- 相關(guān)推薦
木材無(wú)損檢測(cè)高光譜成像技術(shù)研究成果
高光譜成像技術(shù)起源于遙感測(cè)量領(lǐng)域，它將二維成像和光譜技術(shù)有機(jī)融為一體，可以同時(shí)獲取研究對(duì)象的空間及光譜信息，下面是小編搜集整理的一篇探究高光譜成像原理與裝置的論文范文，供大家閱讀借鑒。
采用無(wú)損檢測(cè)技術(shù)快速有效地預(yù)測(cè)木材各種物理力學(xué)性能、化學(xué)性質(zhì)、解剖學(xué)性質(zhì)以及各種缺陷等，對(duì)于充分合理利用木材，高效優(yōu)質(zhì)加工木材、挖掘木材的潛在利用價(jià)值以及加速木工企業(yè)自動(dòng)化發(fā)展等方面具有重要的理論指導(dǎo)與實(shí)踐意義。機(jī)器視覺(jué)技術(shù)和光譜技術(shù)具有無(wú)損、快速、準(zhǔn)確等優(yōu)點(diǎn)，是目前木材品質(zhì)無(wú)損檢測(cè)中的2種重要技術(shù)。其中，機(jī)器視覺(jué)技術(shù)提取木材及其制品的表面信息進(jìn)行分析，可用于木材表面缺陷等的檢測(cè)[1-3].該技術(shù)獲取的主要是灰色或RGB(紅綠藍(lán))圖像，反映木材表面缺陷信息有限，識(shí)別準(zhǔn)確率有待進(jìn)一步提高。與機(jī)器視覺(jué)技術(shù)不同，光譜技術(shù)尤其是近紅外光譜技術(shù)，非常適合木材及其制品的物理力學(xué)性質(zhì)[4-7]、化學(xué)性質(zhì)[8-9]以及解剖學(xué)性質(zhì)[10-11]等的預(yù)測(cè)。該技術(shù)只采集被測(cè)對(duì)象一個(gè)點(diǎn)域的信息，缺少被測(cè)對(duì)象的空間信息，這一局限性可能會(huì)影響模型的穩(wěn)定性和適應(yīng)性[12].
由于圖像數(shù)據(jù)能反映被測(cè)物外部特征、表面缺陷等，而光譜數(shù)據(jù)可對(duì)其物理結(jié)構(gòu)及化學(xué)性質(zhì)進(jìn)行分析，因此，高光譜成像技術(shù)是圖像技術(shù)與光譜技術(shù)的完美結(jié)合[12].目前，涉及該技術(shù)在木材及其制品品質(zhì)檢測(cè)的研究尚在起步階段，這是一個(gè)有著巨大潛力的研究領(lǐng)域。本文介紹了高光譜成像技術(shù)的原理、裝置以及數(shù)據(jù)處理方法，并介紹該技術(shù)在木材及木制品的各種缺陷檢測(cè)、物理力學(xué)性質(zhì)以及化學(xué)性質(zhì)預(yù)測(cè)等方面的研究進(jìn)展。
1高光譜成像原理與裝置
高光譜成像是指在電磁波譜的光譜波段獲取較高光譜分辨率(0.6~3.0nm)的圖像信息的過(guò)程，其理論基礎(chǔ)是利用電磁波譜對(duì)被測(cè)物特性進(jìn)行分析并以成像的方式對(duì)被測(cè)物的光譜特性進(jìn)行研究[13].所得數(shù)據(jù)是在特定波長(zhǎng)范圍內(nèi)由一系列連續(xù)的窄波段圖像組成的三維圖像。現(xiàn)有高光譜成像系統(tǒng)的成像光譜范圍包括400~1000nm,900~1700nm和1000~2500nm等3個(gè)標(biāo)準(zhǔn)光譜波段。
高光譜圖像的采集方式包括逐點(diǎn)掃描式、線推掃式以及面幀式[14].目前，應(yīng)用最多的是線推掃式。
一個(gè)典型的線推掃式高光譜成像系統(tǒng)如圖1所示，由電荷耦合器件(chargecoupleddevice,CCD)探測(cè)器、成像光譜儀、鏡頭、光源及其控制器、可調(diào)載物臺(tái)、步進(jìn)電機(jī)、運(yùn)動(dòng)控制系統(tǒng)和圖像采集系統(tǒng)等組成。
其中，成像光譜儀以光柵型為主，是高光譜成像系統(tǒng)的核心部件，其內(nèi)部有一個(gè)棱鏡-光柵-棱鏡(prism-grating-prism,PGP)單元，如圖2所示。在推掃過(guò)程中，該單元能將待測(cè)物一個(gè)窄帶空間內(nèi)的有效入射光散射成不同波長(zhǎng)，色散后的光信號(hào)成像到CCD探測(cè)器上。其中的一個(gè)方向提供空間信息，另一個(gè)方向提供光譜信息，這樣就得到了此窄帶空間位置上多個(gè)像元點(diǎn)的光譜圖像。對(duì)推掃過(guò)程中多個(gè)窄帶空間區(qū)域的光譜圖像進(jìn)行拼接，可獲得整個(gè)待測(cè)物的高光譜圖像。圖3給出了一種藍(lán)變木材的高光譜圖像數(shù)據(jù)[15],其中第1維和第2維是木材樣品的空間位置信息(以x和y表示)，第3維是波長(zhǎng)信息(以λ表示)。
根據(jù)高光譜成像系統(tǒng)中光源的類型以及傳感器與光源的不同配置方式，可獲取4種不同類型的高光譜圖像，分別是：反射圖像、散色圖像、熒光圖像和透射圖像。目前，高光譜反射圖像是木材品質(zhì)無(wú)損檢測(cè)應(yīng)用研究的重點(diǎn)。
2高光譜圖像數(shù)據(jù)的處理方法
高光譜圖像數(shù)據(jù)處理的一般流程如圖4所示[16].由于高光譜圖像既包含光譜信息，又包括圖像信息，因此，高光譜圖像數(shù)據(jù)的分析方法很多。歸納起來(lái)，可以分為以下幾個(gè)步驟。
第一，數(shù)據(jù)校正與預(yù)處理。原始高光譜圖像數(shù)據(jù)是光子強(qiáng)度信息，需進(jìn)行反射校正獲取相對(duì)反射率[17].對(duì)于一些球狀或類球狀待測(cè)物，其形狀差異會(huì)使高光譜圖像數(shù)據(jù)存在空間差異，可在圖像維采用曲率校正方法[18-19]或者在光譜維采用光譜預(yù)處理方法[20-21]減弱或消除該影響。此外，由于高光譜圖像的數(shù)據(jù)量較大(可達(dá)數(shù)個(gè)GB)，可通過(guò)裁剪、合并等方法減少無(wú)用信息從而降低數(shù)據(jù)量。
第二，數(shù)據(jù)降維。在圖像維，可根據(jù)待測(cè)物的光譜特性，直接提取反映待測(cè)物品質(zhì)的一個(gè)或幾個(gè)波長(zhǎng)下的圖像[22];也可通過(guò)一些數(shù)據(jù)降維方法如主成分分析法(principalcomponentanalysis,PCA)[23]、獨(dú)立成分分析法[24]或最小噪聲分離法[25]等獲取關(guān)鍵的特征圖像;還可在上述特征波段基礎(chǔ)上，采用波段比算法[23]、差分算法[26]等計(jì)算特征圖像。圖像維的處理方法常見(jiàn)于被測(cè)對(duì)象的表面缺陷檢測(cè)研究。在光譜維，在剔除了異常像元后，可對(duì)指定像元區(qū)域的光譜或者所有像元的光譜進(jìn)行平均，計(jì)算平均光譜或偏差光譜進(jìn)行分析;也可提取每個(gè)像元的光譜信息，用于像素級(jí)的分類分析。光譜維的處理方法可用于被測(cè)物內(nèi)部品質(zhì)和外部缺陷檢測(cè)等。
第三，模型建立。在圖像維，可采用數(shù)字圖像處理技術(shù)對(duì)圖像進(jìn)行分割處理從而獲取目標(biāo)，提取特征參數(shù)建立相關(guān)模型[27];在光譜維，可將平均光譜或偏差光譜與待測(cè)品質(zhì)關(guān)聯(lián)，通過(guò)一些化學(xué)計(jì)量學(xué)方法如偏最小二乘法(partialleastsquares,PLS)[17]、支持向量機(jī)[24]、人工神經(jīng)網(wǎng)絡(luò)[28]等，建立待測(cè)物品質(zhì)的定量或定性分析模型。
第四，目標(biāo)分類。根據(jù)建立的模型對(duì)待測(cè)物品質(zhì)進(jìn)行可視化預(yù)測(cè)研究，建立組分含量分布圖像或分類圖像。
3研究進(jìn)展
3.1缺陷檢測(cè)
3.1.1應(yīng)力木檢測(cè)應(yīng)力木是樹(shù)木中的非正常木材組織，會(huì)嚴(yán)重影響木材的加工利用，導(dǎo)致木材資源浪費(fèi)并造成經(jīng)濟(jì)損失。目前，應(yīng)力木尤其是干燥之后的應(yīng)力木的檢測(cè)較為困難，現(xiàn)有方法主要為人工檢測(cè)[29]、高頻電磁輻射分析法[30]等，均存在一定局限性。機(jī)器視覺(jué)技術(shù)可用于新鮮狀態(tài)下應(yīng)力木檢測(cè)，而對(duì)干燥后的應(yīng)力木檢測(cè)效果較差[31].由于應(yīng)力木中木質(zhì)素、半乳糖含量高于正常木，可利用它們?cè)诮t外光譜區(qū)域的吸收作用，通過(guò)光譜分析法進(jìn)行檢測(cè)[32-33].然而光譜法需要大量數(shù)據(jù)，花費(fèi)時(shí)間較長(zhǎng)，且不具有空間信息，難以得到應(yīng)力木在木材中的空間分布。大量研究表明，高光譜成像技術(shù)可用于木材應(yīng)力木的判別。Hagman等[34]最早采用高光譜成像技術(shù)判別應(yīng)力木。實(shí)驗(yàn)?zāi)静膩?lái)自3株挪威云杉Piceaa-bies和5株歐洲赤松Pinussylvestris.成像波段為400~720nm.首先采用主成分分析法(PCA)對(duì)高光譜圖像進(jìn)行分析，發(fā)現(xiàn)第2和第3主成分得分圖能區(qū)分凈木、應(yīng)力木和黑節(jié)。隨后提取此3類樣本的光譜并采用偏最小二乘法(PLS)和多元線性回歸法建立識(shí)別模型，識(shí)別正確率均高于92%.JanNystr觟m和Hagman等[32]在相同的波段范圍研究了經(jīng)干燥預(yù)處理的挪威云杉應(yīng)力木的實(shí)時(shí)檢測(cè)方法。采用PLS建立了應(yīng)力木、非應(yīng)力木(早材、晚材以及暗色缺陷)的判別模型，使用該模型對(duì)14個(gè)樣本進(jìn)行在線預(yù)測(cè)時(shí)，11個(gè)被正確區(qū)分。作者認(rèn)為，通過(guò)調(diào)整光照方式、擴(kuò)展成像光譜范圍以及提升硬件性能還可進(jìn)一步提高識(shí)別性能。同時(shí)研究指出將試樣擴(kuò)充到云杉生材，可以為該技術(shù)的工業(yè)應(yīng)用奠定基礎(chǔ)。Duncker等[35]在400~1000nm波段范圍內(nèi)應(yīng)用高光譜成像技術(shù)研究了挪威云杉圓盤(pán)橫截面應(yīng)壓木的空間分布。從圓盤(pán)高光譜圖像中提取重度應(yīng)力木、中度應(yīng)力木、正常木以及背景或裂縫區(qū)域的平均光譜組成標(biāo)準(zhǔn)光譜集，采用光譜角算法對(duì)高光譜數(shù)據(jù)進(jìn)行逐像元判別。結(jié)果顯示：光譜角算法對(duì)中度和重度應(yīng)力木的分類效果較好，識(shí)別準(zhǔn)確率為91%,高于采用紅綠藍(lán)(RGB)圖像的分類結(jié)果。上述研究成像波段均在可見(jiàn)/近紅外光譜區(qū)域。Meder等[33]則在1000~1700nm范圍內(nèi)研究了輻射松Pinusradiata圓盤(pán)應(yīng)力木分布的高光譜成像檢測(cè)方法。該研究將應(yīng)力木程度分為5級(jí)，采用PLS建立判別模型，并將模型應(yīng)用于高光譜圖像，能夠準(zhǔn)確描述圓盤(pán)中的應(yīng)力木分布。作者指出，若通過(guò)該技術(shù)對(duì)原木多個(gè)連續(xù)部位的應(yīng)力木程度及分布進(jìn)行可視化描述，有助于木材形成的解釋，同時(shí)也可為鋸木廠木材切割部位優(yōu)化提供參數(shù)。
3.1.2變色檢測(cè)由木材中有色菌絲引起的藍(lán)變以及由太陽(yáng)光輻射、溫度、濕度等氣候因子綜合作用引起的木材表面變色均會(huì)影響木材的外觀，降低木材及木制品的品級(jí)和價(jià)值。目前，已有學(xué)者嘗試?yán)酶吖庾V成像技術(shù)對(duì)木材變色進(jìn)行研究。Burud等[15]在實(shí)驗(yàn)室條件下應(yīng)用高光譜成像系統(tǒng)定量檢測(cè)挪威云杉木制品表面的藍(lán)變。致藍(lán)病菌為黑酵母菌Aureobasidiumpullulans和枝狀枝孢菌Cladosporiumcladospori-oides.所用試材包括3種類型：一類樣品表面覆蓋了不含防腐劑的水性醇酸樹(shù)脂改性丙烯酸涂料;一類樣品表面涂有不含防腐劑的溶劑型醇酸漆;另外一類作對(duì)照未經(jīng)任何處理。光譜成像區(qū)域?yàn)榭梢?jiàn)/近紅外區(qū)(400~1000nm)和短波近紅外區(qū)(1000~2500nm)，數(shù)據(jù)處理方法為PCA.研究發(fā)現(xiàn)，可見(jiàn)/近紅外高光譜圖像的第1主成分得分圖像以及近紅外高光譜圖像的第2主成分圖像均能識(shí)別藍(lán)變區(qū)域。其中，可見(jiàn)/近紅外光譜區(qū)域獲取藍(lán)變木材的顏色信息，這與RGB圖像信息一致。當(dāng)高光譜圖像中存在異于藍(lán)變的其他顏色時(shí)，會(huì)引起誤判。而近紅外波段則可以獲取致藍(lán)真菌的水分含量信息，由于黑酵母菌和枝狀枝孢菌在近紅外譜區(qū)表現(xiàn)不同的光譜特性，這為不同致藍(lán)真菌種類的識(shí)別提供了理論基礎(chǔ)。在此研究基礎(chǔ)上，該團(tuán)隊(duì)從2013年8月開(kāi)始采用該技術(shù)在室外條件下，開(kāi)展在不同木材基底上受多種病菌浸染下真菌的生長(zhǎng)狀態(tài)研究[36].Agresti[37]采用高光譜成像技術(shù)研究白楊Populusalba木材顏色與人工模擬自然光光照時(shí)間的變化關(guān)系。測(cè)量波長(zhǎng)范圍為400~1000nm和1000~2500nm.研究發(fā)現(xiàn)在500~900nm范圍內(nèi)的木材光譜變化主要反映其在不同光照時(shí)間下的顏色變化，光照24h前后的差異顯著，而在1005~2500nm范圍內(nèi)的木材光譜變化則反映了其化學(xué)成分如木質(zhì)素、纖維素含量隨光照時(shí)間的變化。對(duì)2個(gè)波段范圍內(nèi)的光譜采用偏最小二乘-判別分析方法建立的判別模型，能準(zhǔn)確的判別0,216和504h等3個(gè)不同光照時(shí)間下的木材。研究認(rèn)為短波近紅外波段光譜攜帶了反映木材主要化學(xué)成分含量隨光照時(shí)間變化的信息，所建模型性能更好。
3.1.3其他缺陷檢測(cè)木材缺陷(包括節(jié)子、腐朽、蟲(chóng)眼等)會(huì)直接影響木材產(chǎn)品的強(qiáng)度、外觀和檔次。機(jī)器視覺(jué)技術(shù)是木板材表面缺陷識(shí)別的有效技術(shù)之一[38].然而，由于木材的外觀變化較大，不存在色彩或紋理特征完全相同的板材，因此，木材表面缺陷的機(jī)器視覺(jué)自動(dòng)分類識(shí)別存在很多挑戰(zhàn)。近紅外光譜分析技術(shù)也可用于木材表面缺陷的檢測(cè)[39-41],但是其檢測(cè)區(qū)域一般僅是木材表面的某點(diǎn)或較小區(qū)域(不具備空間信息)，木材的各向異性會(huì)影響檢測(cè)結(jié)果[41].高光譜圖像數(shù)據(jù)同時(shí)具備光譜信息和空間信息，這為木板材的表面缺陷檢測(cè)提供了一種新的技術(shù)。Bharati[42]
采用高光譜成像技術(shù)研究了離線和在線情況下的木板表面缺陷的檢測(cè)方法，包括香脂冷杉Abiesbalsamea,白云杉Piceaglauca和斑克松Pinusbanksiama等3個(gè)樹(shù)種的軟木,缺陷則包括不同類型的節(jié)子、裂縫、衰敗、瀝青和夾皮.成像波段為1144~1670nm,研究方法為多元圖像主成分分析法。作者同時(shí)獲取了該批樣本的RGB圖像，采用相同的分析方法進(jìn)行了比較分析。研究結(jié)果表明：RGB圖像僅能反映木材正常部位和某些缺陷部位(節(jié)子、裂縫)的顏色差異，只能判別是否存在缺陷，而高光譜圖像則反映了木材不同部位的化學(xué)信息、物理性質(zhì)等，這為化學(xué)成分、物理性質(zhì)不一的不同缺陷類型的判別(如節(jié)子和裂縫，活節(jié)和死節(jié))提供了可能。Lundqvist等[43]在1000~2500nm波段范圍內(nèi)采集了歐洲赤松生材盤(pán)圓高光譜圖像，直接對(duì)原始高光譜圖像進(jìn)行主成分分析，發(fā)現(xiàn)前3個(gè)主成分圖像就可以準(zhǔn)確的區(qū)分心材、邊材、油污帶和木材退化層。
3.2物理力學(xué)性質(zhì)檢測(cè)
含水量和密度是木材的重要物理力學(xué)性質(zhì)評(píng)價(jià)指標(biāo)。其中，纖維飽和點(diǎn)以下的含水量會(huì)嚴(yán)重影響木材的強(qiáng)度、剛性、耐腐性、機(jī)械加工性能、導(dǎo)電性等[5];而密度可用來(lái)評(píng)估木材的質(zhì)量、判斷木材的工藝性質(zhì)和物理力學(xué)性質(zhì)(硬度、強(qiáng)度、干縮以及濕漲等)[6].Hikaru等[44]在400~1000nm波段范圍內(nèi)采用高光譜成像技術(shù)檢測(cè)歐洲山毛櫸Fagussysvatica和歐洲赤松2種木材干燥過(guò)程中的水分含量分布。分別采集2樹(shù)種各10個(gè)樣本在7個(gè)不同水分含量階段的高光譜圖像，提取平均光譜并采用PLS建立水分含量模型。研究認(rèn)為標(biāo)準(zhǔn)正態(tài)變量變換(SNV)光譜預(yù)處理能突出水分在980nm下的特征光譜，可消除因水滴和木材表面結(jié)構(gòu)差異引起光散射的影響，采用該預(yù)處理方法所建模型分別對(duì)相應(yīng)樹(shù)種下的高光譜圖像進(jìn)行逐像元預(yù)測(cè)。研究結(jié)果顯示，在干燥過(guò)程中，歐洲山毛櫸與歐洲赤松的早材部位與晚材部位表現(xiàn)出不同的水分含量分布，印證了2個(gè)樹(shù)種在解剖學(xué)上的差異。
Fernandes等[45-46]采用高光譜成像技術(shù)對(duì)海岸松Pinuspinea木材的密度進(jìn)行檢測(cè)研究。波段范圍為400~1000nm,光譜分辨率為0.6nm,空間分辨率為79μm.他們首先以1株海岸松為研究對(duì)象，提取152個(gè)密度測(cè)量點(diǎn)的光譜數(shù)據(jù)建立主成分得分-人工神經(jīng)網(wǎng)絡(luò)模型，該模型用于測(cè)試集(365個(gè)測(cè)量點(diǎn))時(shí)，決定系數(shù)為0.96,平均絕對(duì)誤差為0.041g·cm-3.隨后該團(tuán)隊(duì)擴(kuò)大樣本進(jìn)行研究，實(shí)驗(yàn)樣本取自34株海岸松的胸高處(1.3m)，樹(shù)齡范圍為3~44年生，包含了邊材和心材。提取平均光譜采用PLS進(jìn)行20次隨機(jī)建模，最終所得20個(gè)模型對(duì)測(cè)試集的決定系數(shù)的平均值為0.81,預(yù)測(cè)均方根誤差的平均值為6.52×10-2g·cm-3.該團(tuán)隊(duì)還進(jìn)一步比較了不同建模方法對(duì)模型性能的影響，并確定了最優(yōu)的建模方法[47],為木材年代學(xué)和木材氣候?qū)W的研究提供了一種新的技術(shù)與方法。
不同于上述研究所用波段范圍，Mora等[48]在1000~1700nm范圍內(nèi)采用高光譜成像技術(shù)檢測(cè)火炬松Pinustaeda圓盤(pán)的基本密度和水分含量。試樣材齡為13~19a.將每個(gè)圓盤(pán)高光譜圖像中無(wú)缺陷區(qū)域的數(shù)據(jù)進(jìn)行平均，采用PLS建立模型。密度模型的預(yù)測(cè)決定系數(shù)為0.81,預(yù)測(cè)均方誤差為23.6kg·m-3,水分模型的預(yù)測(cè)決定系數(shù)為0.77,預(yù)測(cè)均方誤差為2.10%.該研究還與近紅外光譜技術(shù)進(jìn)行了對(duì)比。研究發(fā)現(xiàn)：雖然高光譜圖像數(shù)據(jù)所建密度和水分模型的精度略低于近紅外光譜技術(shù)所建同類模型，但高光譜圖像具有空間信息，且不受被測(cè)樣本形狀限制。作者指出：通過(guò)采用高精度的相機(jī)，拓展成像波段和確定特征波段可以進(jìn)一步提高密度、水分模型的精度。
3.3化學(xué)性質(zhì)檢測(cè)
木材是復(fù)雜的天然聚合物質(zhì)，其化學(xué)組成是木材最基本的性質(zhì)，與木材材性和紙漿性能密切相關(guān)。
因此，尋找一種快速、準(zhǔn)確的木材化學(xué)性質(zhì)預(yù)測(cè)方法對(duì)于木材原料的最佳使用期或用途的分析具有理論意義和實(shí)用價(jià)值。
Thumm等[49]采用高光譜成像技術(shù)研究了輻射松原木圓盤(pán)主要化學(xué)成分的含量及空間分布情況，所用成像波段區(qū)域?yàn)?00~1700nm.提取平均光譜并采用PLS建立木質(zhì)素、半乳糖、葡萄糖的定量模型，3種成分模型的決定系數(shù)分別為0.84,0.87,0.87,預(yù)測(cè)標(biāo)準(zhǔn)偏差分別為14.8,9.5和6.8g·kg-1.將所建模型用于3組分的空間分布預(yù)測(cè)時(shí)，發(fā)現(xiàn)在木材內(nèi)部3種成分的含量在空間分布不一致，驗(yàn)證了木材內(nèi)部為非勻質(zhì)體。特別是將3組分模型應(yīng)用于應(yīng)壓木部位時(shí)，發(fā)現(xiàn)木質(zhì)素和半乳糖含量升高而葡萄糖含量降低。研究結(jié)果表明：高光譜成像技術(shù)能對(duì)具有各向異性的木材的一些化學(xué)指標(biāo)進(jìn)行可視化展示，有利于木材不同部位的材性變化研究，從而更好地解釋外界環(huán)境對(duì)木材生長(zhǎng)的影響。
瑞士Innventia公司的研究團(tuán)隊(duì)搭建了一套近紅外光譜成像系統(tǒng)(1000~2500nm)，用于落葉松Larixdecidua橫截面生長(zhǎng)輪上木質(zhì)素含量的分布預(yù)測(cè)。直接對(duì)高光譜圖像進(jìn)行主成分變換，發(fā)現(xiàn)前3個(gè)主成分圖像可以很好地描述木質(zhì)素在各個(gè)年輪上的分布。從高光譜圖像中提取平均光譜建立PLS模型進(jìn)行逐像素預(yù)測(cè)，也能準(zhǔn)確描述木質(zhì)素的分布[43].該團(tuán)隊(duì)還將該技術(shù)應(yīng)用于樹(shù)種識(shí)別、應(yīng)壓木檢測(cè)以及紙張主要成分含量變異檢測(cè)，均取得了不錯(cuò)的效果。
高光譜成像技術(shù)除了用于以上研究以外，還可用于木材油浸性能的檢測(cè)。Geladi等[50]以歐洲赤松為研究對(duì)象，采用高光譜成像技術(shù)對(duì)邊材和心材的徑切面、弦切面受亞麻籽油油浸前、后的狀態(tài)進(jìn)行研究。成像波段為982~2498nm.對(duì)所有試樣進(jìn)行PCA分析時(shí)，發(fā)現(xiàn)油浸前、后木材差異顯著，容易區(qū)分。單獨(dú)對(duì)油浸前、后樣本進(jìn)行PCA分析時(shí)，發(fā)現(xiàn)在木材油浸前，徑切面和弦切面樣本容易區(qū)分，而在木材油浸后，邊材和心材樣本容易區(qū)分。作者指出：采用高光譜成像技術(shù)可以形象地刻畫(huà)木板油浸之后亞麻籽油在其表面的附著狀態(tài)，可為下一步在線評(píng)價(jià)防腐油在木材中的浸潤(rùn)分布提供技術(shù)參數(shù)。
4總結(jié)與展望
高光譜成像技術(shù)可以同時(shí)獲取待測(cè)物較豐富的圖像和光譜信息，能對(duì)木材及木制品的多種物理、化學(xué)性質(zhì)以及缺陷進(jìn)行無(wú)損檢測(cè)，是對(duì)被測(cè)物材料屬性的局部變化進(jìn)行可視化刻畫(huà)的理想工具[50].隨著數(shù)字圖像處理技術(shù)、光譜分析技術(shù)、化學(xué)計(jì)量學(xué)技術(shù)以及模式識(shí)別技術(shù)等的快速發(fā)展和融合，該技術(shù)將在木材以及木制品品質(zhì)無(wú)損檢測(cè)中具有良好的應(yīng)用前景。然而，高光譜成像技術(shù)是近10多年發(fā)展起來(lái)的一項(xiàng)技術(shù)，需要在實(shí)踐應(yīng)用中不斷走向完善與成熟。
4.1加強(qiáng)高光譜成像技術(shù)在木材品質(zhì)檢測(cè)中的應(yīng)用研究
高光譜成像技術(shù)在木材無(wú)損檢測(cè)中的研究在國(guó)內(nèi)尚無(wú)，在國(guó)外僅處于起步階段，且大多數(shù)為實(shí)驗(yàn)室研究，雖然取得了較好的預(yù)測(cè)效果，在應(yīng)用上表現(xiàn)出了很大的潛力，但是距離實(shí)際應(yīng)用尚有差距。因此，需要研究實(shí)際應(yīng)用和實(shí)驗(yàn)室條件的區(qū)別，分析和消除木材各種因素如樹(shù)種、水分含量、紋理、表面粗糙度、切面部位、儀器參數(shù)和工作環(huán)境等對(duì)高光譜成像檢測(cè)的影響，盡快將實(shí)驗(yàn)室模型推廣到實(shí)際應(yīng)用中。
4.2拓展高光譜圖像采集方式及成像波段范圍
現(xiàn)有的木材及其制品的品質(zhì)檢測(cè)研究主要采用反射高光譜圖像，采用其他類型高光譜圖像如熒光圖像或散射圖像進(jìn)行研究的較少。此外，現(xiàn)有的成像波段范圍一般限制在400~1000nm或者1000~2500nm某個(gè)范圍內(nèi)，在400~2500nm全波段范圍以及紫外光譜區(qū)內(nèi)進(jìn)行研究的不多。研究人員可聯(lián)合幾種高光譜圖像采集技術(shù)并擴(kuò)大成像波段范圍開(kāi)展木材及其衍生品的品質(zhì)檢測(cè)研究，從而為中國(guó)木材新型檢測(cè)裝備的研制提供理論基礎(chǔ)和技術(shù)支撐。
4.3開(kāi)發(fā)便攜式、預(yù)測(cè)準(zhǔn)確性高的多光譜成像檢測(cè)儀器
高光譜成像系統(tǒng)要處理海量數(shù)據(jù)，對(duì)計(jì)算機(jī)系統(tǒng)的硬盤(pán)、內(nèi)存以及運(yùn)算速度等要求很高，直接應(yīng)用于在線檢測(cè)的高光譜成像系統(tǒng)較少。在一些農(nóng)產(chǎn)品檢測(cè)領(lǐng)域，研究人員對(duì)被測(cè)農(nóng)產(chǎn)品的高光譜圖像進(jìn)行分析，根據(jù)檢測(cè)指標(biāo)獲取了一些有效特征波長(zhǎng)，并設(shè)計(jì)出實(shí)時(shí)、無(wú)損的多光譜成像系統(tǒng)[51].在木材品質(zhì)高光譜成像檢測(cè)研究方面也可借鑒該思想，從而開(kāi)發(fā)出便攜式、預(yù)測(cè)準(zhǔn)確性高、適應(yīng)性廣的多光譜成像儀器，實(shí)現(xiàn)在復(fù)雜工作環(huán)境中的木材品質(zhì)實(shí)時(shí)在線快速檢測(cè)。
參考文獻(xiàn)
[1]尹建新,祁亨年,馮海林,等。一種基于混合紋理特征的木板材表面缺陷檢測(cè)方法[J].浙江農(nóng)林大學(xué)學(xué)報(bào),2011,28(6)：937-942.
YINJianxin,QIHengnian,FENGHailin,etal.Amethodforwoodsurfacedefectdetectionbasedonmixedtexturefeatures[J].JZhejiangA&FUniv,2011,28(6)：937-942.
[2]杜曉晨,尹建新,祁亨年,等�；陬伾狈綀D和LBP-TD算子的木板材結(jié)疤缺陷區(qū)域檢測(cè)[J].北京林業(yè)大學(xué)學(xué)報(bào)，2012,34(3)：71-75.
DUXiaochen,YINJianxin,QIHengnian,etal.DefectiveregiondetectionforwoodbasedoncolorhistogramandLBP-TDoperator[J].JBeijingForUniv,2012,34(3)：71-75.
[3]CHENLijun,WANGKeqi,XIEYonghua,etal.Thesegmentationoftimberdefectsbasedoncolorandthemathemat-icalmorphology[J].OptikIntJLightElectOptic,2014,125(3)：965-967.
【木材無(wú)損檢測(cè)高光譜成像技術(shù)研究成果】相關(guān)文章：
探析無(wú)損檢測(cè)技術(shù)與發(fā)展09-30
壓力容器無(wú)損檢測(cè)技術(shù)的原理及應(yīng)用08-31
淺論壓力容器無(wú)損檢測(cè)技術(shù)的應(yīng)用08-14
淺論復(fù)合材料無(wú)損檢測(cè)技術(shù)的現(xiàn)狀與發(fā)展論文08-14
基于FPGA/CPLD和USB技術(shù)的無(wú)損圖像采集卡07-21
試論中國(guó)土木工程無(wú)損檢測(cè)技術(shù)的發(fā)展08-09
紅外熱成像技術(shù)在電氣設(shè)備維護(hù)中的應(yīng)用09-20
ＣＴ腦血管成像中減影去骨技術(shù)的評(píng)價(jià)08-01