近红外光谱快速预测乙酰化木材的增重率

采用近红外光谱技术对乙酰化大青杨和樟子松木材的增重率进行快速预测。在近红外波长780～2500 nm范围内,利用偏最小二乘法( PLS)建立木材横切面原始光谱及不同预处理(一阶导数、二阶导数、归一化处理和消噪)光谱乙酰化木材增重率数学模型,并进行比较分析。结果表明：乙酰化大青杨和樟子松木材分别选用归一化处理光谱和消噪光谱建立的增重率校正模型预测效果较好,预测模型相关系数( R)分别为0.90和0.70,预测标准差(RMSEP)分别为1.0072和1.3012,其中乙酰化大青杨木材增重率预测模型实测能力较佳,表明利用木材横切面近红外光谱建立的数学模型可以实现乙酰化木材增重率的快速预测。     

桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测

木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近红外光谱波段上采集数据并测量抗压强度真值;然后采用卷积平滑(SG)方法进行光谱预处理;使用采样误差分布分析(SEPA)作为变量空间迭代收缩算法(VISSA)的改进策略进行特征波长优选;最后通过粒子群优化算法(PSO)优化核函数参数并建立相关向量机(RVM)的预测模型。试验表明:在特征波长优选方面,以偏最小二乘法(PLS)建模为基础的SEPA-VISSA方法,其预测决定系数为0.9593,预测均方根误差为2.8995,相对分析误差为3.0256,光谱变量数由512减小到111个,占总波长的22%,均优于VCPA、CARS和VISSA算法;在建模预测方面,以SEPA-VISSA所选波长为基础的RVM模型,PSO优化的拉普拉斯(Laplacian)核函数的核宽度为10.4043,决定系数为0.9449,预测均方根误差为2.0432,相对分析误差为4.2936,预测效果优于PLS和SVR。因此,基于近红外光谱的SEPA-VISSA-RVM建模能够实现对桦木顺纹抗压强度更准确和稳定的无损检测。     

基于偏最小二乘法的近红外光谱定量分析模型测定八角茴香中莽草酸含量

采用偏最小二乘法(PLS)建立测定八角茴香中莽草酸含量的近红外(NIR)光谱定量分析模型.应用多种光谱预处理方法分别对八角茴香固体粉末样品的NIR光谱进行预处理,并采用预处理后的光谱建立定量分析模型,每个模型均经过选择最有效的光谱区域和最适主因子数进行优化.经过比较各个模型的内部交互验证均方根误差(RMSECV)和交互验证预测值与真实值间的相关系数(RV),外部预测均方根误差(RMSEP),选取最优的模型,结果表明定量分析模型稳健性好和测定精度高,在中药有效成分定量分析方面有很好的应用前景.     

近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用

亚美马褂木(Liriodendron sion-americanum)是一种通过中国马褂木和北美鹅掌楸杂交培育获得的优良阔叶工业树种与园林绿化树种。相比于亲本,亚美马褂木具有生长更快、适应性更广、材性更优等特点。由于亚美马褂木和其亲本木材在外观上相似度较高,因此木材交易中常出现以次充好的问题,破坏了市场秩序。为解决亚美马褂木木材鉴别问题,降低木材鉴别误差,本试验基于近红外高光谱(NIR-HSI)技术,建立亚美马褂木和其亲本的木材快速无损鉴别方法。使用近红外高光谱仪采集了亚美马褂木、北美鹅掌楸和中国马褂木木材样品的光谱信息,建立偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)2种判别模型,比较了连续投影算法(successive projections algorithm, SPA)、SG平滑(S-G smoothing)、多元散射校正(multiplicative scatter correction, MSC)、归一化数据(Normalize)和标准正态变量变换(standard normal variate, SNV)5种预处理方法对建模的影响。试验结果表明：亚美马褂木与其...     

基于人工蜂群算法优化SVM的NIR杉木弹性模量预测

【目的】利用近红外光谱分析技术,提出一种基于人工蜂群算法优化支持向量机(ABC-SVM)的木材弹性模量预测模型,为木材弹性模量无损预测提供科学参考。【方法】以294个杉木样本为试验材料,采用常规力学方法测量样本弹性模量,采集样本近红外漫反射光谱,选择350～2 500 nm光谱段,对原始数据进行15步指数平滑和一阶导数预处理,并利用主成分分析降维处理后的数据,建立偏最小二乘回归(PLS)模型、支持向量机回归(SVR)模型和人工蜂群算法优化支持向量机(ABC-SVM)模型预测杉木弹性模量,采用决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所建模型进行对比分析。【结果】PLS模型的R2为0.726 700、RMSE为6.744 9、MAPE为0.063 5、MAE为5.065 6; SVR模型的R2为0.935 305、RMSE为3.528 1、MAPE为0.023 7、MAE为1.840 9;将人工蜂群算法用于SVM参数寻优,获得的最优参数c=5.670 51、g=0.031 25,ABC-SVM模型的R2为0.935 371、RMSE为3.526 0、MAPE为0.023 7、MAE为1.840 0。3种模型均可对杉木弹性模量进行有效预测。【结论】1)根据决定系数(R2),SVR和ABC-SVM模型的预测性能优于PLS模型,ABC-SVM模型的预测性能最佳; 2)根据均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE),3种模型的MAPE均在可接受范围内,ABC-SVM模型关于误差的各项指标均最小,基于ABC-SVM模型预测杉木弹性模量高效、科学。     

基于近红外光谱波段优选的针叶木材基本密度估测模型的优化研究

【目的】木材基本密度在木材质量等级评定中具有重要作用,是木材分流及精细化利用的重要依据。【方法】以东北林区典型针叶树种为研究对象,结合近红外光谱技术,构建红松、落叶松、云冷杉木材基本密度近红外估测模型,分析比较了不同波段优选算法并进行了模型优化。研究采用竞争性自适应重加权法(CARS)、无信息变量消除法(UVE)和间隔偏最小二乘法(iPLS)对木材近红外光谱波段进行优化,基于卷积平滑算法对近红外光谱数据进行预处理,结合偏最小二乘法(PLS)建立针叶木材基本密度估测模型。依据相关系数(R)、均方根误差(RMSEC)等模型参数对模型效果进行评价,对比分析确定最佳波段优选方法,得到最优针叶木材基本密度近红外估测模型。【结果】利用CARS、UVE、i PLS的波段优化方法对近红外光谱波段的筛选,可以起到优化针叶木材基本密度模型的作用,减少参与建模的近红外光谱的波段变量数,明显提升模型的运算速度,使得模型准确度更高、稳定性更好;利用间隔偏最小二乘法结合偏最小二乘法(iPLS-PLS)进行波段优选的针叶木材基本密度模型效果最好,其模型校正相关系数为0.938 0,校正均方根误差为0.021 8,验证相关系数为0.8959,验证均方根误差为0.028 0。【结论】基于波段优选及模型优化构建东北林区典型针叶树种基本密度近红外估测模型,可以有效提高运算速度及估测精度,实现针叶材基本密度的快速、准确、无损估测,为针叶木材材性研究和森林培育提供了理论依据与技术支撑,有利于进一步实现木材的高效节约与精细化利用。     

支持向量机结合近红外光谱法测定杉木木质素的含量

采用支持向量机(SVM)结合近红外光谱(NIR)技术建立测定杉木中木质素的定量分析模型。以47个杉木样品作为实验材料,用常规方法测定了样品中木质素的含量,用近红外光谱仪采集相应的光谱,对光谱数据进行平滑、求导、小波压缩以及归一化,结合支持向量机,以径向基(RBF)作为核函数,建立了测定杉木中木质素含量的模型。校正相对误差的平方和为0.007433,预测相对误差的平方和为0.001219。结果表明,该方法测量比较准确,可以用于杉木中木质素含量的预测。     

便携式近红外光谱仪快速无损鉴别霍山石斛枫斗和河南石斛枫斗

采用便携式近红外光谱仪采集231个霍山石斛枫斗和河南石斛枫斗样品的近红外光谱,采用一阶导数(1st D)、标准正态变量变换(SNV)、均值中心化(MNCN)、多元散射校正(MSC)、矢量归一化(N)等方法及其组合的9种方法预处理原始光谱,应用偏最小二乘判别分析(PLS-DA)建立快速无损鉴别霍山石斛枫斗和河南石斛枫斗的数据模型,比较不同光谱预处理方法对PLS-DA建立模型的准确率影响,以预测模型的正确率、敏感性、特异性为指标,评价模型的优劣。结果表明:1st D+SNV+MNCN预处理方法的效果最好,模型的准确率最高,在潜在变量是12的情况下,校正集、交互验证集、预测集的准确率都为100%;模型的敏感性、特异性都为100%。     

四种算法用于近红外测定制浆材材性的对比研究

采集了常见制浆材(桉木、相思木及杨木)样品的近红外光谱,测定了样品的基本密度、综纤维素、木质素和苯醇抽出物含量,用人为控制水分的方法测定了样品的水分含量。对原始光谱进行预处理后,分别运用偏最小二乘法(PLS)、LASSO算法、支持向量机法(SVR)和人工神经网络法(BP-ANN)建立基本密度、水分含量、综纤维素、木质素和苯醇抽出物含量的预测模型。对预测模型进行独立验证,结果显示:LASSO算法建立的基本密度和综纤维素模型性能最优,其预测均方根误差(RMSEP)分别为0.006 3 g/cm~3和0.49%,绝对偏差(AD)范围分别为-0.008 8~0.009 6 g/cm~3和-0.85%~0.87%;PLS建立的水分含量模型及苯醇抽出物模型最优,RMSEP值分别为1.21%和0.24%,AD范围分别为-1.99%~2.03%和-0.35%~0.38%;SVR建立的木质素模型最优,RMSEP值为0.43%,AD范围为-0.76%~0.74%,均满足制浆造纸工业中对误差的要求。     

基于深度学习的森林可燃物含水率反演技术

【目的】探究基于卫星遥感数据的森林可燃物含水率反演,比较深度学习模型与传统机器学习模型的精度,并探索一种解决冠层遮挡问题的方案,为全国建立森林可燃物含水率数据库提供理论依据。【方法】以河北省张家口市崇礼区为研究区,基于实地测量数据,针对传统机器学习模型误差较大的问题,建立深度学习中的多层感知机(MLP)模型,研究光谱反射率与森林冠层植被和地表枯落物含水率之间的关系,并与传统机器学习中的支持向量回归(SVR)模型进行精度对比。选取与实地考察时间同季度的哨兵遥感数据,以光谱反射率、光谱水分指数等遥感估测法中常用变量作为反演森林冠层植被和地表枯落物含水率的影响因子,结合实地考察数据进行模型训练。针对以往采用遥感估测法反演地表枯落物含水率遇到的冠层遮挡问题,使用双向反射分布函数处理遥感数据获得不同观测角度的遥感数据,结合辐射传输模型,将冠层反射率映射到地表反射率后再训练模型。【结果】以红光、绿光、近红外和短波红外波段为输入变量的MLP模型在森林冠层植被含水率反演中的拟合度为0.843,优于SVR中最优模型的拟合度0.807,精度提高4.5%;MLP模型在地表枯落物含水率反演中拟合度为0.448...     

基于近红外光谱技术建立湿加松针叶黄芪苷含量的预测模型

研究使用DA2700型近红外光谱仪采集了112个湿加松Pinus elliottii×P.oaribaea松针粉末样本的光谱数据.结合实际测定值,采用偏最小二乘(PLS)回归法并选择最佳光谱预处理方法和最佳主成分数,建立湿加松松针黄芪苷含量的近红外快速预测模型.结果表明:当采用一阶导数(FD)+标准正态变量转换法(SN...     

蒙古栎抗弯弹性模量多模型共识的近红外检测方法

利用近红外光谱技术预测蒙古栎(Quercus mongolica)抗弯弹性模量(MOE),提出GN(global and neigh-borhood)样本优选与CPLS多模型共识的建模方法。选取近红外光谱谱段为900~1 700 nm,径切面和弦切面采集。首先,采用一阶导数与S-G卷积平滑相结合的方法进行数据预处理;然后,利用GN算法计算光谱样本间的全局和邻域马氏距离,实现蒙古栎MOE异常样本的剔除与校正集、预测集的自动划分;最后,融合具有多个成员样本子集的PLS模型,构建CPLS共识模型,取平均值作为最终预测结果。实验采用135个300 mm×20 mm×20mm的无疵小试样为样本,剔除异常样本12个,并选取其中78个为校正集样本,45个为预测集样本。结果表明,一阶导数处理能够消除光谱背景平缓区域干扰,S-G能消除小峰值无关吸收峰的影响;GN样本优选与CPLS结合的建模方法,预测相关系数为085,相对分析误差(RPD)为193,预测效果比传统PLS建模更好,且稳定性有所提高,但该改进模型方法的RPD依然小于25,因此,可做初步分析,准确地进行定量预测依然存在局限性。     

基于不同预处理的椴树木材基本密度近红外光谱估测及模型优化

【目的】木材的基本密度在木材质量等级评定中起着重要的作用,是木材分流及精细化利用的重要依据。利用近红外光谱技术,实时监测木材性质,掌握木材性质的变化,为进一步制定和改善林木培育方法提供理论依据。【方法】借助树木生长锥对椴树活立木取样,以椴树样品基本密度真值和近红外光谱数据为输入,分别通过卷积平滑、一阶导数和二阶导数预处理方法来实现近红外光谱数据的预处理,建立了基于偏最小二乘法(PLS)的椴树木材基本密度的近红外估测模型。【结果】在350~2 500 nm波段范围内,一阶导数预处理的椴树木材基本密度模型是最优的,校正集相关系数为0.964 8,校正均方根误差为0.002 7,验证集相关系数为0.943 2,预测均方根误差为0.003 3。在对近红外光谱数据进行去噪优化处理,构建椴树木材基本密度模型后,在500~2 300 nm波段范围内,一阶导数预处理椴树木材基本密度模型依旧最优,其校正集相关系数为0.987 1,校正均方根误差为0.001 6,验证集的相关系数是0.948 6,预测的均方根误差是0.002 1。【结论】选择特定的预处理方法,结合样本特征,建立椴树木材基本密度模型,可以显著降低建模成本,提高模型预测精度,快速测定椴树木材的基本密度。     

基于小波模极大值的木材近红外光谱去噪

将光谱一阶导数与小波变换相结合,对杉木木材近红外光谱数据进行预处理,采用db3小波对光谱数据进行4尺度分解,在各分解尺度上根据信号和噪声的不同传播特性.保留信号的模极大值,去除噪声的模极大值.结果表明:光谱导数 小波变换模极大值能够有效消除光谱噪声和各种因素干扰,并很好保留了光谱信号特征,使光谱信噪比有了较大提高.     

银杏叶中芦丁含量快速定量数学模型的建立

利用傅里叶变换近红外透射光谱收集了19批不同产地银杏叶样品的近红外光谱图,运用OPUS 6.5分析软件对其进行一阶导数和多元散射校正预处理。在7 500~6 099 cm-1和5 450~4 249 cm-1范围内,因子数选择7,采用偏最小二乘法(PLS)对芦丁的含量进行了快速定量测定,根据超高效液相色谱-串联质谱测定的芦丁含量结果,建立了银杏叶中芦丁含量的定量数学模型。近红外模型预测结果与色谱检测结果相吻合,模型均方差为0.194,预测集的平均回收率为98.40%。本方法快速、简便,可应用于银杏叶药材的质量控制和大批量产品的检测。     

基于近红外光谱技术的热处理竹材物理力学性能

探讨了近红外光谱(NIRs)技术对实现热处理毛竹分选和性能在线检测的可能性。采集了3种不同温度(150,180和210℃)热处理及未处理毛竹的径切面近红外光谱信息,应用主成分分析方法与偏最小二乘法对竹材进行分类,并建立了热处理竹材的材色、密度以及力学性能预测模型。结果表明:1)近红外光谱二阶导数谱图在7 004和6 452 cm-1等吸收带处很好地反映了竹材热处理对应化学成分的变化,表明了近红外光谱变化与化学成分变化的一致性,也说明了NIRs用于快速分析热处理竹材材性的可能性; 2)热处理竹材在主成分得分图中呈明显的聚类分布特征,说明了NIRs技术对于热处理竹材良好的分类能力; 3)材色预测模型的模型参数R2≥0.93、RPD均大于3.90,表现出了非常好的材色预测性能。气干密度、绝干密度以及抗弯强度预测模型的R2分别为0.83,0.85和0.82,RPD分别为2.42,2.59和2.34,能够满足竹材性能的评估精度要求。     

基于偏最小二乘法的近红外光谱测定八角中反式茴香脑和莽草酸

采用偏最小二乘法(PLS)建立八角中反式茴香脑和莽草酸含量的近红外光谱定量分析模型。利用近红外光谱技术采集八角粉末的近红外光谱图(NIR),以高效液相色谱法测定的八角中反式茴香脑和莽草酸质量分数作为参考值，经过光谱处理软件将近红外光谱图与质量分数参考值进行关联，反式茴香脑的定量分析模型采用二阶导数作为预处理方法，以7 502～5 446.2和4 601.5～4 246.7 cm^-1为波数范围，维数为10;莽草酸的定量分析模型采用一阶导数加直线减法作为预处理方法，以7 502～6 098.1和5 450.1～4 597.6 cm^-1为波数范围，维数为8。结果表明：建立的八角中反式茴香脑和莽草酸含量的快速无损定量检测模型的决定系数(R²)分别为90.86%和93.13%,校正集的内部交叉检验均方根误差(RMSECV)分别为0.158和0.285,验证集的均方根误差(RMSRP)分别是0.068 7和0.171,配对T检验P值分别为0.761和0.194,均大于0.05,测量值与参考值偏差较小，建立的模型能较准确地测定八角中反...     

马尾松毛虫危害程度的高光谱监测方法

以受松毛虫不同危害程度的马尾松林分为研究对象,对在受到松毛虫危害时的马尾松冠层物理参数(单簇针叶体积、针叶长度、针叶中间直径)和马尾松林冠层高光谱光谱指数之间的关系进行分析,结果表明:(1)冠层的单簇针叶体积的变化可直接反应松毛虫的危害程度,单簇针叶体积越小虫害越严重,它的变化也引起了冠层光谱的各植被指数发生不同程度的变化,而其他冠层物理参数不能反应出松毛虫的危害程度。(2)从马尾松林冠层提取的高光谱遥感植被指数对虫害的不同程度的敏感性不同。增强型植被指数(EVI)、绿波段叶绿素指数(Red/Green)和归一化指标指数(NDVI)在虫害发生的中期与晚期有显著变化,但具有饱和现象,不能用来对马尾松林分受松毛虫虫害时进行早期监测;而红边波段叶绿素指数(CI_(rededge))、比值植被指数(RVI_(550))、比值植被指数(RVI_(700))、绿波段归一化植被指数(gNDVI)、差值植被指数(DVI)和结构不敏感色素指数(SPID)在虫害发生的整个时间范围内都有很明显的变化,不会达到饱和,可以在虫害发生的早期就进行监测。     

基于近红外光谱分析技术的桉木纤维施胶量高低快速判别

【目的】基于近红外光谱分析技术,判别纤维板生产过程中施胶量高低,为施胶工艺阶段提供技术支撑。【方法】以桉木纤维为研究对象,以脲醛树脂胶黏剂施胶量高低为判别指标,对同一批桉木纤维,控制含水率5%左右,建立施胶量为无(0%)、低(3%)、中(12%)、高(20%) 4种类别的近红外光谱偏最小二乘法回归模型(PLS),采用PLS-DA法判别施胶量高低,探究光谱采集方式(施胶纤维运动或静态状态)、施胶后纤维陈放时间对模型判别准确性的影响。【结果】1)随着施胶量增加,近红外光谱吸光度增大,PCA分析可区分无、低、中、高4种施胶量类别的桉木纤维; PLS-DA法能够建立相关性好、准确性高的近红外光谱模型,对未知样品的判别正确率达100%; 2)静态或动态光谱采集方式不会影响模型建立,对未知样品的判别正确率达100%;施胶后纤维陈放时间对近红外光谱影响很大,施胶后长时间陈放的纤维几乎不能正确判别施胶量高低。【结论】不同施胶量桉木纤维对近红外光谱的吸光度不同,PLS-DA法可准确判别桉木纤维施胶量高低;样品处于静止或运动状态均不影响模型建立和判别的准确性,可为在线识别纤维施胶量提供一定思路。     

构建三种木本油料植物种子含油率NIR通用模型的可行性研究

为了构建湖南常见3种木本油料植物种子含油率近红外光谱通用模型,收集了98个油桐、96个油茶和96个核桃样本,采集了粉碎后种仁的近红外光谱(NIR),测定了样本含油率,分别采用偏最小二乘法(PLS)及径向基神经网络法(RBFNN)建立油桐+油茶+核桃、油桐+油茶、油桐+核桃和油茶+核桃4个混合样本集含油率的NIR通用模型。对PLS模型,4个样本集(验证集)的相关系数(R_p)分别为0.963、0.881、0.965和0.967,预测均方根误差(RMSEP)分别为2.78、3.31、2.47和2.70,相对标准偏差(RSD)分别为4.87%、6.51%、4.03%和4.55%;RBFNN模型的R_p分别为0.958、0.877、0.959和0.966,RMSEP分别为3.34、2.55、2.85和2.54,RSD分别为5.85%、5.02%、4.66%和4.28%。结果表明:构建油桐、油茶和核桃3种木本油料植物种子含油率近红外光谱通用性检测模型具有可行性。