CN103278113B - 一种非接触式快速测定木材表面粗糙度的方法 - Google Patents

Abstract

本发明涉及一种利用可见光-近红外光谱技术测定木材表面粗糙度的方法，其步骤是对木材样品表面进行非接触式光谱数据采集，其中光谱采集所用扫描波长范围为350～2500nm，光谱数据采集时光纤与样品表面成15～90°夹角，利用所采集的光谱数据建立木材表面粗糙度预测模型，从而快速、准确的测定木材表面粗糙度。本发明旨在解决现有技术存在的问题，提供一种非接触式测量木材表面粗糙度的新方法，为木材加工行业生产出更高质量的产品服务。

Description

一种非接触式快速测定木材表面粗糙度的方法

技术领域

本发明涉及木材表面粗糙度测量技术领域，尤其涉及一种非接触式快速测定木材表面粗糙度的方法。

背景技术

木材表面粗糙度是指木材表面经切削加工或压力加工后形成的具有较小间距和峰谷所组成的微观几何形状特征，它是由加工方法和木材的材质及纹理方向所决定的(张莲洁,孟庆军,金维沫等.2000.浅谈国内外木材表面粗糙度的研究现状及发展趋势.林业机械与木工设备,28(6):7-9)。木材表面粗糙度是木制品外观质量的重要指标之一，而且，表面粗糙度也是机械加工中描述材料表面微观形貌最常用的参数,它反映的是机械零件表面的微观几何形状误差,是评价工件表面质量的重要指标。在木制品生产过程中，木材表面粗糙度直接影响木质材料的胶合性能、机械加工性能（Triboulot P,Sales C,ZerizerA,et al.1995.Correlation of Fracture Toughness of Bonded Joints with Quality(Roughness)of Knife-Planed MDF Surfaces.Holzforschung,49(5):465-470）和表面质量（Richter K,Feist W C,Knaebe M T.1995.The effect of surfaceroughness on the performance of finishes.Forest Products Journal,45(7-8):91-97）等，木材表面粗糙度问题会造成材料的不合理使用与浪费。随着人们对机械加工产品表面质量要求越来越高，表面粗糙度的测量技术的发展也愈发重要。

木材表面粗糙度的测量方法分为接触式和非接触式测量，接触式测量主要包括目测手摸法、触针法，非接触式测量主要包括声发射控制、激光、图像识别等测量方法。接触式测量是目前国内外最常用的一种方法（朱莉,郭晓刚,王巍.2006.基于DSP木材表面粗糙度测量系统的研究.森林工程,22(4):15-17），能够直观的反映工件表面的形貌特征，以其稳定、可靠等特点被广泛应用，但其易划伤木材及软质工件表面和高精度工件表面、污染和损坏触针，且受针尖端圆弧半径的限制，其测量精度有限。为了克服接触式测量方法的不足，国内外学者对非接触式表面粗糙度测量方法进行了一些研究，主要包括各种激光测量方法、超声法以及基于计算机视觉技术等方法，研究表明，非接触式测量以其快速、无损以及易于实现在线测量等特点在木材表面粗糙度的测量中得到应用，如袁得春等（袁得春,韩玉杰.2010.计算机控制激光在线检测木材表面粗糙度.东北林业大学学报,38(5):126-127）利用激光传感器对木材表面粗糙度进行了研究，Blessing等（Blessing G,Eitzen D.1989.Ultrasonic sensor for measuring surface roughness,Proceedings of the Society ofPhoto-optical Instrumentation Engineers,1009:281-289）使用超声波传感器测量木材表面粗糙度，Cyra等（Cyra G,Tanaka C,Nakao T.1996.On-line Controlof router feed speed using acoustic emission.Forest Products Journal,46(11/12):27-32）使用声发射传感器测量木材表面粗糙度，王晗等（王晗,王克奇,白雪冰等.2007.基于分形维木材表面粗糙度的研究.森林工程,23(2):13-15）利用提取木材表面的分形维数来测量表面粗糙度。但以上所述的各种激光测量方法、超声法以及基于计算机视觉技术等非接触式表面粗糙度测定方法，大多成本高、操作或分析复杂、对于表面较光滑样品的测量精度差或是处于研究阶段。

近红外光谱技术是近几十年来发展最快的分析技术，是利用材料的有机化学基团在该区域（400～2500nm）的电磁波的吸收特性来快速、准确、无损评价材料的各项性能，已广泛应用于农业、食品、医药、纸浆造纸等各个领域。近红外光谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，记录了分子化学键的基频振动的倍频和合频信息，主要是含氢基团（C-H，O-H，N-H，S-H）的信息，包含了绝大多数类型有机物组成和分子结构的丰富信息，不同的基团和同一基团在不同化学环境中的吸收波长有明显差别，可以作为获取组成或性质信息的有效载体。近红外光谱不仅能够反映绝大多数的有机化合物的组成和结构性能信息，而且对某些无机离子化合物也能够通过它对共存的本体物质影响引起的光谱变化，间接地反映它存在的信息。样品的近红外光谱不仅包含样品的化学组分、键强度、电负性和氢键的信息，而且还有样品的散射、漫反射、特殊反射、表面光泽、折光指数和反射光的偏振等信息，这是近红外光谱分析技术能够用来分析有机化合物的基础。木材是一种由植物细胞组成的多孔性天然高分子材料，其成分主要为纤维素、半纤维素和木质素，三大素主要由C、H、O三种元素组成，在可见光-近红外光谱区域有吸收，可见光-近红外光谱技术已广泛应用于木材物理化学性质的预测，如密度（Schimleck L R,Michell A J,Raymond C A,et al.1999.Estimation of basic density of Eucalyptus globulus using near-infraredspectroscopy.Canadian Journal of Forest Research,29(2):194-201）、含水率（Adedipe E O,Dawson-Andoh B et al.2008.Predicting moisture content ofyellow-poplar(Liriodendron tulipifera L.)veneer using near infrared spectroscopy.Forest Products Journal,58(4):28-33）、微纤丝角度（Schimleck L R,Evans R.2002.Estimation of microfibril angle of increment cores by near infraredspectroscopy.IAWA Journal,23(3):225-234）、木材颜色（Yang Z,Lv B,Fu Y J.2012.The Relationship between Near Infrared Spectroscopy and Surface Color ofEight Rosewoods.Advanced Materials Research Vols,479-481:1772-1776）和化学组成（Michell A J.1995.Pulpwood quality estimation by near-infraredspectroscopic measurements on eucalypt woods.Appita Journal,48(6):425-428;Kelley S S,Rials T G,Snell R,el al.2004.Use of near infrared spectroscopy tomeasure the chemical and mechanical properties of solid wood.Wood Science andTechnology,38(4):257-276;Terdwongworakul A,Punsuwan V,Thanapase W,etal.2005.Rapid assessment of wood chemical properties and pulp yield ofEucalyptus camaldulensis in Thailand tree plantation by near infrared spectroscopyfor improving wood selection for high quality pulp.Journal of Wood Science,51(2):167-171）等的测定。非接触式可见光-近红外光谱结合多变量数据分析技术作为一项新的快速、无损木材表面粗糙度测定技术，现今仍处于初步研究阶段。

发明内容

为了解决上述现有技术中存在的技术问题，为木材加工行业生产出更高质量的产品服务，本发明提出一种非接触式快速测定木材表面粗糙度的方法，其包括如下工艺步骤：

木材取样后对样品表面进行非接触式光谱数据采集，其中光谱采集所用扫描波长范围为350～2500nm，非接触式光谱数据采集时光纤与样品表面成15～90°之间的夹角；

基于所采集的光谱数据建立木材表面粗糙度预测模型，快速测定木材表面粗糙度。

其中所述的扫描波长范围为400～780nm或780～1100nm或1100～2500nm。

其中所述非接触式光谱数据采集时光纤与样品表面成45～70°夹角。

其中所述非接触式光谱数据采集时，光纤与样品表面成不同夹角并将采集的光谱数据合并平均。

其中所述的建模分析基于多变量数据分析方法中的偏最小二乘法。

其中所述木材选自为针叶树种和/或阔叶树种，优选为桉木和/或杉木。

其中所述的方法采用以下工艺步骤：

1）将针叶树木材或阔叶树木材干燥加工成木块；

2）利用非接触式光谱仪采集木材样品横切面、径切面和弦切面三个切面的轮廓光谱数据；

3）光谱数据采集时与样品表面成15～90°夹角，采集单一夹角条件下的光谱数据，或多个夹角条件下的光谱数据加以合并平均；

4）将所采集的光谱数据，基于偏最小二乘法建立模型分析后得到的木材表面粗糙度结果。

其中所采集的光谱数据不进行平滑处理、基线处理和标准归一化等预处理，直接建模分析。

附图说明

图1是本发明木材样品横切面的粗糙度轮廓曲线；

图2是本发明不同表面粗糙度杉木样品近红外光谱吸收图；

图3是本发明不同表面粗糙度桉树样品近红外光谱吸收图；

图4是本发明样品表面粗糙度参数Ra预测值与实测值相关系数图；

图5是本发明样品在400～2500nm处NIR预测值Ra与实测值相关系数图；

图6是本发明样品在780～2500nm处NIR预测值Ra与实测值相关系数图；

图7光纤与样品表面不同夹角的样品可见光-近红外光谱吸收图；

图8光纤与样品表面夹角45°样品Ra预测值与实测值相关散点图；

图9光纤与样品表面夹角70°样品Ra预测值与实测值相关散点图；

图1045°和70°两个夹角的光谱合并平均后样品Ra预测值与实测值相关散点图。

具体实施方式

以下结合附图对本发明进行详细说明。

实施例1：

1.1木材样本取样

采用一种针叶材和一种阔叶材树种的木材为试验材料，针叶材树种为杉木（Cunninghamia lanceolata），采自安徽省黄山林场，阔叶材树种为粗皮桉（Eucalyptus Pellita），采自广东省遂溪县城月镇雷州林业局迈进林场。每个树种各采伐5棵树，在每棵树上1.3m高度位置截取10cm厚的圆盘，在大气中干燥后，分别用电锯加工成15mm×15mm×15mm具有不同表面粗糙度的木块，每个树种取60个试样，共取120个试样。

1.2仪器

1.2.1木材表面粗糙度测定仪

本实验采用触针式轮廓法测量木材表面粗糙度作为建模用标准值，采用日本生产的便携式HANDYSURF（E-35A）粗糙度测定仪，其主要技术参数为（1）测量参数：轮廓算术平均值偏差（Ra）、微观不平度十点高度（Rz）和轮廓最大高度（Ry）等；（2）测量范围：±160μm；（3）取样长度：0.08mm、0.25mm、0.8mm和2.5mm；（4）评定长度：0.4～12.5mm；（5）触针针尖角度：90°；（6）针尖圆弧半径：5μm；（7）驱动速度0.6mm/s。

1.2.2近红外光谱仪

实验用设备是由美国ASD公司（分析光谱设备公司）生产的便携式近红外光谱仪，光谱仪的波长范围在350～2500nm，包括了可见光区到近红外光区，光谱采样间隔为1nm。采用光纤探头采集试样表面的近红外光谱，光纤探头在试样表面的垂直上方，光谱的空白校准采用商用聚四氟乙烯制成的白色材料，光斑直径为8mm并与样品的纵轴保持平行。样品经过光纤探头采集每扫描30次并自动平均为一条光谱后保存起来，得到的近红外光谱经ASD提供的专业软件转换成光谱数据文件，并在软件中进行数据处理与模型的建立，本研究均采用近红外光谱区域（780～2500nm）的光谱数据进行建模与预测。

1.3方法

本实验设定粗糙度测定仪的取样长度为0.8mm，评定长度为4.0mm，包括5个取样长度。由于木材的材质和纹理在三切面有所不同，木材表面粗糙度也会有差异，实验分别测量了各样品三切面的粗糙度，触针在三切面上均以横纹理方向划过，主要通过测量了轮廓算术平均值偏差（Ra）、微观不平度十点高度（Rz）和轮廓最大高度（Ry）三个高度特性参数对木材表面粗糙度进行了分析。

在建立木材表面粗糙度和光谱数据之间的关系模型时，利用Unscrambler软件中的偏最小二乘法（PLS）进行分析，以相关系数（r)、校正标准误差（SEC）、预测标准误差（SEP）、偏差（Bias）作为模型预测能力的评价指标。

2结果与讨论

2.1木材表面粗糙度的分析

表1木材样品表面粗糙度结果统计

实验对表面粗糙度的3个主要高度特性参数进行了测量，其中，轮廓算术平均值偏差Ra是指取样长度内，被测轮廓上的各点至轮廓中线偏距绝对值的算术平均值；微观不平度十点高度Rz是指取样长度内5个最大的轮廓峰高与5个最大的轮廓谷深的平均值之和；轮廓最大高度Ry是指取样长度内，轮廓的峰顶线和谷底线之间的距离。在一般情况下，优先选用轮廓算术平均值偏差Ra，因为Ra能充分反映样品表面的轮廓特征。

表1测量数据表明，在树种和加工条件相同的情况下，木材样品的横切面比较粗糙，弦切面和径切面比较光滑，且样品在横切面的粗糙度差异最大，如在杉木和桉树的混合样品中，横切面、径切面、弦切面的轮廓算术平均值偏差Ra变化范围分别为2.25～17.30μm、1.85～10.55μm、1.60～8.45μm，平均值分别为7.93μm、4.35μm、3.80μm。实验中还发现，杉木表面明显比桉树表面粗糙，这可能是因为阔叶材桉树结构致密，表面材质均匀，表面较光滑，如图1为杉木样品和桉树样品横切面的粗糙度轮廓曲线，其中两样品的粗糙度轮廓曲线是在5个取样长度内，由木材表面6677个点所构成的轮廓图,如图1所示，杉木的轮廓曲线高于桉树轮廓曲线，在两条轮廓曲线中测定的杉木样品和桉树样品的轮廓算术平均值偏差Ra分别为13.20μm、5.50μm。

2.2不同粗糙度木材的近红外光谱特征分析

图2、3分别为杉木样品、桉树样品在780～2500nm处的近红外吸收光谱图，两树种样品均取自不同的粗糙度试样，以轮廓算术平均值偏差Ra高低代表样品表面粗糙度程度，图2中样品1、样品2和样品3的轮廓算术平均值偏差Ra分别为5.10μm、9.60μm和18.80μm，Rz分别为32.40μm、49.30μm、96.00μm，Ry分别为49.60μm、64.20μm、132.60μm，而从图中可以看出，3个样品对应的近红外光谱吸收随着轮廓算术平均值偏差Ra值的增大而降低。图3中样品1、2、3的轮廓算术平均值偏差Ra值分别为1.40μm、6.10μm和11.90μm，Rz分别为10.80μm、37.30μm、63.60μm，Ry分别为16.60μm、50.60μm、76.80μm，3个样品的近红外光谱吸收情况同图2杉木样品相似，也随Ra值的增大而降低。

从图2和3中可以看出，对于同一树种，不同粗糙度的木材样品的近红外光谱吸收有差异，无论是杉木树种还是桉树树种，表面越粗糙的样品其近红外光谱吸收值越低。这可能是因为木材表面粗糙度会使近红外漫反射光发生分散，从而改变样品近红外光谱的吸光度，当粗糙度较大时，其光学表面粗糙，影响了光的反射，使得近红外的吸收比较低，而对粗糙度较小的样品，样品表面比较光亮,对光的反射会比较强烈，近红外的吸收就强。

2.3近红外光谱法快速预测木材表面粗糙度的研究

近红外光谱预测技术是依据样品近红外光谱所包含的化学组分、键强度、电负性和氢键，还有样品的散射、漫反射、特殊反射、表面光泽、折光指数和反射光的偏振等信息木材性质的近红外光谱预测技术是依据样品近红外光谱所包含的化学组分、键强度，还有样品的散射、漫反射、特殊反射、表面光泽、折光指数和反射光的偏振等信息与木材性质之间建立的数学关系，来预测未知木材样品的性质。近红外光谱预测木材表面粗糙度的基本原理是利用样品表面的近红外光谱特征吸收峰与样品表面粗糙度参数值之间建立的数学关系，来预测未知样品的表面粗糙度。木材表面粗糙度影响样品对光的吸收、反射和折射等信息，不同表面粗糙度的木材表面，其近红外光谱的吸光度会有所不同。因此，可以尝试利用样品表面的近红外光谱信息对木材表面粗糙度进行非接触式预测。

一般情况下，表面粗糙度是影响近红外光谱分析的“干扰”因素之一，而光谱预处理也可能会滤掉包含或隐藏有样品表面粗糙度的光谱信息，因此，本实验采用样品表面的原始光谱数据进行建模预测。由于木材横切面粗糙度最大，且样品粗糙度差异在横切面表现最明显，为了初步探讨近红外光谱技术测定木材表面粗糙度的可行性，本文以样品横切面为例进行研究分析，采用样品横切面的原始光谱数据来预测木材表面粗糙度。表2是两树种样品的横切面表面粗糙度轮廓算术平均值偏差Ra、微观不平度十点高度Rz和轮廓最大高度Ry与对应的近红外光谱吸收结合PLS分析方法建立的模型和预测结果。

表2所建立的模型光谱范围均为780～2500nm，模型I是由杉木样品所建立的模型，模型II为桉树样品，模型III杉木和桉树样品的混合模型，其中，模型样本数均为总样本的2/3，预测样本为1/3。从表中可以看出模型Ⅰ和模型Ⅲ表面粗糙度的预测相关系数基本上都高于0.8，而模型II桉树样品预测的相关系数较低，只有0.7左右。杉木样品较粗糙且粗糙度变化范围大，样品粗糙度较大对样品近红外光谱的吸收与反射影响较大，而样品粗糙度变化范围大也会提高模型精度，因此模型I预测效果较好。模型II预测效果较差可能是因为桉树为阔叶材，而阔叶材的组成和结构比较复杂，近红外光谱预测技术是依据样品近红外光谱所包含的化学组分、键强度、电负性和氢键，还有样品的散射、漫反射、特殊反射、表面光泽、折光指数和反射光的偏振等信息，而桉树的粗糙度较低，表面粗糙度对木材近红外光谱的吸收影响不大，因此预测结果较差。模型III杉木和桉树混合样品的相关系数较高，将两个树种放在一起粗糙度的变化比较大，样品数量大且涵盖粗糙度范围广，模型预测的效果比较好，图4为模型III的样品表面粗糙度参数Ra实测值与预测值相关系数图。总体来说，在正确选择建模的样品的前提下，近红外光谱技术是可以实现对木材表面粗糙度的非接触式预测。

表2木材粗糙度模型预测结果

本发明对近红外光谱技术快速度预测木材表面粗糙度的可行性进行了探讨，结果表明利用木材近红外光谱所建立模型对木材表面粗糙度的预测值与木材表面粗糙度的实际值相关系数可达0.8以上。因此，应用近红外光谱技术快速预测木材表面粗糙度切实可行。

实施例2.

1材料与方法

1.1试样

采用的天然高分子材料是未经任何处理的天然木材，树种为水杉（Metasequoia glyptostroboides），采自安徽省滁州市沙河林场，采伐共5棵树，在每棵树上1.3m高度位置截取10cm厚的圆盘，在大气中干燥后，分别用电锯加工成15mm×15mm×15mm具有不同表面粗糙度的木块，共60个试样。

1.2高分子材料表面粗糙度的测定

采用触针式轮廓法测量高分子材料木材表面的粗糙度作为建模用标准值，设备为日本生产的便携式HANDYSURF（E-35A）粗糙度测定仪，取样长度为0.8mm，评定长度为4.0mm。分别测量样品的横切面、径切面和弦切面的表面粗糙度，触针在三个切面上均以横纹理方向划过，主要测量了样品表面的3个高度特性参数：轮廓算术平均值偏差（Ra）、微观不平度十点高度（Rz）和轮廓最大高度（Ry）。

1.3可见光-近红外光谱的采集与分析

光谱采集是用美国ASD公司生产的便携式近红外光谱仪，扫描范围为350～2500nm，包括了可见光区到近红外光区，光谱采样间隔为1nm。利用光纤探头在试样表面进行非接触式的光谱采集，以商用聚四氟乙烯制成的白色物质为背景，扫描次数为30次，光斑直径为8mm。光纤与样品表面的夹角分别保持90°、70°、45°和15°。建模时，利用CAMO公司的Unscrambler软件中的偏最小二乘法（PLS）进行分析，在所采集光谱的样本中，随机地抽取2/3的样本作为校正集建立模型，剩余1/3的样本作为预测集，本研究采用可见光-近红外光谱区域（400～2500nm）的光谱数据进行建模与预测。以相关系数r、校正标准误差SEC、预测标准误差SEP作为模型预测能力的评价指标。

2结果与讨论

2.1可见光-近红外光谱技术快速预测高分子材料表面粗糙度的研究

本实验分别测量了60个样品三个切面的表面粗糙度，其中，三切面的轮廓算术平均值偏差（Ra）的范围分别为：横切面3.90～22.60μm、径切面3.60～15.40μm、弦切面2.30～13.80μm；微观不平度十点高度（Rz）分别为：横切面23.50～115.60μm、径切面20.70～79.20μm、弦切面14.50～68.70μm；轮廓最大高度（Ry）分别为：横切面33.50～152.60μm、径切面24.60～169.30μm、弦切面20.00～102.80μm。从数据中可以看出木材横切面较径切面和弦切面粗糙，基于三切面表面粗糙度程度不同，本实验分别对样品三个切面的表面粗糙度在可见光-近红外光谱区域（400～2500nm）进行了建模预测，其中光纤与样品表面夹角保持为90°。

表3是利用可见光-近红外光谱技术结合偏最小二乘法建立的模型校正与预测结果，从表中可以看出三切面表面粗糙度模型中轮廓算术平均值偏差（Ra）、微观不平度十点高度（Rz）和轮廓最大高度（Ry）的实测值与预测值相关系数基本在0.80～0.90之间，呈显著相关，说明利用可见光-近红外光谱技术预测天然高分子材料表面粗糙度是可行的。在三切面表面粗糙度的模型预测中,Ra和Rz的实测值与预测值的相关系数均高于0.70，而Ry（r=0.64）预测效果不太稳定，这是由于Ry是指在取样长度内（本试验中触针在样品表面划过的4mm，共采集6677个数据点），轮廓峰顶线和轮廓谷底线之间的距离，Ry并不能完全反映表面粗糙度的综合信息，而样品表面光谱数据反映的是样品的整体信息。另外，从表3中还可以看出样品横切面的模型精度及模型预测效果均优于径切面和弦切面，如校正模型中横切面、径切面和弦切面Ra的实测值与预测值的相关系数r分别为：0.89、0.75和0.84，预测未知样品Ra的实测值与预测值的相关系数r分别为：0.83、0.74和0.72，这是由于木材细胞大部分为纵向排列，横切面较径切面和弦切面多孔，横切面较粗糙且粗糙度变化范围大，粗糙度较大对样品可见光-近红外光谱的吸收与反射影响较大，从而提高了表面粗糙度的模型精度。

表3木材三切面表面粗糙度模型校正及预测结果（400～2500nm）

2.2光谱波长范围对可见光-近红外光谱预测结果的影响

表4是样品在分段光谱400～780nm、780～1100nm、1100～2500nm、780～2500nm不同波长范围的表面粗糙度模型及预测结果，从表中可以看出校正模型中表面粗糙度参数的实测值与预测值相关系数较高，均达到0.80以上，被预测的未知样品的Ra和Rz的实测值与预测值的相关系数可达0.70以上，说明采用分段的光谱范围也可以对天然高分子材料表面粗糙度进行预测。

表4不同波长范围的横切面表面粗糙度模型校正及预测结果

与表3中数据相比，在可见光-近红外光谱区域400～2500nm处较近红外区780～2500nm处未知样品表面粗糙度参数的实测值与预测值相关系数稍高，这是由于在可见光400～780nm处样品表面光谱与表面粗糙度参数Ra、Rz和Ry存在相关性（r=0.87、0.85和0.85），样品表面对可见光的吸收有影响，因此，可见光-近红外光谱数据能够更全面的反映样品表面粗糙度信息，图5和图6分别为样品在可见光-近红外光谱区和近红外光谱区域处所建模型表面粗糙度Ra的实测值与预测值相关系数图。从表4中还可以看出在短近红外光谱区780～1100nm处较长近红外光谱区1100～2500nm处的模型及模型预测效果稍差，这可能是因为短近红外光谱区域的信息量较长波区域包含的信息少，并且在短近红外光谱区有颜色的吸收会影响样品的分析。

可见光-近红外光谱技术结合触针式轮廓法可以快速预测天然高分子材料木材的表面粗糙度，利用可见光-近红外光谱（400～2500nm）技术结合PLS方法得到的模型校正和预测结果理想。

2.3光纤与样品表面不同夹角对可见光-近红外技术预测表面粗糙度的影响

上述实验数据中均可证明可见光-近红外光谱技术预测木材表面粗糙度是可行的，且在波长范围为400～2500nm处的横切面表面粗糙度预测效果最佳。在以上基础上，本实验继续探讨了光纤与样品表面不同夹角条件下采集的光谱对预测木材表面粗糙度的影响，图7是光纤与样品表面夹角分别为90°、70°、45°及15°时所获得的木材表面光谱吸收图。

从图7中可以看出，随着光纤与样品表面夹角的变化，所获得的木材表面光谱吸收图也呈现规律的变化，这是由于光纤与样品表面夹角的变化会导致木材表面漫反射光发生分散，且不同的夹角会反映样品不同的表面信息，从而样品表面的可见光-近红外光谱信息会发生变化。为了探讨光纤与样品表面的不同夹角对可见光-近红外光谱技术预测木材表面粗糙度的影响，本实验分别选取了光纤与样品表面不同夹角条件下采集的光谱及光谱平均后的光谱数据，建立可见光-近红外光谱预测木材表面粗糙度的模型。通过实验观察到，对于同一个样品同一个粗糙度条件，光纤与样品表面夹角从45°开始越小，光谱的噪音也大，接近0°（光纤与样品表面平行）时得到的光谱几乎只有噪音而没有样品信息；光纤与样品表面的夹角在45°～90°之间时的光谱信息比较理想、稳定。为了比较采用单一光纤与样品表面夹角条件下采集的光谱数据，与两个或多个夹角条件下光谱合并数据，对木材表面粗糙度预测效果的影响，本实验分析了光纤与样品表面两种不同夹角（45°、70°）以及两条光谱平均（合并）后的光谱信息建立可见光-近红外光谱预测木材表面粗糙度的模型效果，表5是光纤与样品表面不同夹角对可见光-近红外光谱预测表面粗糙度的影响（400～2500nm），图8～10为三个模型的样品表面粗糙度Ra实测值与预测值相关散点图。

表5光纤与样品表面不同夹角对可见光-近红外光谱预测表面粗糙度的影响（400～2500nm）

从表5和图8～10中可以看出，光纤与样品表面不同的夹角获得的木材表面光谱数据所建立的表面粗糙度模型中真实值与预测值呈现较高的相关性，且夹角为45°、70°时所建立的表面粗糙度模型效果相当。但利用两条不同夹角的光谱数据平均之后所建立的模型效果优于前两种模型，这是由于光纤与样品表面夹角不同，所反映的木材表面信息不同，两条不同夹角的光谱数据平均之后综合了木材表面光谱信息，提高了样品光谱数据的准确性和全面性，从而获得较好的模型效果。

由于，采集光谱时光纤与样品表面的夹角变化对光谱有影响，将光纤与样品表面不同夹角条件下采集的光谱数据进行平均（合并），这样每个样品的光谱信息就更加丰富，更充分反映了表面粗糙的信息。所以，采用两个或多个夹角条件下采集的光谱数据，比利用一个夹角条件下采集的光谱数据，预测木材表面粗糙度的效果好。

2.4光谱预处理对可见光－近红外光谱预测结果的影响

近红外光谱往往包含一些与待测样品性质无关的因素带来的干扰，如样品的状态、光的散射、杂散光及仪器响应等的影响，因此，在获取样品光谱数据后常对原始光谱进行预处理，以增强光谱的有效信息，消除各种因素的干扰，增加样品之间的差异，从光谱中提取充分的样品信息从而提高模型的稳定性和质量。本实验分别对样品的光谱数据进行了一阶微分、二阶微分、平滑、基线校正和标准归一化，以下是经过处理后的样品横切面光谱数据的模型校正和预测结果。

表6光谱预处理后的横切面表面粗糙度模型校正及预测结果（400～2500nm）

与表3中400～2500nm处的样品原始光谱所建模型相比，从表6中可以看出，经过一阶微分处理后的近红外光谱数据所建立的模型精度并未提高，被测未知样品表面粗糙度参数的实测值与预测值的相关系数稍微提高，而经过二阶微分处理后的模型校正和预测结果均降低，其预测未知样品Ra、Rz和Ry的相关系数只为0.63、0.66和0.38，这可能是由于微分处理在减弱和消除各种非目标因素对光谱影响的同时，也减弱了目标因素的信息。

平滑处理、基线处理和标准归一化处理后的光谱的建模效果没有提高，反而较原始光谱所建模型效果更差，这可能是由于木材为多孔性天然高分子材料且表面较粗糙，经过谱图优化后，反映样品粗糙度信息的部分光谱谱带被滤去或被隐藏，从而导致表面粗糙度的模型校正和预测效果降低。以上结果表明，利用可见光-近红外原始光谱或经过一阶微分处理后的光谱预测木材这种天然高分子材料表面粗糙度的效果最好。

由以上实验数据可见，可见光-近红外光谱技术结合触针式轮廓法可以快速预测天然高分子材料木材的表面粗糙度，利用可见光-近红外光谱（400～2500nm）技术结合PLS方法得到的模型校正和预测结果理想。样品三个切面表面粗糙度模型中Ra、Rz和Ry的实际值与预测值相关系数可达0.92，在模型预测未知样品时，Ra效果好，Ry次之，Rz效果最差，在三切面分别建立的近红外模型中，横切面表面粗糙度模型效果最好，相关系数均在0.90左右，显著相关。利用可见光、短近红外区、长近红外区以及近红外等分段光谱都可以对样品的表面粗糙度进行建模预测，其模型表面粗糙度参数的真实值与预测值相关系数可达0.80左右，但在可见光-近红外光谱区所建立的表面粗糙度模型和预测效果最好。采用两个或多个夹角条件下采集的光谱数据，比利用一个夹角条件下采集的光谱数据，预测木材表面粗糙度的效果好。采用微分、平滑、基线校正等光谱预处理方法没有提高近红外模型的预测效果，反而降低了模型预测未知样品表面粗糙度参数的效果。

应说明的是：以上实施例仅用以说明本发明而非限制，本发明也并不仅限于上述举例，一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。

Claims (5)

1.一种非接触式可见光-近红外光谱快速测定木材表面粗糙度的方法，其特征在于包括如下工艺步骤：

木材取样后对样品表面进行非接触式光谱数据采集，其中光谱采集所用扫描波长范围为400～2500nm，非接触式光谱数据采集时光纤与样品表面成45～90°之间的夹角，所述非接触式光谱数据采集时，光纤与样品表面成不同夹角并将采集的光谱数据合并平均，所采集的光谱数据不进行预处理直接建模分析，

基于所采集的光谱数据建立木材表面粗糙度预测模型，快速测定木材表面粗糙度，其中建模分析基于多变量数据分析方法中的偏最小二乘法。

2.根据权利要求1所述的非接触式可见光-近红外光谱快速测定木材表面粗糙度的方法，其特征在于所述的扫描波长范围为400～780nm或780～1100nm或1100～2500nm。

3.根据权利要求1或2所述的非接触式可见光-近红外光谱快速测定木材表面粗糙度的方法，其特征在于，所述木材为桉木和/或杉木。

4.根据权利要求1或2所述的非接触式可见光-近红外光谱快速测定木材表面粗糙度的方法，其特征在于采用以下工艺步骤：

1)将针叶树木材或阔叶树木材干燥加工成木块；

2)利用非接触式光谱仪采集木材样品横切面、径切面和弦切面三个切面的轮廓光谱数据；

3)光谱数据采集时光纤与样品表面成45～90°夹角，采集单一夹角条件下的光谱数据，或多个夹角条件下的光谱数据加以合并平均；

4)将所采集的光谱数据，基于偏最小二乘法建立模型分析后得到的木材表面粗糙度结果，其中：所采集的光谱数据不进行预处理。

5.根据权利要求1或2所述的非接触式可见光-近红外光谱快速测定木材表面粗糙度的方法，其特征在于所述预处理包括微分处理、平滑处理、基线处理和标准归一化处理。