CN100523793C

CN100523793C - 红木的近红外光谱识别方法

Info

Publication number: CN100523793C
Application number: CNB2006101496230A
Authority: CN
Inventors: 江泽慧; 杨忠; 许忠允; 傅峰; 任海青
Original assignee: Research Institute of Wood Industry of Chinese Academy of Forestry
Current assignee: Research Institute of Wood Industry of Chinese Academy of Forestry
Priority date: 2006-10-12
Filing date: 2006-10-12
Publication date: 2009-08-05
Anticipated expiration: 2026-10-12
Also published as: CN1936552A

Abstract

本发明涉及一种红木的近红外光谱识别方法，其步骤是，采用红木及非红木木材样本，利用近红外光谱设备在木材样本表面的不同位置采集数次近红外光谱，对于同一个样本在3～10个位置分别采集光谱；经光谱预处理，如平滑、基线校正、一阶导数、二阶导数、多元散射校正或数据降维预处理后，通过软独立建模分类或偏最小二乘判别分析等多变量数据分析方法，分别建立真假红木及其木材树种的判别模型，从而，利用建立的模型只需几分钟的时间即可实现对真假红木及其木材树种的快速、无损识别，该方法简易、科学、分析效率和准确度高。

Description

红木的近红外光谱识别方法

技术领域

本发明涉及一种红木的近红外光谱识别方法，更具体地，是指一种利用近红外光谱技术快速识别真假红木及木材树种的方法。

背景技术

红木从古至今都被人们视为珍贵木材，随着社会经济的快速发展和人类生活质量的不断提高，红木家具和红木装饰品不仅为高档宾馆之豪华陈设，也已进入寻常百姓家成为使用和收藏之精品。实际应用中，由于可称之为红木的木材种类比较多，大多数人对红木的真伪难以鉴别，因不明真伪而给生产者和消费者带来的经济损失少则几千元至上万元，多的可达上数百万元，因此红木的识别显得尤为重要。

《红木》国家标准中，将红木分成八类共33个树种，即紫檀、花梨、香枝、黑酸枝、红酸枝、乌木、条纹乌木和鸡翅木。每一类均按树木分类学按科、属、种正确定名的代表树种，因不同科、属树种有不同的木材组织构造，一般需要根据《红木》国家标准中规定的木材宏观特征和显微(解剖)特征等进行科学鉴定及区分，其步骤主要如下：(1)在自然光下目测木材的颜色(例如紫檀木类心材红至紫红色，久则转为深紫或黑紫；花梨木类心材主为红褐、浅红褐至紫红褐色；香枝木类心材红褐或深红色，常带黑色条纹；黑酸枝木类心材黑栗褐色，常带黑色条纹；红酸枝类心材主为红褐或紫红褐色；乌木类心材全部乌黑色；条纹乌木类散孔材黑色或栗褐色，间有浅色条纹；鸡翅木类心材黑褐或栗褐色，在弦切面上呈鸡翅状花纹。)；(2)按照GB/T 1933规定的方法测定木材含水率在12％时的密度(按大小分为五级)；(3)木材的结构(木材细胞的大小和相对数量，在阔叶树材中以导管和射线为标志，分为甚细、细、中和粗四级)；(4)测定木材的平均管孔直径(在木材样品的横切面上取10nm×10nm的切面，在其左下角、右上角及其连线的中部三个点上各测10个以上管孔弦向直径，取其平均值)；(5)检测木材的气味和条纹等特征；并按标准GB/T18107--2000与不同类别红木的必备条件进行对比，才能完成红木的鉴定。

这些方法需要不仅具有丰富经验的专业人员，在实验室内进行大量的制样、显微切片观察和分析等工作，时间长，成本高(鉴定一个树种需要800～1000元)，而且不适合于现场检测。然而，面对广阔且快速发展的红木市场，上述鉴定方法很难满足市场的需要。因此，开发一种科学、快速、无损、准确地识别红木的方法将会为规范市场和保证产品质量提供服务。

发明内容

本发明的目的是针对现有识别方法的缺陷，而提供一种真假红木的近红外光谱快速识别方法，利用近红外光谱中包含有木材颜色、密度、结构与组成、木材强度和样品的散射、表面光泽、折光指数等重要信息，结合化学计量学中的多变量数据分析方法，建立木材树种的判别模型，从而实现对真假红木及木材树种的无损、快速识别。

本发明所采用的技术方案：

一种红木的近红外光谱识别方法，其步骤是，

(1)木材样本的准备：选择标准的红木和假红木样本，样本表面平整、无污染，样本包括标准中的八类红木和从市场上获得的假红木，假红木有通过染色、涂饰、浸注药剂、装饰纸贴面和压密方法生产的人造红木以及类似红木特征的木材样本；

(2)近红外光谱的采集：利用近红外光谱设备在木材样本表面的不同位置采集数次近红外光谱，对于同一个样本在3～10个位置分别采集光谱，光谱经过平均后转化成一条光谱代表一个试样；采集光谱波长范围在350nm～2500nm，在可见光至近红外短波区域350nm～1000nm的光谱信息主要表征了不同类型红木的颜色变化，而在1000nm～2500nm区域的光谱信息主要与红木的结构及化学组成有关，特别是红木中的特别而又丰富的各种抽提物；

(3)光谱预处理：如平滑、基线校正、一阶导数、二阶导数、多元散射校正或数据降维预处理；

(4)判别模型的建立：从真假红木中分别选择三分之二数量的样本组成建模用的培训集，建模与实际判别时的光谱预处理方法必须一致，按真、假红木两个类别分别建立用于软独立建模分类分析(Soft lndependentModeling of Class Analogy，简写为SIMCA)的红木和假红木的两个主成分分析(Principal Component Analysis，简写为PCA)模型；

(5)判别模型的验证：通过软独立建模分类方法，调用剩余三分之一数量样本的近红外光谱和真假红木的两个主成分分析模型，经过多变量数据分析得到验证集样本的真假红木分类，与实际类别对比发现：该模型将八类红木的所有样本判定为“红木”，而所有假红木都被判定为“假红木”，模型对真假红木的判别正确率为100％；

(6)真假红木的识别：另外收集新的红木和假红木样本，采集近红外光谱，利用建立好的判别模型来分析新样本得到真假红木样本的类别，并与按照标准方法鉴定的结果进行对比，发现近红外光谱法的判别结果与标准方法一致。

一种红木的近红外光谱识别方法，其步骤是，

(1)木材样本的准备：选择标准的红木和假红木样本，样本表面平整、无污染，样本包括标准中的八类红木和从市场上获得的假红木，假红木有通过染色、涂饰、浸注药剂、装饰纸贴面和压密方法生产的人造红木以及类似红木特征的木材样本；利用偏最小二乘判别分析法来建立模型；

(2)近红外光谱的采集：利用近红外光谱设备在木材样本表面的不同位置采集数次近红外光谱，对于同一个样本在3～10个位置分别采集光谱，光谱经过平均后转化成一条光谱代表一个试样；采集光谱波长范围在350nm～2500nm，在可见光部分至近红外短波区域350nm～1000nm的光谱信息主要表征了不同类型红木的颜色变化，而在1000nm～2500nm区域的光谱信息主要与红木的结构及化学组成有关，特别是红木中的特别而又丰富的各种抽提物，因此，可选择适当的不同光谱波长范围的光谱数据进行建模；

(4)判别模型的建立：从真假红木中分别选择三分之二数量的样本组成建模用的培训集，建模与实际判别时的光谱预处理方法必须一致，按真、假红木两个类别利用偏最小二乘判别分析法(Partial Least Squares—Discriminant Analysis，简写为PLS-DA)建立判别模型，其过程主要为：

①建立培训集样本的分类变量，即真假两类；

②分类变量与光谱数据的偏最小二乘法回归分析，建立分类变量与光谱数据间的偏最小二乘法判别分析模型；

③根据培训集建立的分类变量与光谱特征的偏最小二乘回归模型，计算未知样本的分类变量的值Y_p，并与偏差值0.5比较，当Y_p>0.5时判定样本属于该类；当Y_p<0.5时判定样本不属于该类；当Y_p≥0.5时说明判定不稳定或不能确定；

(5)判别模型的验证：通过偏最小二乘判别分析法和培训集样本建立的判别模型，对培训集样本进行交互验证，并对剩余三分之一数量样本进行判别，结果表明：对真假红木两类样本判别的正确率均为100％，两类样本的光谱特征与分类变量间的相关系数都超过0.90；

(6)真假红木的识别：另外收集新的红木和假红木样本，采集近红外光谱，经过与建模时相同方法的光谱数据预处理后，利用判别模型对新样本进行预测，结果表明：对红木和假红木两类样本判别的正确率均为100％，错判率为0。

一种红木的近红外光谱识别方法，其步骤是，

(1)木材样本的准备：选择标准的红木和假红木样本，样本表面平整、无污染，样本包括标准中的八类红木和从市场上获得的假红木，假红木有通过染色、涂饰、浸注药剂、装饰纸贴面和压密等方法生产的人造红木以及类似红木特征的木材样本；

(4)判别模型的建立：建模时将红木样本按标准分为八类、假红木则分为一类，建模与实际判别时的光谱预处理方法必须一致，再利用软独立建模分类法建立真假红木判别及红木类别判别的模型；

(5)判别模型的验证：通过软独立建模分类方法，调用剩余三分之—数量样本的近红外光谱和真假红木的9个主成分分析模型，经过多变量数据分析得到验证集样本的真假红木及红木分类，与实际类别对比发现：该模型将八类红木的所有样本判定为“红木”，且准确判定出八类红木的类别，而所有假红木都被判定为“假红木”，该模型对真假红木判别及红木类别判别的正确率为100％；

(6)真假红木的识别：另外收集新的红木和假红木样本，采集近红外光谱，利用建立好的判别模型来分析新样本得到真假红木及每种红木样本的类别，并与按照标准方法鉴定的结果进行对比，发现近红外光谱法的判别结果与标准方法一致。

一种红木的近红外光谱识别方法，其步骤是，

(4)判别模型的建立：从真假红木中分别选择三分之二数量的样本组成建模用的培训集，建模时将红木样本按标准分为八类、假红木则分为一类，建模与实际判别时的光谱预处理方法必须一致，再利用偏最小二乘判别分析法建立真假红木判别及红木类别判别的模型，其过程主要为：

①建立培训集样本的9个分类变量，即八类红木及一类假红木；

③根据培训集建立的分类变量与光谱特征的偏最小二乘回归模型，计算未知样本的分类变量的值Y_p，并与偏差值0.5比较，当Y_p>0.5时判定样本属于该类；当Y_p<0.5时判定样本不属于该类；当Y_p≥0.5时说明判定不稳定或不能确定：

(5)判别模型的验证：通过偏最小二乘判别分析法和培训集样本建立的判别模型，对培训集样本进行交互验证，并对剩余三分之一数量样本进行判别，结果表明：该模型将八类红木的所有样本判定为“红木”，且准确判定出八类红木的类别，而所有假红木都被判定为“假红木”，该模型对真假红木判别及红木类别判别的正确率为100％，9类样本的光谱特征与分类变量间的相关系数都超过0.90；

(6)真假红木的识别：另外收集新的红木和假红木样本，采集近红外光谱，经过与建模时相同方法的光谱数据预处理后，利用判别模型对新样本进行预测，结果表明：对真假红木及每种红木样本判别的正确率均为100％，错判率为0。

所述样本为红木和非红木木材，建模时将红木按标准分为八类、非红木木材按树种分为若干类，并利用近红外光谱和判别分析法建立判别模型，通过模型即可直接判别出红木的类别及非红木木材的类别。

所述红木为紫檀木和花梨木。

所述样本的表面为曲面、不平整、较粗糙或有污染面。

所述样本的形态为纤维状和粉末状。

本发明的优点是先利用先进的光谱技术对标准的红木样本和假红木样本建立判别模型，然后，利用模型分析待识别红木样本的近红外光谱数据，只需几分钟的时间即可实现对真假红木的快速、无损识别，该方法简易、科学、分析效率和准确度高。如果将判别模型及分析程序输入到便携式近红外光谱仪中，只需要一般人员就可以实现实验室外(现场)的真假红木及红木种类的快速、无损识别，具有重要的现实意义和应用价值。

附图说明

图1为紫檀木和花梨木近红外光谱的主成分分析得分图，图中ZT字母代表紫檀木样本，HL字母代表花梨木样本。

具体实施方式

下面结合实施例对本发明作进一步说明。

实施例1：

(1)木材样本的准备：选择标准的红木和假红木样本，样本表面平整、无污染。样本包括标准中的八类红木和从市场上获得的18种假红木，假红木有通过染色、涂饰、浸注药剂、装饰纸贴面和压密等方法生产的人造红木以及类似红木特征的木材样本。

(2)近红外光谱的采集：利用近红外光谱设备在木材样本表面的不同位置采集数次近红外光谱，对于同一个样本在3～10个位置分别采集光谱，光谱经过平均后转化成一条光谱代表一个试样；采集光谱波长范围在350nm～2500nm，在可见光部分至近红外短波区域350nm～1000nm的光谱信息主要表征了不同类型红木的颜色变化，而在1000nm～2500nm区域的光谱信息主要与红木的结构及化学组成有关，特别是红木中的特别而又丰富的各种抽提物，因此，可选择适当的不同光谱波长范围的光谱数据进行建模。

(3)光谱预处理：如平滑、基线校正、一阶导数、二阶导数、多元散射校正或数据降维等预处理，以减少噪音干扰、提高模型的预测能力。建模与实际判别时的光谱预处理方法必须一致。

(4)判别模型的建立：从真假红木中分别选择三分之二数量的样本组成建模用的培训集，按真、假红木两个类别分别建立用于软独立建模分类(SIMCA)分析的红木和假红木的两个主成分分析(PCA)模型。图1为紫檀木和花梨木近红外光谱的主成分分析(PCA)得分图，图中ZT字母代表紫檀木样本，HL字母代表花梨木样本，从图1可以看出，通过对近红外光谱的PCA分析，即可在第一、二主成分方向上比较容易地区别出紫檀木和花梨木。

(5)判别模型的验证：通过软独立建模分类(SIMCA)方法，调用剩余三分之一数量样本(验证集)的近红外光谱和真假红木的两个PCA模型，经过多变量数据分析得到验证集样本的真假红木分类，与实际类别对比发现：该模型将八类红木的所有样本判定为“红木”，而所有假红木都被判定为“假红木”，模型对真假红木的判别正确率为100％，说明该模型可以用于真假红木的识别。

(6)真假红木的识别：另外收集新的红木和假红木样本，采集近红外光谱，利用建立好的判别模型来分析新样本得到真假红木样本的类别，并与按照标准方法鉴定的结果进行对比，发现近红外光谱法的判别结果与标准方法一致，说明利用近红外光谱结合SIMCA建模方法可以实现对真假红木的快速、准确识别。

该方法的特点：常规的方法需要专业人员进行数日，且破坏试样进行切片、显微观察等，才能完成一个样本的准确识别；而本方法不破坏试样，从采谱到建模仅需数小时(以100个试样为例)，在建立好模型的基础对新样本的识别仅需数分钟(如果批量识别，以40个为例约1小时，平均1～2分钟)。

实施例2：

(1)本实施例中，木材样本的准备、近红外光谱采集、光谱预处理与建模样本的分类等方法分别与实施例1中的第1～4步骤类似，其不同的是，利用偏最小二乘判别分析(PLS-DA)法来建立模型。

(2)偏最小二乘判别分析(PLS-DA)法基于PLS回归方法，将光谱数据与分类变量进行多元回归，其判别过程主要为：

①建立培训集样本的分类变量，即真假两类；

③根据培训集建立的分类变量与光谱特征的PLS模型，计算检测集(未知样本)的分类变量的值Y_p，并与偏差值(0.5)比较，当Y_p>0.5时判定样本属于该类；当Y_p<0.5时判定样本不属于该类；当Y_p≥0.5时说明判定不稳定或不能确定。

(3)通过本实施例中培训集样本建立的判别模型，对培训集样本进行交互验证，并对剩余三分之一数量样本(验证集)进行判别，结果表明：对真假红木两类样本判别的正确率均为100％，两类样本的光谱特征与分类变量间的相关系数都超过0.90。

(4)采集另外红木和假红木样本的近红外光谱，经过与建模时相同方法的光谱数据预处理后，利用判别模型对新样本进行预测，结果表明：对红木和假红木两类样本判别的正确率均为100％，错判率为0。说明近红外光谱结合PLS-DA判别分析方法能有效地判别红木的真假。

实施例3：

本实施例中，木材样本的准备、近红外光谱采集与光谱预处理等方法分别与实施例1中的第1～3步骤类似，其不同的是，建模时将红木样本按标准分为八类、假红木则分为一类，再利用软独立建模分类(SIMCA)法建立真假红木判别及红木类别判别的模型。

判别模型的验证、红木的识别与实施例2中的第5～6步骤类似，其不同的是，该判别模型不仅可以识别红木的真假，而且可以输出红木的类别，结果表明：模型可以对红木和假红木样本进行正确判别，如果是红木则直接输出红木样本的类别，正确率均为100％。

说明利用近红外光谱结合SIMCA建模方法可以实现对真假红木及红木的类别的快速、准确识别。

实施例4：

本实施例与实施例1中的第1～3步骤类似，建模时样本的分类与实施例3中的方法类似，其不同的是，利用偏最小二乘判别分析(PLS-DA)法来建立模型。

判别模型的建立及验证、红木的识别与实施例2中的方法类似，其不同的是，该判别模型不仅可以识别红木的真假，而且可以输出各种红木的类别，结果表明：模型可以对真假红木样本的类别进行正确判别，而且，如果是红木则直接输出红木样本的类别，正确率均为100％。

说明近红外光谱结合PLS-DA法能有效地判别红木的真假，并可对红木类别进行快速、准确地判别。

实施例5：

本实施例，采用与实施例1至4类似的方法，其不同的是，选取了红木和未经处理的非红木木材，模型不仅可以输出红木的类别，也可以输出非红木木材树种的类别。

采集样本的光谱，光谱预处理，建模时将红木按标准分为八类、非红木木材按树种分为若干类，并采用软独立建模分类(SIMCA)和偏最小二乘判别分析(PLS-DA)等判别分析方法进行建模。对模型进行验证后，采集未知红木及非红木木材样本的近红外光谱，再分别利用建立好的判别模型来判别木材样本的类别，经与标准方法鉴定的结果进行对比，发现该方法的判别结果与标准方法一致，说明利用本方法可以不仅可以输出红木的类别，也可以输出非红木木材树种的类别。

实施例6：

紫檀是红木中最高级别的木材，与花梨同为紫檀属树种，但价格差别很大，由于这两种木材的显微构造差别很小，因此，在实际的鉴定工作中，这两种木材的区别非常困难。本方法利用这两种木材所含特殊化学成分的差别进行识别。

本实施例，采用与实施例1至4类似的方法，其不同的是，对目前常规方法较难区别的紫檀木与花梨木进行识别，主要利用两种木材中抽提物成分的差别来实现。

选取紫檀木和花梨木两种红木，分别将木块浸泡于水中，并适当进行搅拌或振动数小时，也可用木屑或木粉，可缩短浸泡时间并可提高浸泡效果。将浸泡溶液过滤，并采集溶液的近红外透射光谱。经光谱预处理后，建立紫檀木和花梨木两种红木的判别模型，该判别模型仅适用于紫檀木和花梨木两种红木的识别，结果表明：本方法可以准确地区别紫檀木和花梨木，方法简便，准确度高。

该方法的主要特点是：针对紫檀与花梨两种红木的木材构造差别很小，很难进行区别但价格差别很大的特点，利用两种木材中化学抽提物成分等特征的差别，建立紫檀木和花梨木两种红木的判别模型，该判别模型仅适用于紫檀木和花梨木两种红木的识别，但识别的效率和准确度高。

实施例7：

本实施例，采用与实施例1至5类似的方法，其不同的是，样本的表面为曲面、不平整、较粗糙或有污染等情况。

对于样本表面具有一定的曲面、较小程度的不平整和粗糙等情况，一般需要应用与类似特征的样本所建立的模型来判别，例如：利用曲面样本建立模型一般适用于对类似曲面样本的识别，粗糙样本建立模型一般适用于对类似粗糙样本的识别。也可以在模型中输入类似特征的变化程度较广的样本信息，以提高模型的适用范围，例如：利用多种曲面变化的样本建立模型可对多种类似曲面样本进行识别；也可以建立包括各种条件(如一定程度的曲面、不平整和粗糙)样本的判别模型，可使该模型适用于各种类似条件样本的识别。

而对于表面很粗糙、污染明显等特征的样本，模型的预测或判别效果都有可能受到影响，因此，对于这种情况建议对样本表面进行适当的刨光，再进行扫谱、建模判别。

实施例8：

本实施例，采用与实施例1至5类似的方法，其不同的是，采用样本的形态为纤维状和粉末状。

采集光谱的方法可以与实施例1中的第2步骤类似，也可以将样本放置在旋转台上再扫谱以获得更均匀和代表性的光谱信息。建模与实际分析的方法与实施例1至5类似，但建模和实际分析时的样本形态、采谱和光谱预处理等方法必须前后一致。结果表明：利用近红外光谱结合SIMCA法和PLS-DA判别分析方法都准确地识别出各种材料的种类，正确率均为100％。

本方法的特点：通常情况下，木材或竹材等木本植物材料被加工成纤维状或粉末状时，如果采用常规的切片、显微观察等方法进行树种的识别极其困难的。本方法利用了近红外光谱可以反映材料的化学特性、微观结构、颜色差别等特征的优势，来实现样本种类的快速识别。

Claims

1、一种红木的近红外光谱识别方法，其特征的步骤是，

(2)近红外光谱的采集：利用近红外光谱设备在木材样本表面的不同位置采集数次近红外光谱，对于同一个样本在3～10个位置分别采集光谱，光谱经过平均后转化成一条光谱代表一个试样；采集光谱波长范围在350nm～2500nm，在可见光至近红外短波区域350nm～1000nm的光谱信息主要表征了不同类型红木的颜色变化，而在1000nm～2500nm区域的光谱信息主要与红木的结构及化学组成有关，该红木的化学组成为红木中的特别而又丰富的各种抽提物；

(3)光谱预处理：平滑、基线校正、一阶导数、二阶导数、多元散射校正或数据降维预处理；

(4)判别模型的建立：从真假红木中分别选择三分之二数量的样本组成建模用的培训集，建模与实际判别时的光谱预处理方法必须一致，按真、假红木两个类别分别建立用于软独立建模分类分析的红木和假红木的两个主成分分析模型；

(5)判别模型的验证：通过软独立建模分类方法，调用剩余三分之一数量样本的近红外光谱和真假红木的两个主成分分析模型，该剩余三分之一数量样本为验证集，经过多变量数据分析得到样本的真假红木分类，与实际类别对比发现：该模型将八类红木的所有样本判定为“红木”，而所有假红木都被判定为“假红木”，模型对真假红木的判别正确率为100％；

2、一种红木的近红外光谱识别方法，其特征的步骤是，

(5)判别模型的验证：通过软独立建模分类方法，调用建模后剩余三分之一数量样本的近红外光谱和真假红木的9个主成分分析模型，经过多变量数据分析得到样本的真假红木及红木分类，与实际类别对比发现：该模型将八类红木的所有样本判定为“红木”，且准确判定出八类红木的类别，而所有假红木都被判定为“假红木”，该模型对真假红木判别及红木类别判别的正确率为100％；

3、根据权利要求1至2中任一项所述的一种红木的近红外光谱识别方法，其特征是，所述样本表面可替换为曲面、不平整、较粗糙或有污染面。