CN1936541A - 木材生物败坏的早期检测方法 - Google Patents

Abstract

本发明涉及一种木材生物败坏的早期检测方法，其步骤是，采集木材样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出失重率低于10％的早期腐朽样本，先在样本的固体表面采集近红外光谱，之后再将木材试样磨成木粉后再采集近红外光谱；对光谱数据进行平滑、基线校正、一阶导数、二阶导数或数据降维等预处理后，通过主成分分析、软独立建模分类和偏最小二乘判别分析等方法分别建立模型，利用该模型可以快速、准确地检测到木材是否发生生物腐朽、变色或霉变，并对木材生物腐朽、变色或霉变的类型进行判断；通过偏最小二乘法建立木材生物败坏程度的评价模型，可以快速、准确地评价木材生物败坏的程度。

Description

木材生物败坏的早期检测方法

技术领域

本发明涉及一种木材生物败坏的早期检测方法，更具体地，是指一种木材早期是否发生生物败坏、生物败坏的类型和程度的近红外光谱检测方法。

背景技术

木材是一种容易受到各种微生物侵袭的生物质材料，即使在木材生物败坏(包括木腐菌、变色菌和霉菌引起的木材败坏)的早期，也会导致木材质量和使用价值的严重降低。然而，在木材生物败坏的早期，木材刚受真菌的侵染，木材内部虽有菌丝生长，但还没有引起木材表面及木材性质的明显变化，一般很难被人发现。因此，对木材生物败坏的早期快速检测或鉴定可以为木材的保护与合理利用提供参考，具有重要的现实意义。

检测木材早期生物败坏的常用方法是显微观察和/或生物培养，显微观察法需要借助生物显微镜观察木材细胞中是否存在真菌、真菌的形态特征以及真菌对木材细胞壁的败坏方式与程度等，来判断木材是否发生生物败坏、败坏类型及程度，这种方法操作复杂、耗时，需要专业人员才能完成鉴定工作，且很难对特别早期的生物败坏进行准确地判断。而生物培养法是将木材放置在适合微生物生长的条件下，使木材中的真菌继续生长，直到可以利用显微观察法观察或有助利于显微观察，生物培养仅适用于木材中真菌仍然存活的情况，操作过程需要更长的时间(数周至几个月)和生物培养的条件，成本高，并且不能对采样时的木材生物败坏与否、败坏类型及程度进行鉴定。

近红外光谱技术是一项先进的无损检测技术，能够对固体、液体、粉末等有机物样品的物理力学和化学等性质进行迅速、准确地检测，目前已经在农业、化工、纺织、生物技术与医药等领域得到了广泛而迅速的应用，并已实现野外检测、在线检测和产品质量控制。最近，美国利用近红外预测腐朽木材的力学强度“Method of predicting mechanicalproperties ofdecayed wood”(美国专利US 6,593,572 B2)，虽然该专利能对腐朽木材的力学强度进行快速预测，但不能对木材生物败坏与否、生物败坏类型及程度进行判别和预测。

发明内容

本发明的目的是针对已有技术中存在的缺点，而提出一种木材生物败坏的早期检测方法，首先对健康木材和发生轻度生物败坏的木材采集近红外光谱，并利用多变量数据分析方法建立木材生物败坏的判别或预测模型，再利用模型实现对未知样本的生物败坏与否、生物败坏类型或程度进行快速检测，在建立好模型的基础上只需几分钟的时间即可实现对木材早期的生物败坏进行准确检测，而且还可以对模型中的生物败坏类型或程度信息不断补充和更新，使模型的实用性和适用范围不断增大。

本发明所采用的技术方案：一种木材生物败坏的早期检测方法，其步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行分析；

4)主成分分析法检测木材的早期生物败坏

利用主成分分析(Principal Component Analysis，简写为PCA)法对样本的光谱数据进行分析，根据主成分得分图可以看出三种不同生物败坏类型的试样在主成分方向上分散成三类，即可区别和鉴定出不同类型的生物败坏；

一种木材生物败坏的早期检测方法，其步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行建模；

4)模型的建立与验证：从生物败坏试样中随机抽取不同生物败坏条件下的三分之二数量的样本，对近红外光谱数据进行平滑、基线校正、一阶导数、二阶导数和数据降维预处理后，分别对未腐朽、白腐和褐腐三类试样的培训集样本进行主成分分析，通过交互验证并建立各腐朽类别的主成分分析模型，然后再利用软独立建模分类方法(SoftIndependent Modeling of Class Analogy，简写为SIMCA)和建立的模型对检测集样本进行预测，模型验证时用剩余的三分之一数量样本对培训集模型进行验证；

5)生物败坏的检测：采集未知样本的光谱，并利用SIMCA法建立的模型进行分析，结果表明，对未腐朽和褐腐培训集和检测集试样的判别正确率均为100％，对白腐培训集和检测集的判别正确率分别为95％和90％。

一种木材生物败坏的早期检测方法，其步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行建模；

4)模型的建立与验证：利用偏最小二乘判别分析法(Partial LeastSquares-Discriminant Analysis，简写为PLS-DA)来建立模型，先按照样本的实际生物败坏类别特征，赋予培训集样本的分类变量组。然后，通过偏最小二乘回归分析方法对培训集样本的光谱与样本对应的分类变量进行回归分析，建立光谱特征与分类变量间的偏最小二乘判别分析模型，并利用完全交互验证法对模型进行验证；

5)生物败坏的检测：对未知样本进行判别时，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，然后利用判别模型对未知样本进行预测，结果表明：对未腐朽、白腐和褐腐样本判别的正确率均为100％，错判率为0。

一种木材生物败坏的早期检测方法，其步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率大小来评价评估生物败坏程度，取出失重率低于10％的第一批早期腐朽样本，再随机地按2∶1的比例分成校正集和检测集；并继续从第一批样本中取出生物腐朽程度更低的两批样本，失重率范围分别为0％～5％和0％～3％，其校正集和检测集均分别按2∶1的比例随机地划分；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行建模；

4)模型的建立与验证：利用多变量数据分析法，如偏最小二乘回归法、主成分回归法和多元线性回归法建立木材早期生物败坏程度的预测模型，并利用完全交互验证法对模型进行验证；

5)生物败坏程度的评价：对未知样本进行判别时，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，然后利用生物败坏程度的预测模型对未知样本进行预测，结果表明：对失重率在0％～10％的样本，模型校正和模型预测结果与实测结果的回归系数r分别达到0.94和0.93；对于生物败坏程度更轻的样本，即失重率在0％～5％和0％～3％的样本，模型校正及预测结果与实测结果的回归系数r均分别达到0.85和0.83以上。

所述样本为由真菌引起变色或霉变后的木材。

本发明不仅可以快速、准确地检测到木材是否发生生物腐朽、变色或霉变，并对造成木材败坏的真菌类型进行判断，而且，可以对木材败坏的程度进行快速、准确地评价。

附图说明

图1为未腐朽与腐朽木材的主成分分析得分图，图中N、W和B

字母分别代表未腐朽、白腐和褐腐的木材试样。

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：主成分分析(PCA)法检测木材的早期生物败坏

1)样本的准备

采集木条或木块样本，接种一种褐腐菌和一种白腐菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率(失重率)来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

对于变色菌和霉菌败坏木材的样本，与木腐菌的接种及生物培养方法类似。

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm。

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，以提高光谱的信噪比和分析效率，在波长350nm～1065nm处，未腐朽、白腐和褐腐三种试样光谱的吸收强度差别最大，该区域的差别主要由木材颜色的变化引起，虽然木材表面的颜色变化非常轻微以至于很难被发现，但由于木材中存在的真菌引起化学成分的变化，而这些变化在近红外光谱中体现得非常明显；在1065nm～2500nm处的腐朽材与未腐朽材的光谱特征差别也非常明显，这与木材化学成分与组织结构的变化有关；通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行分析；

4)主成分分析(PCA)法检测木材的早期生物败坏

利用主成分分析法对生物腐朽试样的光谱数据进行分析得到主成分得分图(图1)，从图1可以看出：PCA分析的三种不同生物败坏试样在主成分方向上分散成三类，图中字母N、W和B分别代表未腐朽、白腐和褐腐试样。因此，通过近红外光谱结合主成分分析法可以区别和鉴定不同类型的生物败坏。

该方法的特点：PCA方法操作简单、能使不同类型生物败坏试样的差别在主成分得分图中体现出来，有助于区别和鉴定木材的生物败坏，但不能直接输出判别结果。

实施例2：软独立建模分类(SIMCA)法检测木材的早期生物败坏

样本准备与近红外光谱采集的方法与实施例1类似，其不同的是，从生物败坏试样中随机抽取不同生物败坏条件下的三分之二数量的样本，用于培训建立SIMCA分析用的PCA模型，通过交互验证后确定主成分数，用剩余三分之一样本作评价培训集模型有效性的检测集。

对近红外光谱数据进行平滑、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，以提高光谱的信噪比和分析效率。建模时首先对未腐朽、白腐和褐腐三类试样的培训集样本分别进行PCA分析，通过交互验证并建立各腐朽类别的PCA模型，然后再利用SIMCA方法和建立的模型对检测集样本进行预测。

结果表明：SIMCA方法能有效地判别试样的腐朽类型，对于未腐朽和褐腐培训集和检测集中的试样其判别正确率均为100％，对于白腐培训集和检测集的判别正确率分别为95％和90％。

该方法的特点：SIMCA方法基于实施例1中的PCA法进一步建立了模型，并利用模型来判别木材的生物败坏，模型可以直接输出最终判别结果，准确度高。还可以对该模型中木材及生物败坏类型等信息不断补充和更新，使模型的实用性和适用范围不断增大。

实施例3：偏最小二乘判别分析(PLS-DA)法检测木材的早期生物败坏

样本准备与近红外光谱采集的方法与实施例1类似，近红外光谱数据的预处理、光谱波长选择与建模时样本的选择与实施例2类似，其不同的是，利用PLS-DA判别分析法来建立模型。

由于PLS-DA判别分析方法是基于PLS回归方法建立的样本分类变量与近红外光谱特征间的回归模型，因此先按照样本的实际生物败坏类别特征，赋予培训集样本的分类变量组Y_m。然后，通过PLS回归分析方法对培训集样本的光谱与样本对应的分类变量进行回归分析，建立光谱特征与分类变量Y_m间的PLS判别分析模型；对新样本进行判别时，需根据培训集建立的判别模型，计算出未知样本的分类变量值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。

通过本实施例中培训集样本建立的判别模型，对培训集样本进行回判验证模型的可靠性，图2为未腐朽与腐朽木材的分类实际值(Y_m)与模型预测值(Y_p)回归图。结果表明：对三类样本判别的正确率均为100％，三类样本的光谱特征与分类变量间的相关系数都超过0.94。采集未知样本的近红外光谱，经过与建模时相同方法的光谱数据预处理后，利用本实施例中判别模型对未知样本进行预测，结果表明：对未腐朽、白腐和褐腐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未知样本的腐朽与否及腐朽类型。

该方法的特点：PLS-DA判别分析法的操作方法简单、准确度更高，但输出的结果需要与偏差值大小进行比较后再得出最终判别结果，也可以对该模型中木材及生物败坏类型等信息不断补充和更新，使模型的实用性和适用范围不断增大。

实施例4：木材早期生物败坏程度的预测

样本准备与光谱采集的方法与实施例1类似，光谱数据的预处理、光谱波长选择与建模时样本的选择与实施例2类似，其不同的是，利用多变量数据分析法，如偏最小二乘回归法、主成分回归法和多元线性回归法等建立定量分析模型来预测木材早期的生物败坏程度，本实施例以生物败坏导致的木材重量损失率大小来评价生物败坏的程度。

采集失重率范围在0％～10％的生物腐朽样本194个，再随机地按2∶1的比例分成校正集和检测集，即129个样本作为校正集，剩余的65个样本作为检测集。建模时可使用主成分回归和偏最小二乘回归法等，本实施例中以偏最小二乘回归法进行建模。结果表明：模型校正和模型预测结果与实测结果的回归系数r分别达到0.94和0.93，说明近红外光谱结合多变量数据分析方法可以对木材生物败坏程度的预测效果进行定量、准确预测，而采用常规的方法是很难对生物败坏程度进行定量预测或评价的。

继续对腐朽程度更低的腐朽样本进行了预测，样本选择了失重率范围分别为0％～5％和0％～3％的第二批(151个)和第三批(115个)试样，其校正集和检测集均分别按2∶1的比例随机地划分，并用偏最小二乘回归法建模预测，结果表明；即使对于更轻度的早期腐朽木材(失重率低于3％)，模型校正及预测结果与实测结果的回归系数r均分别达到0.85和0.83以上，说明利用本方法还可以对早期生物败坏范围内的败坏程度更低的腐朽程度进行准确评价。

该方法的特点：实施例1～3都属于定性的判别分析方法，而本实施例是一种对生物败坏程度进行定量分析的方法，这是显微观察等常规方法不能实现的。利用本方法建立的模型对早期生物败坏程度的定量预测，预测结果与实测结果的回归系数可达0.83～0.93。

实施例5：木材生物变色与霉变的早期检测

采集木条或木块样本，分别接种不同的木材变色菌和霉变菌后放入培养室内进行生物培养，每隔1～3天取出一批试样直至木材发生变色，按照不同的生物培养时间并结合表面观察、显微观察和色度学参数测量等方法分类出未变色、未霉变和不同变色及霉变程度的样本。

光谱的采集、数据预处理、光谱波长选择、PCA分析与SIMCA和PLS-DA法建模与实施例1～3类似，结果表明，通过近红外光谱结合PCA分析与SIMCA和PLS-DA等方法可以用于木材生物变色与霉变的早期检测。

Claims (5)

1、一种木材生物败坏的早期检测方法，其特征的步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行分析；

4)主成分分析法检测木材的早期生物败坏

利用主成分分析法对样本的光谱数据进行分析，根据主成分得分图可以看出三种不同生物败坏类型的试样在主成分方向上分散成三类，即可区别和鉴定出不同类型的生物败坏；-

2、一种木材生物败坏的早期检测方法，其特征的步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行建模；

4)模型的建立与验证：从生物败坏试样中随机抽取不同生物败坏条件下的三分之二数量的样本，对近红外光谱数据进行预处理后，分别对未腐朽、白腐和褐腐三类试样的培训集样本进行主成分分析，通过交互验证并建立各腐朽类别的主成分分析模型，然后再利用软独立建模分类方法和建立的模型对检测集样本进行预测，模型验证时用剩余的三分之一数量样本对培训集模型进行验证；

5)生物败坏的检测：采集未知样本的光谱，并利用软独立建模分类方法建立的模型进行分析，结果表明，对未腐朽和褐腐培训集和检测集试样的判别正确率均为100％，对白腐培训集和检测集的判别正确率分别为95％和90％。

3、一种木材生物败坏的早期检测方法，其特征的步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率来评估生物败坏程度，取出失重率低于10％的早期腐朽试样；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行建模；

4)模型的建立与验证：利用偏最小二乘判别分析法来建立模型，先按照样本的实际生物败坏类别特征，赋予培训集样本的分类变量组。然后，通过偏最小二乘回归分析方法对培训集样本的光谱与样本对应的分类变量进行回归分析，建立光谱特征与分类变量间的偏最小二乘判别分析模型，并利用完全交互验证法对模型进行验证；

5)生物败坏的检测：对未知样本进行判别时，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，然后利用判别模型对未知样本进行预测，结果表明：对未腐朽、白腐和褐腐样本判别的正确率均为100％，错判率为0。

4、一种木材生物败坏的早期检测方法，其特征的步骤是，

1)样本的准备

采集木条或木块样本，接种不同木材腐朽菌后放入培养室内进行生物腐朽，经过生物培养不同的时间后，取出试样干燥恒重，按照生物败坏前后试样的重量损失率大小来评价评估生物败坏程度，取出失重率低于10％的第一批早期腐朽样本，再随机地按2∶1的比例分成校正集和检测集；并继续从第一批样本中取出生物腐朽程度更低的两批样本，失重率范围分别为0％～5％和0％～3％，其校正集和检测集均分别按2∶1的比例随机地划分；

2)近红外光谱的采集

利用近红外光谱设备，先在木材样本的固体表面采集近红外光谱，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；之后再从样本上钻取少量木粉或将样本磨成木粉后再采集1～5次近红外光谱；采集的光谱范围可从可见光至近红外光谱区，波长范围为350nm～2500nm；

3)光谱预处理与波长选择

对近红外光谱数据进行平滑、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，并通过光谱与待测指标的相关性分析，选择与待测指标密切相关的光谱波长数据进行建模；

4)模型的建立与验证：利用多变量数据分析法，如偏最小二乘回归法、主成分回归法和多元线性回归法建立木材早期生物败坏程度的预测模型，并利用完全交互验证法对模型进行验证；

5)生物败坏程度的评价：对未知样本进行判别时，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，然后利用生物败坏程度的预测模型对未知样本进行预测，结果表明：对失重率在0％～10％的样本，模型校正和模型预测结果与实测结果的回归系数r分别达到0.94和0.93；对于生物败坏程度更轻的样本，即失重率在0％～5％和0％～3％的样本，模型校正及预测结果与实测结果的回归系数r均分别达到0.85和0.83以上。

5、根据权利要求1至3中任一项所述的一种木材生物败坏的早期检测方法，其特征是，所述样本是由真菌引起变色或霉变后的木材。

Images