖的分布及濃度。通過提取光譜數(shù)據(jù)來揭示化學成分在微觀尺度上的空間分布特征。研究表明，基于MCR-ALS的單像素定量策略可以有效地對木質纖維樣品進行微尺度化學分析，揭示其化學成分的異質性分布。以上研究驗證了近紅外高光譜成像技術在木材化學成分分布分析中的應用潛力，不僅能夠快速、無損地測定木材的化學成分，還能實現(xiàn)高空間分辨率的分布圖像生成，為木材質量評估和加工優(yōu)化提供了科學依據(jù)。

圖11.MCR-ALS定量樣品木質素和葡聚糖可視化圖

4.3木材物理性能分析

木材的物理性能，如彈性模量（MOE）、密度、微纖維角（MFA）等，是評價其力學性能和適用范圍的關鍵指標。HSI技術通過與多元回歸模型的結合，能夠高效預測木材物理性能，并以圖像形式展示其在微觀或宏觀尺度上的分布特點。此外，NIR-HSI還可用于分析結疤、孔洞等內(nèi)部缺陷對木材性能的影響，為木材選種、加工和質量控制提供科學依據(jù)。

Sofianto等人(Sofianto et al., 2019)利用NIR-HSI技術預測和映射日本杉木單板的MOE，并探討了結疤和孔洞對MOE預測及其分布的影響。研究采用偏最小二乘回歸（CV-PLSR）模型構建了針對單板樣品的MOE預測模型，并結合NIR-HSI實現(xiàn)了MOE空間分布的可視化映射（圖12）。

圖12.采用像素NIR平均值預測整塊單板樣品MOE預測值的分布圖，括號中為三點彎曲測試的實際測量MOE值

Chambi-Legoas等人(Chambi-Legoas et al., 2023)研究了利用近HSI技術預測桉樹木材密度，并評估其在早期樹種選擇中的可行性。通過結合局部加權偏最小二乘回歸（LWPLSR）模型和X射線密度計校準數(shù)據(jù)，該研究成功生成了整個木材橫截面的高分辨率密度映射（圖13）。NIR-HSI結合LWPLSR模型能夠高效、準確地預測木材密度，為早期選擇高密度樹種提供了有力支持。

圖13.LWPLSR模型預測的木盤密度圖（a）、年輪（b）和每年齡的橫向面積劃分（c）

Ma等人(Ma et al., 2017)研究了NIR-HSI系統(tǒng)在木材屬性精確映射和空間分辨分析中的應用潛力。圖14展示了NIR-HSI技術在分析木材密度和MFA分布方面的能力。這些結果提供了木材早材（EW）和晚材（LW）密度變化的詳細圖譜，同時顯示了正常木材和壓縮木材的密度差異。

圖14.（A）SilviScan；（B）NIR-HSI系統(tǒng)；（C）木材樣品（D）密度；（E）微纖維角的測繪結果

另外，Schimleck等人(Schimleck et al., 2023)綜述了NIR-HSI技術在木材及其相關產(chǎn)品研究中的應用。介紹了HSI技術在木材科學中的多種應用領域，包括木材性質的空間變化分析、反應木檢測、木材產(chǎn)品的質量評估、紙漿和造紙工業(yè)的應用、木材的降解和保護研究、木材-水分相互作用、木材廢料分選及木材種類的識別。強調(diào)了NIR-HSI技術結合光譜與圖像的優(yōu)勢，不僅能夠非破壞性地檢測木材內(nèi)部化學和物理特性，還可以生成木材性質的二維或三維分布圖。例如，通過高光譜數(shù)據(jù)，可以對木材的密度、濕度、MFA、木材剛度等參數(shù)進行精確預測，并可用于監(jiān)測木材的水分動態(tài)、降解過程和化學處理效果。文章還總結了木材研究中常用的高光譜成像系統(tǒng)，包括近紅外（900-1700 nm）和短波紅外（1000-2500 nm）相機，并比較了不同儀器和研究方法的性能。通過對木材種類鑒別、木材廢料回收分選等具體案例的分析，展示了NIR-HSI技術在提高木材利用率、優(yōu)化加工工藝以及推動可持續(xù)林業(yè)發(fā)展中的重要作用。

總結與展望

高光譜成像（HSI）技術在木材質量檢測中的應用取得了重要進展，涵蓋了木材種類識別、水分動態(tài)監(jiān)測、化學成分分析以及物理性能評估等多個關鍵領域。研究表明，HSI通過整合光譜與空間分辨能力，能夠快速、無損地獲取木材內(nèi)部的化學與物理信息，為木材工業(yè)的質量控制、資源優(yōu)化利用及加工工藝改進提供了科學支持和技術保障。展望未來，隨著硬件技術的不斷革新與人工智能算法的廣泛應用，NIR-HSI技術在木材檢測中的應用潛力將進一步擴大。尤其是在智能化木材加工、精準林業(yè)管理以及可持續(xù)資源利用等方向，高光譜成像技術有望發(fā)揮更加重要的作用，助力木材工業(yè)向數(shù)字化、智能化和綠色化邁進。

參考文獻

Tsuchikawa, S., Inagaki, T., & Ma, T. (2023). Application of Near-Infrared Spectroscopy to Forest and Wood Products. Current Forestry Reports, 9(6), 401–412.

Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Marques, L. F., Moreira, A. C. O., Alexandrino, G. L., Poppi, R. J., & Braga, J. W. B. (2016). Near infrared hyperspectral imaging and MCR-ALS applied for mapping chemical composition of the wood specie Swietenia Macrophylla King (Mahogany) at microscopic level. Microchemical Journal, 124, 356–363.

Awais, M., Altgen, M., M?kel?, M., Altgen, D., & Rautkari, L. (2020). Hyperspectral Near-Infrared Image Assessment of Surface-Acetylated Solid Wood. ACS Applied Bio Materials, 3(8), 5223–5232.

M?kel?, M., Altgen, M., Belt, T., & Rautkari, L. (2021). Hyperspectral imaging and chemometrics reveal wood acetylation on different spatial scales. Journal of Materials Science, 56(8), 5053–5066.

Thumm, A., Riddell, M., Nanayakkara, B., Harrington, J., & Meder, R. (2010). Near Infrared Hyperspectral Imaging Applied to Mapping Chemical Composition in Wood Samples. Journal of Near Infrared Spectroscopy, 18(6), 507–515.

Araya, J. A., Carneiro, R. L., Arévalo, C., Freer, J., & Castillo, R. D. P. (2017). Single pixel quantification strategies using middle infrared hyperspectral imaging of lignocellulosic fibers and MCR-ALS analysis. Microchemical Journal, 134, 164–172.

Sofianto, I. A., Inagaki, T., Ma, T., & Tsuchikawa, S. (2019). Effect of knots and holes on the modulus of elasticity prediction and mapping of sugi ( Cryptomeria japonica ) veneer using near-infrared hyperspectral imaging (NIR-HSI). Holzforschung, 73(3), 259–268.

Chambi-Legoas, R., Tomazello-Filho, M., Vidal, C., & Chaix, G. (2023). Wood density prediction using near-infrared hyperspectral imaging for early selection of Eucalyptus grandis trees. Trees, 37(3), 981–991.

Ma, T., Inagaki, T., & Tsuchikawa, S. (2017). Calibration of SilviScan data of Cryptomeria japonica wood concerning density and microfibril angles with NIR hyperspectral imaging with high spatial resolution. Holzforschung, 71(4), 341–347.

Schimleck, L., Ma, T., Inagaki, T., & Tsuchikawa, S. (2023). Review of near infrared hyperspectral imaging applications related to wood and wood products. Applied Spectroscopy Reviews, 58(9), 585–609.