CN115372310B - 一种用近红外光谱技术预测湿地松弹性模量的方法及系统 - Google Patents
一种用近红外光谱技术预测湿地松弹性模量的方法及系统 Download PDFInfo
- Publication number
- CN115372310B CN115372310B CN202210998257.5A CN202210998257A CN115372310B CN 115372310 B CN115372310 B CN 115372310B CN 202210998257 A CN202210998257 A CN 202210998257A CN 115372310 B CN115372310 B CN 115372310B
- Authority
- CN
- China
- Prior art keywords
- elastic modulus
- wetland
- near infrared
- prediction model
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 235000011613 Pinus brutia Nutrition 0.000 claims abstract description 71
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims abstract description 70
- 241000018646 Pinus brutia Species 0.000 claims abstract description 70
- 238000012795 verification Methods 0.000 claims abstract description 41
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 239000002023 wood Substances 0.000 claims description 57
- 239000000843 powder Substances 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000036961 partial effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010298 pulverizing process Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 2
- 235000005205 Pinus Nutrition 0.000 description 2
- 241000218602 Pinus <genus> Species 0.000 description 2
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000000020 growth cone Anatomy 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000218641 Pinaceae Species 0.000 description 1
- 235000011334 Pinus elliottii Nutrition 0.000 description 1
- 241000142776 Pinus elliottii Species 0.000 description 1
- 240000007263 Pinus koraiensis Species 0.000 description 1
- 235000011615 Pinus koraiensis Nutrition 0.000 description 1
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种用近红外光谱技术预测湿地松弹性模量的方法及系统，包括以下步骤：获得湿地松木芯样品；基于湿地松木芯样品，获得原始近红外光谱数据和所述湿地松木芯样品的弹性模量测定值；将原始近红外光谱数据和湿地松木芯样品的弹性模量测定值，划分为校正集和外部验证集；基于校正集，建立湿地松弹性模量近红外预测模型；将未参与建模的外部验证集的近红外光谱图带入上述弹性模量近红外预测模型得到预测值，通过对比验证集弹性模量预测值与测定值之间的差异，完成对湿地松弹性模量预测模型的检验。通过建立湿地松弹性模量的预测模型，可为湿地松育种群体弹性模量大规模测定提供一种简单、快速、准确的方法。
Description
技术领域
本发明属于预测松树弹性模量技术领域，具体是一种用近红外光谱技术预测湿地松木材弹性模量的方法及系统。
背景技术
湿地松(Pinus elliottii Engelm)为松科松属乔木，原产美国东南部，是世界松属中最重要的针叶用材树种之一。湿地松在我国已有70多年的引种历史，是我国南方集体林区工业原料林的主要树种，它生长迅速，适应性强，木材利用价值高，可作多种工业用材、建筑材及纸浆材，还能生产优质松香、松脂等林副产品，因而在世界亚热带及热带地区作为工业人工林的主要树种被广为种植。
弹性模量(Modulus of Elasticity，MOE)是产生单位应变时需要的应力大小，材料抵抗变形能力的大小，是表示木材的劲度或弹性的性状。其微观原理是表征材料原子间的结合力。即在比例极限之内，抵抗弯曲变形的能力。湿地松木材弹性模量力学参数的测量，对于其木材的质检和有效使用具有重大意义。
近红外光谱技术(Near Infrared Reflectance Spectroscopy，简称NIRS)作为一种“绿色”的无损检测技术，能够快速、简便、精准地对各种状态的有机物试样进行无损检测，如粉末、固体、液体等有机物试样，该方法在造纸、农业、食品、烟草等领域得到了广泛的应用。近年来，近红外光谱技术亦得到了林业工作者的重视，逐步应用于木材材性的检测。
传统的木材弹性模量检测方法是静态弯曲法，但该方式需要获得木材的力学试件，对木材有一定的损害，且此测试方法成本高、效率低，每次测量的样品仅为几株或数十株，耗时较长。因此，寻求一种能够高效且精准的湿地松弹性模量预测方法，对湿地松材性遗传改良有着重要意义。
发明内容
为解决上述技术问题，本申请提出了一种用近红外光谱技术预测湿地松木弹性模量的方法及系统，通过建立湿地松弹性模量的预测模型，完成对湿地松大规模育种群体木材弹性模量快速、准确的测定。
一方面为实现上述目的，本发明提供了利用近红外光谱技术预测湿地松弹性模量的方法，包括如下步骤：
获得湿地松木芯样品；
基于所述湿地松木芯样品，获得木芯样品原始近红外光谱数据和弹性模量测定值；
将所述湿地松木芯样品的原始近红外光谱数据和弹性模量测定值，划分为校正集和外部验证集；
基于所述校正集，建立湿地松弹性模量近红外预测模型；
将所述外部验证集近红外光谱数据带入所述湿地松弹性模量近红外预测模型，完成对所述湿地松木弹性模量预测模型预测水平的评价。
可选地，获得所述湿地松木芯样品的弹性模量测定值的方法为：
由SilviScan木材测定系统对所述湿地松木芯样品进行测量，获得所述湿地松木芯样品弹性模量测定值。
可选地，获得所述原始近红外光谱数据的过程包括：
将所述湿地松木芯样品粉碎成木粉细末；
对所述木粉细末进行筛选，选取40-60目的所述木粉细末为待测样品；
利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据。
可选地，利用傅里叶近红外光谱仪对所述待测木粉样品进行光谱扫描时，扫描范围为15000-4000cm-1，分辨率为8，室内温度在27℃左右，空气湿度为40％-60％；每个所述待测样品扫描5次，重复装样5次取平均值。
可选地，建立所述湿地松弹性模量近红外预测模型的过程包括：
将所述校正集的原始近红外光谱数据，利用二阶导数进行数据预处理；
基于偏最小二乘法结合留一法交叉验证，将所述校正集的弹性模量测定值和所述近红外光谱数据相关联进行拟合，建立所述湿地松弹性模量近红外预测模型。
可选地，所述湿地松弹性模量近红外预测模型构建过程中，还需根据残差影响图和残差分布图剔除所述湿地松弹性模量近红外预测模型中的异常样品。
可选地，所述利用近红外光谱技术预测湿地松弹性模量的方法还包括对所述湿地松弹性模量近红外预测模型进行验证，其步骤包括：
基于所述外部验证集的原始近红外光谱数据，获得近红外原始光谱图；
将所述外部验证集近红外原始光谱图带入所述湿地松弹性模量近红外预测模型，获得所述外部验证集湿地松弹性模量的预测值；
对比所述外部验证集弹性模量预测值与弹性模量测定值之间的线性关系和残差值；
基于所述线性关系和残差值，获得所述湿地松弹性模量近红外预测模型的实测能力。
另一方面为实现上述目的，本发明提供了一种用近红外光谱技术预测湿地松弹性模量的系统，包括：包括木芯样品获取模块、数据获取、数据划分模块、模型构建模块和外部验证模块；
所述木芯样品获取模块，用于获得湿地松木芯样品；
所述数据获取模块，用于基于所述湿地松木芯样品，获得其原始近红外光谱数据和所述湿地松木芯样品的弹性模量测定值；
所述数据划分模块，用于将所述湿地松木芯样品的原始近红外光谱数据和弹性模量测定值，划分为校正集和外部验证集；
所述模型构建模块，用于基于所述校正集，建立湿地松弹性模量近红外预测模型；
所述外部验证模块，用于将所述外部验证集近红外光谱数据带入所述湿地松弹性模量近红外校正预测模型，对比外部验证集弹性模量预测值和测定值之间的差异，完成对所述湿地松木弹性模量预测模型预测水平的评价。
与现有技术相比，本发明具有如下优点和技术效果：
传统的木材弹性模量检测方法是静态弯曲法，但该方式需要获得木材的力学试件，对木材有一定的损害，且此测试方法成本高、效率低，每次测量的样品仅为几株或数十株，耗时较长。因此，寻求一种能够高效且精准的湿地松弹性模量预测方法，对湿地松材性遗传改良有着重要意义。
本发明提出了采用近红外光谱技术来实现对湿地松木材弹性模量的预测并提供了预测模型和模型的建立方法，此方法有效节约了测试时间、成本，保障了模型的预测水平，从而为湿地松木材的合理高效利用及优良林木培育提供快速、可靠的检测方法和科学依据。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例一的利用近红外光谱技术预测湿地松弹性模量的方法的流程图。
图2为本发明实施例一的湿地松木芯样品的原始光谱图；
图3为本发明实施例一的校正集样品弹性模量正态pp图；
图4为本发明实施例一的湿地松弹性模量近红外预测模型未剔除异常样品前弹性模量建模结果；
图5为本发明实施例一的湿地松弹性模量近红外预测模型残差影响图；
图6为本发明实施例一的湿地松弹性模量近红外预测模型残差分布图；
图7为本发明实施例一的湿地松木材弹性模量校正结果图；
图8为本发明实施例一的弹性模量近红外模型的交互验证均方根误差RMSECV随主成分数变化图。
图9为本发明实施例一的外部验证集弹性模量预测结果图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
实施例一
如图1所示，本发明提供了利用近红外光谱技术预测湿地松弹性模量的方法：
本实施例在建立模型时所使用的湿地松木芯样品取自江西省中部的吉安市白云山林场的湿地松人工试验林，采用以下步骤实现本发明：
1.湿地松木芯样品的确定及取样方法
本实施案例在建立模型时所使用的湿地松木芯样品取自江西省中部的吉安市白云山林场，在28年生的112个家系的湿地松人工林中，根据不同家系保存率结果，选取20个家系进行研究，每个家系选取4-6株样木，共100株样木。使用内径口为12mm的生长锥在选定样木胸高1.3m处进行取样，要求生长锥由南面韧皮部直至北面韧皮部取一完好木芯，共锥取100根木芯。依次对取出样芯进行编号，放入可防止样芯变形的木槽内，带回实验室进行气干。
2.弹性模量测定
将100根样木木芯由髓心处分为南、北两段，南向木芯用于SilviScan弹性模量测定，北向木芯待留用于近红外光谱扫描。木芯的弹性模量由SilviScan的X射线衍射仪测得，X射线衍射仪与密度数据相结合，用公式M＝A(DI)B可以计算出纵向弹性模量。式中：M为弹性模量；A、B为常数；D为扫描得到的密度值(g/cm3)；I为衍射强度。
3.样品光谱采集
(1)样品制作：用粉碎机将样木100根北向木芯粉碎成木粉细末，将木粉细末过40-60目的筛子，随后将合格的木粉装入自封袋中作为待测样品，以备后用。扫描前，将待测样品放置于近红外光谱仪所在实验室24h以上，其目的是让待测样品和仪器的环境条件一致，减少误差。
(2)样品扫描：本研究中采用傅里叶近红外光谱仪，由美国PerkinElmer公司生产。在扫描待测样品前，仪器开机预热30min，待其稳定后进行扫描。原始近红外光谱收集时，先用白板进行空白校准，再将待测样品置于采样玻璃瓶内，在15000-4000cm-1范围内扫描样品，分辨率为8，室内温度在27℃左右，空气湿度为40％-60％。每个样品扫描5次，重复装样5次取平均值，收集原始近红外光谱数据。采用旋转样品台对样品扫描，以增大扫描面积，减少误差。采用漫反射光谱扫描，对不同细度的样品进行分析。可以得到湿地松木粉样品的近红外原始光谱图如图2所示。
4.建立湿地松弹性模量近红外预测模型：
(1)采用随机选取的方法从100个湿地松木芯样品取出27个样品作为外部验证集，其余73个样品作为建模校正集，各样品集所对应的弹性模量具体统计信息如表所示，从中可以看出校正集和外部验证集样品所对应的弹性模量分布范围比较广，覆盖较强，并且校正集样品对应的弹性模量范围大于外部验证集。由表1可知，变异系数均小于20％，说明弹性模量性状属于较弱变异，具有很强的内稳性，由此可见湿地松木材弹性模量均有很强的筛选潜力，对其进行研究分析是很有必要的。
表1
(2)图3为样品弹性模量的正态分析图，图中样品越接近趋势线表明样本的正态分布效果越好。由图3可见，样品的弹性模量都较为均匀的分布在趋势线附近，表明校正集样本都符合正态分布。通过以上分析表明湿地松木材弹性模量的样本具有较大的代表性，符合建模样本要求。
(3)将所采集的原始近红外光谱数据导入化学计量学软件PerkinElmer SpectrumQuant10中。将校正集内近红外光谱数据与SilviScan测定的弹性模量测定值关联，采用偏最小二乘法(PLS1)结合留一法交互验证，初步建立的湿地松弹性模量近红外预测模型如图4所示。根据残差影响图和残差分布图判断样品是否属于异常值，若样品同时具有较大影响且偏离的残差值，便认定为异常值样品。根据图5弹性模量残差影响图和图6弹性模量残差分布图，将7号、45号、50号样品剔除。表2所示为弹性模量的NIRS预测模型剔除异常样本前后预测能力的差异。对比两个性状去除异常值前后，决定系数R2有0.0253的提升，校正均方根误差RMSEC下降了0.056。说明剔除异常样品以后，有效的提高了模型的精度。
表2
(4)剔除异常样本后，得到湿地松弹性模量最终的近红外预测模型如图7所示。由图8所示，选取交互验证均方根误差最小时的主成分数，主成分数为5时，模型的决定系数R2为0.8972，校正均方根误差为0.2439，交互验证均方根误差为0.2481。模型的校正决定系数比较高，校正均方根误差和交互验证均方根误差得都比较低，模型的预测效果良好。
(5)模型的验证：在湿地松弹性模量近红外预测模型建立后，用外部验证集的27个样品对其进行外部验证，以对模型的预测能力进行检验。利用湿地松弹性模量近红外预测模型对未参与建模的验证集样品进行预测，对比预测值与实测值之间的线性关系和残差值，对模型的实测能力进行检验结果如图9。表3为的湿地松弹性模量近红外预测模型对外部验证集样品对应的单株性状检测的结果。结果表明，弹性模量预测值与常测值之间的最大残差为0.412，决定系数R2为0.8126，预测均方根误差为0.1994。说明模型的预测能力较高，可以用于未知样品的检测。
表3
实施例二：
本发明还提供一种用近红外光谱技术预测湿地松弹性模量的系统，包括木芯样品获取模块、数据获取、数据划分模块、模型构建模块和外部验证模块；
湿地松样品木芯获取模块，用于获取湿地松样品木芯；
数据获取模块，用于基于湿地松样品木芯，获得湿地松木芯样品的弹性模量测定值和原始近红外光谱数据；
数据划分模块，用于将弹性模量数据和原始近红外光谱数据，划分为校正集和外部验证集；
获得湿地松木芯样品的弹性模量值的方法包括：由SilviScan的X射线衍射仪测量湿地松木芯样品，获得弹性模量测定值；将湿地松木芯样品粉碎成木粉细末；对木粉细末进行筛选，选取符合预设要求的所述40-60目木粉细末为待测样品；利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据；利用所述傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，需设定所述傅里叶近红外光谱仪在15000-4000cm-1范围内扫描所述待测样品，分辨率为8，每个待测样品扫描5次，重复装样5次取平均值；
模型构建模块，用于基于所述校正集，构建湿地松弹性模量近红外预测模型；将校正集的所述原始近红外光谱数据导入化学计量学软件PerkinElmer Spectrum Quant10中，基于偏最小二乘法与留一交互验证法相结合的方法，将校正集的弹性模量值与近红外光谱数据相关联完成拟合，建立湿地松弹性模量近红外预测模型。
外部验证模块，用于将外部验证集近红外光谱数据输入湿地松弹性模量近红外预测模型，获得预测值；通过对比外部验证集弹性模量预测值和测定值之间的差异，由此检验预测模型的实测水平。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种用近红外光谱技术预测湿地松弹性模量的方法，其特征在于，包括以下步骤：
获得湿地松木芯样品；
基于所述湿地松木芯样品，获得原始近红外光谱数据和所述湿地松木芯样品的弹性模量测定值；
将所述原始近红外光谱数据和所述湿地松木芯样品的弹性模量测定值，划分为校正集和外部验证集，校正集样本的性质参数要均匀分布；
基于所述校正集，建立湿地松弹性模量近红外预测模型；
将所述外部验证集近红外光谱数据带入所述湿地松弹性模量近红外预测模型获得预测值，通过对比外部验证集弹性模量预测值和测定值之间的差异，完成对所述湿地松弹性模量预测模型预测水平的评价；
建立所述湿地松弹性模量近红外预测模型的过程包括：
将所述校正集的原始近红外光谱数据，采用二阶导数进行数据预处理；
基于偏最小二乘法结合留一法交叉验证，将所述校正集的弹性模量测定值和近红外光谱数据相关联进行拟合，建立所述湿地松弹性模量近红外预测模型；
所述湿地松弹性模量近红外预测模型构建过程中，还需根据残差影像图和残差分布图剔除所述湿地松弹性模量近红外预测模型中的异常样品，提高模型的预测精度；
所述湿地松弹性模量近红外预测模型构建过程中，以交互验证均方根误差最小为基准确定最佳主成分数；
基于湿地松弹性模量近红外预测模型获得的弹性模量预测值与常测值之间的最大残差，决定系数R2以及预测均方根误差，判断模型的预测能力；获得所述湿地松木芯样品的弹性模量测定值的方法为：
由SilviScan木材测定系统对所述湿地松木芯样品进行测量，获得所述湿地松木芯样品弹性模量值；获得所述原始近红外光谱数据的过程包括：
将所述湿地松木芯样品粉碎成木粉细末；
对所述木粉细末进行筛选，选取符合预设要求的40-60目的木粉细末为待测样品；
利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据；
利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，扫描范围为15000-4000cm-1，分辨率为8，室内温度在27℃，空气湿度为40％-60％；每个所述待测样品扫描5次，重复装样5次取平均值；
所述方法还包括对所述湿地松弹性模量近红外预测模型进行外部验证，其步骤包括：
将所述外部验证集近红外光谱图输入所述湿地松弹性模量近红外预测模型，获得预测值；
将所述外部验证集弹性模量的预测值对比其测定值之间的线性关系和残差值；
基于所述线性关系和残差值，获得所述湿地松弹性模量近红外预测模型的实测能力。
2.一种用近红外光谱技术预测湿地松弹性模量的系统，其特征在于，包括木芯样品获取模块、数据获取模块、数据划分模块、模型构建模块和外部验证模块；
所述木芯样品获取模块，用于获得湿地松木芯样品；
所述数据获取模块，用于基于所述湿地松木芯样品，获得其原始近红外光谱数据和弹性模量测定值；
所述数据划分模块，用于将所述湿地松木芯样品的原始近红外光谱数据和弹性模量测定值，划分为校正集和外部验证集；
所述模型构建模块，用于基于所述校正集，建立湿地松弹性模量近红外预测模型；
所述外部验证模块，用于将所述外部验证集近红外光谱数据带入所述湿地松弹性模量近红外预测模型，对比外部验证集弹性模量预测值和测定值之间的差异，完成对所述湿地松木弹性模量预测模型预测水平的评价；
建立所述湿地松弹性模量近红外预测模型的过程包括：
将所述校正集的原始近红外光谱数据，采用二阶导数进行数据预处理；
基于偏最小二乘法结合留一法交叉验证，将所述校正集的弹性模量测定值和近红外光谱数据相关联进行拟合，建立所述湿地松弹性模量近红外预测模型；
所述湿地松弹性模量近红外预测模型构建过程中，还需根据残差影像图和残差分布图剔除所述湿地松弹性模量近红外预测模型中的异常样品，提高模型的预测精度；
所述湿地松弹性模量近红外预测模型构建过程中，以交互验证均方根误差最小为基准确定最佳主成分数；
基于湿地松弹性模量近红外预测模型获得的弹性模量预测值与常测值之间的最大残差，决定系数R2以及预测均方根误差，判断模型的预测能力；获得所述湿地松木芯样品的弹性模量测定值的方法为：
由SilviScan木材测定系统对所述湿地松木芯样品进行测量，获得所述湿地松木芯样品弹性模量值；获得所述原始近红外光谱数据的过程包括：
将所述湿地松木芯样品粉碎成木粉细末；
对所述木粉细末进行筛选，选取符合预设要求的40-60目的木粉细末为待测样品；
利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据；
利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，扫描范围为15000-4000cm-1，分辨率为8，室内温度在27℃，空气湿度为40％-60％；每个所述待测样品扫描5次，重复装样5次取平均值；
所述方法还包括对所述湿地松弹性模量近红外预测模型进行外部验证，其步骤包括：
将所述外部验证集近红外光谱图输入所述湿地松弹性模量近红外预测模型，获得预测值；
将所述外部验证集弹性模量的预测值对比其测定值之间的线性关系和残差值；
基于所述线性关系和残差值，获得所述湿地松弹性模量近红外预测模型的实测能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210998257.5A CN115372310B (zh) | 2022-08-19 | 2022-08-19 | 一种用近红外光谱技术预测湿地松弹性模量的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210998257.5A CN115372310B (zh) | 2022-08-19 | 2022-08-19 | 一种用近红外光谱技术预测湿地松弹性模量的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115372310A CN115372310A (zh) | 2022-11-22 |
| CN115372310B true CN115372310B (zh) | 2023-07-04 |
Family
ID=84064868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210998257.5A Active CN115372310B (zh) | 2022-08-19 | 2022-08-19 | 一种用近红外光谱技术预测湿地松弹性模量的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115372310B (zh) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248613A (zh) * | 2016-08-19 | 2016-12-21 | 中国林业科学研究院热带林业研究所 | 一种测定大花序桉木材力学性质的方法 |
| CN112229816B (zh) * | 2020-09-04 | 2022-06-07 | 江苏东晟辉科技开发有限公司 | 基于opls-spa-mix-pls的木材弹性模量预测方法 |
-
2022
- 2022-08-19 CN CN202210998257.5A patent/CN115372310B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115372310A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
| CN111855590A (zh) | 水稻叶片淀粉积累量遥感反演模型和方法 | |
| CN101059426A (zh) | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 | |
| CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
| CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN104020127A (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN104155264A (zh) | 一种用近红外光谱技术预测火炬松松脂中松节油含量的方法 | |
| CN111829965A (zh) | 水稻地上部淀粉积累量遥感反演模型和方法 | |
| CN104142311A (zh) | 一种用近红外光谱技术预测火炬松松脂产量的方法 | |
| CN113111799B (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| Giroud et al. | Regional variation in wood density and modulus of elasticity of Quebec's main boreal tree species | |
| CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
| CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
| CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN104255118A (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
| CN114169165B (zh) | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 | |
| CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
| CN107314986A (zh) | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 | |
| CN104596980A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶热水可溶物的方法 | |
| CN112113930B (zh) | 一种杏果实品质多尺度表型方法 | |
| KR20120063679A (ko) | 근적외선을 이용한 인삼(수삼)의 품질평가방법 | |
| CN110231305A (zh) | 一种测定奇亚籽中dpph自由基清除能力的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |