專利名稱：紅木的近紅外光譜識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種紅木的近紅外光譜識(shí)別方法，更具體地，是指一種利用近紅外光譜技術(shù)快速識(shí)別真假紅木及木材樹種的方法。
背景技術(shù)：
紅木從古至今都被人們視為珍貴木材，隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展和人類生活質(zhì)量的不斷提高，紅木家具和紅木裝飾品不僅為高檔賓館之豪華陳設(shè)，也已進(jìn)入尋常百姓家成為使用和收藏之精品。實(shí)際應(yīng)用中，由于可稱之為紅木的木材種類比較多，大多數(shù)人對(duì)紅木的真?zhèn)坞y以鑒別，因不明真?zhèn)味o生產(chǎn)者和消費(fèi)者帶來的經(jīng)濟(jì)損失少則幾千元至上萬元，多的可達(dá)上數(shù)百萬元，因此紅木的識(shí)別顯得尤為重要。
《紅木》國家標(biāo)準(zhǔn)中，將紅木分成八類共33個(gè)樹種，即紫檀、花梨、香枝、黑酸枝、紅酸枝、烏木、條紋烏木和雞翅木。每一類均按樹木分類學(xué)按科、屬、種正確定名的代表樹種，因不同科、屬樹種有不同的木材組織構(gòu)造，一般需要根據(jù)《紅木》國家標(biāo)準(zhǔn)中規(guī)定的木材宏觀特征和顯微(解剖)特征等進(jìn)行科學(xué)鑒定及區(qū)分，其步驟主要如下(1)在自然光下目測(cè)木材的顏色(例如紫檀木類心材紅至紫紅色，久則轉(zhuǎn)為深紫或黑紫；花梨木類心材主為紅褐、淺紅褐至紫紅褐色；香枝木類心材紅褐或深紅色，常帶黑色條紋；黑酸枝木類心材黑栗褐色，常帶黑色條紋；紅酸枝類心材主為紅褐或紫紅褐色；烏木類心材全部烏黑色；條紋烏木類散孔材黑色或栗褐色，間有淺色條紋；雞翅木類心材黑褐或栗褐色，在弦切面上呈雞翅狀花紋。)；(2)按照GB/T 1933規(guī)定的方法測(cè)定木材含水率在12％時(shí)的密度(按大小分為五級(jí))；(3)木材的結(jié)構(gòu)(木材細(xì)胞的大小和相對(duì)數(shù)量，在闊葉樹材中以導(dǎo)管和射線為標(biāo)志，分為甚細(xì)、細(xì)、中和粗四級(jí))；(4)測(cè)定木材的平均管孔直徑(在木材樣品的橫切面上取10nm×10nm的切面，在其左下角、右上角及其連線的中部三個(gè)點(diǎn)上各測(cè)10個(gè)以上管孔弦向直徑，取其平均值)；(5)檢測(cè)木材的氣味和條紋等特征；并按標(biāo)準(zhǔn)GB/T18107-2000與不同類別紅木的必備條件進(jìn)行對(duì)比，才能完成紅木的鑒定。
這些方法需要不僅具有豐富經(jīng)驗(yàn)的專業(yè)人員，在實(shí)驗(yàn)室內(nèi)進(jìn)行大量的制樣、顯微切片觀察和分析等工作，時(shí)間長(zhǎng)，成本高(鑒定一個(gè)樹種需要800～1000元)，而且不適合于現(xiàn)場(chǎng)檢測(cè)。然而，面對(duì)廣闊且快速發(fā)展的紅木市場(chǎng)，上述鑒定方法很難滿足市場(chǎng)的需要。因此，開發(fā)一種科學(xué)、快速、無損、準(zhǔn)確地識(shí)別紅木的方法將會(huì)為規(guī)范市場(chǎng)和保證產(chǎn)品質(zhì)量提供服務(wù)。

發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)現(xiàn)有識(shí)別方法的缺陷，而提供一種真假紅木的近紅外光譜快速識(shí)別方法，利用近紅外光譜中包含有木材顏色、密度、結(jié)構(gòu)與組成、木材強(qiáng)度和樣品的散射、表面光澤、折光指數(shù)等重要信息，結(jié)合化學(xué)計(jì)量學(xué)中的多變量數(shù)據(jù)分析方法，建立木材樹種的判別模型，從而實(shí)現(xiàn)對(duì)真假紅木及木材樹種的無損、快速識(shí)別。
本發(fā)明所采用的技術(shù)方案一種紅木的近紅外光譜識(shí)別方法，其步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，按真、假紅木兩個(gè)類別分別建立用于軟獨(dú)立建模分類分析(Soft IndependentModeling of Class Analogy，簡(jiǎn)寫為SIMCA)的紅木和假紅木的兩個(gè)主成分分析(Principal Component Analysis，簡(jiǎn)寫為PCA)模型；(5)判別模型的驗(yàn)證通過軟獨(dú)立建模分類方法，調(diào)用剩余三分之一數(shù)量樣本的近紅外光譜和真假紅木的兩個(gè)主成分分析模型，經(jīng)過多變量數(shù)據(jù)分析得到驗(yàn)證集樣本的真假紅木分類，與實(shí)際類別對(duì)比發(fā)現(xiàn)該模型將八類紅木的所有樣本判定為“紅木”，而所有假紅木都被判定為“假紅木”，模型對(duì)真假紅木的判別正確率為100％；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，利用建立好的判別模型來分析新樣本得到真假紅木樣本的類別，并與按照標(biāo)準(zhǔn)方法鑒定的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)近紅外光譜法的判別結(jié)果與標(biāo)準(zhǔn)方法一致。
一種紅木的近紅外光譜識(shí)別方法，其步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；利用偏最小二乘判別分析法來建立模型；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光部分至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物，因此，可選擇適當(dāng)?shù)牟煌庾V波長(zhǎng)范圍的光譜數(shù)據(jù)進(jìn)行建模；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，按真、假紅木兩個(gè)類別利用偏最小二乘判別分析法(Partial Least Squares-Discriminant Analysis，簡(jiǎn)寫為PLS-DA)建立判別模型，其過程主要為①建立培訓(xùn)集樣本的分類變量，即真假兩類；②分類變量與光譜數(shù)據(jù)的偏最小二乘法回歸分析，建立分類變量與光譜數(shù)據(jù)間的偏最小二乘法判別分析模型；
③根據(jù)培訓(xùn)集建立的分類變量與光譜特征的偏最小二乘回歸模型，計(jì)算未知樣本的分類變量的值Yp，并與偏差值0.5比較，當(dāng)Yp＞0.5時(shí)判定樣本屬于該類；當(dāng)Yp＜0.5時(shí)判定樣本不屬于該類；當(dāng)Yp≥0.5時(shí)說明判定不穩(wěn)定或不能確定；(5)判別模型的驗(yàn)證通過偏最小二乘判別分析法和培訓(xùn)集樣本建立的判別模型，對(duì)培訓(xùn)集樣本進(jìn)行交互驗(yàn)證，并對(duì)剩余三分之一數(shù)量樣本進(jìn)行判別，結(jié)果表明對(duì)真假紅木兩類樣本判別的正確率均為100％，兩類樣本的光譜特征與分類變量間的相關(guān)系數(shù)都超過0.90；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，經(jīng)過與建模時(shí)相同方法的光譜數(shù)據(jù)預(yù)處理后，利用判別模型對(duì)新樣本進(jìn)行預(yù)測(cè)，結(jié)果表明對(duì)紅木和假紅木兩類樣本判別的正確率均為100％，錯(cuò)判率為0。
一種紅木的近紅外光譜識(shí)別方法，其步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密等方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立建模時(shí)將紅木樣本按標(biāo)準(zhǔn)分為八類、假紅木則分為一類，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，再利用軟獨(dú)立建模分類法建立真假紅木判別及紅木類別判別的模型；(5)判別模型的驗(yàn)證通過軟獨(dú)立建模分類方法，調(diào)用剩余三分之一數(shù)量樣本的近紅外光譜和真假紅木的9個(gè)主成分分析模型，經(jīng)過多變量數(shù)據(jù)分析得到驗(yàn)證集樣本的真假紅木及紅木分類，與實(shí)際類別對(duì)比發(fā)現(xiàn)該模型將八類紅木的所有樣本判定為“紅木”，且準(zhǔn)確判定出八類紅木的類別，而所有假紅木都被判定為“假紅木”，該模型對(duì)真假紅木判別及紅木類別判別的正確率為100％；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，利用建立好的判別模型來分析新樣本得到真假紅木及每種紅木樣本的類別，并與按照標(biāo)準(zhǔn)方法鑒定的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)近紅外光譜法的判別結(jié)果與標(biāo)準(zhǔn)方法一致。
一種紅木的近紅外光譜識(shí)別方法，其步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，建模時(shí)將紅木樣本按標(biāo)準(zhǔn)分為八類、假紅木則分為一類，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，再利用偏最小二乘判別分析法建立真假紅木判別及紅木類別判別的模型，其過程主要為①建立培訓(xùn)集樣本的9個(gè)分類變量，即八類紅木及一類假紅木；②分類變量與光譜數(shù)據(jù)的偏最小二乘法回歸分析，建立分類變量與光譜數(shù)據(jù)間的偏最小二乘法判別分析模型；③根據(jù)培訓(xùn)集建立的分類變量與光譜特征的偏最小二乘回歸模型，計(jì)算未知樣本的分類變量的值Yp，并與偏差值0.5比較，當(dāng)Yp＞0.5時(shí)判定樣本屬于該類；當(dāng)Yp＜0.5時(shí)判定樣本不屬于該類；當(dāng)Yp≥0.5時(shí)說明判定不穩(wěn)定或不能確定；(5)判別模型的驗(yàn)證通過偏最小二乘判別分析法和培訓(xùn)集樣本建立的判別模型，對(duì)培訓(xùn)集樣本進(jìn)行交互驗(yàn)證，并對(duì)剩余三分之一數(shù)量樣本進(jìn)行判別，結(jié)果表明該模型將八類紅木的所有樣本判定為“紅木”，且準(zhǔn)確判定出八類紅木的類別，而所有假紅木都被判定為“假紅木”，該模型對(duì)真假紅木判別及紅木類別判別的正確率為100％，9類樣本的光譜特征與分類變量間的相關(guān)系數(shù)都超過0.90；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，經(jīng)過與建模時(shí)相同方法的光譜數(shù)據(jù)預(yù)處理后，利用判別模型對(duì)新樣本進(jìn)行預(yù)測(cè)，結(jié)果表明對(duì)真假紅木及每種紅木樣本判別的正確率均為100％，錯(cuò)判率為0。
所述樣本為紅木和非紅木木材，建模時(shí)將紅木按標(biāo)準(zhǔn)分為八類、非紅木木材按樹種分為若干類，并利用近紅外光譜和判別分析法建立判別模型，通過模型即可直接判別出紅木的類別及非紅木木材的類別。
所述紅木為紫檀木和花梨木。
所述樣本的表面為曲面、不平整、較粗糙或有污染面。
所述樣本的形態(tài)為纖維狀和粉末狀。
本發(fā)明的優(yōu)點(diǎn)是先利用先進(jìn)的光譜技術(shù)對(duì)標(biāo)準(zhǔn)的紅木樣本和假紅木樣本建立判別模型，然后，利用模型分析待識(shí)別紅木樣本的近紅外光譜數(shù)據(jù)，只需幾分鐘的時(shí)間即可實(shí)現(xiàn)對(duì)真假紅木的快速、無損識(shí)別，該方法簡(jiǎn)易、科學(xué)、分析效率和準(zhǔn)確度高。如果將判別模型及分析程序輸入到便攜式近紅外光譜儀中，只需要一般人員就可以實(shí)現(xiàn)實(shí)驗(yàn)室外(現(xiàn)場(chǎng))的真假紅木及紅木種類的快速、無損識(shí)別，具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。


圖1為紫檀木和花梨木近紅外光譜的主成分分析得分圖，圖中ZT字母代表紫檀木樣本，HL字母代表花梨木樣本。
具體實(shí)施例方式
下面結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
實(shí)施例1(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染。樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的18種假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密等方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本。
(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光部分至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物，因此，可選擇適當(dāng)?shù)牟煌庾V波長(zhǎng)范圍的光譜數(shù)據(jù)進(jìn)行建模。
(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維等預(yù)處理，以減少噪音干擾、提高模型的預(yù)測(cè)能力。建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致。
(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，按真、假紅木兩個(gè)類別分別建立用于軟獨(dú)立建模分類(SIMCA)分析的紅木和假紅木的兩個(gè)主成分分析(PCA)模型。圖1為紫檀木和花梨木近紅外光譜的主成分分析(PCA)得分圖，圖中ZT字母代表紫檀木樣本，HL字母代表花梨木樣本，從圖1可以看出，通過對(duì)近紅外光譜的PCA分析，即可在第一、二主成分方向上比較容易地區(qū)別出紫檀木和花梨木。
(5)判別模型的驗(yàn)證通過軟獨(dú)立建模分類(SIMCA)方法，調(diào)用剩余三分之一數(shù)量樣本(驗(yàn)證集)的近紅外光譜和真假紅木的兩個(gè)PCA模型，經(jīng)過多變量數(shù)據(jù)分析得到驗(yàn)證集樣本的真假紅木分類，與實(shí)際類別對(duì)比發(fā)現(xiàn)該模型將八類紅木的所有樣本判定為“紅木”，而所有假紅木都被判定為“假紅木”，模型對(duì)真假紅木的判別正確率為100％，說明該模型可以用于真假紅木的識(shí)別。
(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，利用建立好的判別模型來分析新樣本得到真假紅木樣本的類別，并與按照標(biāo)準(zhǔn)方法鑒定的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)近紅外光譜法的判別結(jié)果與標(biāo)準(zhǔn)方法一致，說明利用近紅外光譜結(jié)合SIMCA建模方法可以實(shí)現(xiàn)對(duì)真假紅木的快速、準(zhǔn)確識(shí)別。
該方法的特點(diǎn)常規(guī)的方法需要專業(yè)人員進(jìn)行數(shù)日，且破壞試樣進(jìn)行切片、顯微觀察等，才能完成一個(gè)樣本的準(zhǔn)確識(shí)別；而本方法不破壞試樣，從采譜到建模僅需數(shù)小時(shí)(以100個(gè)試樣為例)，在建立好模型的基礎(chǔ)對(duì)新樣本的識(shí)別僅需數(shù)分鐘(如果批量識(shí)別，以40個(gè)為例約1小時(shí)，平均1～2分鐘)。
實(shí)施例2(1)本實(shí)施例中，木材樣本的準(zhǔn)備、近紅外光譜采集、光譜預(yù)處理與建模樣本的分類等方法分別與實(shí)施例1中的第1～4步驟類似，其不同的是，利用偏最小二乘判別分析(PLS-DA)法來建立模型。
(2)偏最小二乘判別分析(PLS-DA)法基于PLS回歸方法，將光譜數(shù)據(jù)與分類變量進(jìn)行多元回歸，其判別過程主要為①建立培訓(xùn)集樣本的分類變量，即真假兩類；②分類變量與光譜數(shù)據(jù)的偏最小二乘法回歸分析，建立分類變量與光譜數(shù)據(jù)間的偏最小二乘法判別分析模型；③根據(jù)培訓(xùn)集建立的分類變量與光譜特征的PLS模型，計(jì)算檢測(cè)集(未知樣本)的分類變量的值Yp，并與偏差值(0.5)比較，當(dāng)Yp＞0.5時(shí)判定樣本屬于該類；當(dāng)Yp＜0.5時(shí)判定樣本不屬于該類；當(dāng)Yp≥0.5時(shí)說明判定不穩(wěn)定或不能確定。
(3)通過本實(shí)施例中培訓(xùn)集樣本建立的判別模型，對(duì)培訓(xùn)集樣本進(jìn)行交互驗(yàn)證，并對(duì)剩余三分之一數(shù)量樣本(驗(yàn)證集)進(jìn)行判別，結(jié)果表明對(duì)真假紅木兩類樣本判別的正確率均為100％，兩類樣本的光譜特征與分類變量間的相關(guān)系數(shù)都超過0.90。
(4)采集另外紅木和假紅木樣本的近紅外光譜，經(jīng)過與建模時(shí)相同方法的光譜數(shù)據(jù)預(yù)處理后，利用判別模型對(duì)新樣本進(jìn)行預(yù)測(cè)，結(jié)果表明對(duì)紅木和假紅木兩類樣本判別的正確率均為100％，錯(cuò)判率為0。說明近紅外光譜結(jié)合PLS-DA判別分析方法能有效地判別紅木的真假。
實(shí)施例3本實(shí)施例中，木材樣本的準(zhǔn)備、近紅外光譜采集與光譜預(yù)處理等方法分別與實(shí)施例1中的第1～3步驟類似，其不同的是，建模時(shí)將紅木樣本按標(biāo)準(zhǔn)分為八類、假紅木則分為一類，再利用軟獨(dú)立建模分類(SIMCA)法建立真假紅木判別及紅木類別判別的模型。
判別模型的驗(yàn)證、紅木的識(shí)別與實(shí)施例2中的第5～6步驟類似，其不同的是，該判別模型不僅可以識(shí)別紅木的真假，而且可以輸出紅木的類別，結(jié)果表明模型可以對(duì)紅木和假紅木樣本進(jìn)行正確判別，如果是紅木則直接輸出紅木樣本的類別，正確率均為100％。
說明利用近紅外光譜結(jié)合SIMCA建模方法可以實(shí)現(xiàn)對(duì)真假紅木及紅木的類別的快速、準(zhǔn)確識(shí)別。
實(shí)施例4
本實(shí)施例與實(shí)施例1中的第1～3步驟類似，建模時(shí)樣本的分類與實(shí)施例3中的方法類似，其不同的是，利用偏最小二乘判別分析(PLS-DA)法來建立模型。
判別模型的建立及驗(yàn)證、紅木的識(shí)別與實(shí)施例2中的方法類似，其不同的是，該判別模型不僅可以識(shí)別紅木的真假，而且可以輸出各種紅木的類別，結(jié)果表明模型可以對(duì)真假紅木樣本的類別進(jìn)行正確判別，而且，如果是紅木則直接輸出紅木樣本的類別，正確率均為100％。
說明近紅外光譜結(jié)合PLS-DA法能有效地判別紅木的真假，并可對(duì)紅木類別進(jìn)行快速、準(zhǔn)確地判別。
實(shí)施例5本實(shí)施例，采用與實(shí)施例1至4類似的方法，其不同的是，選取了紅木和未經(jīng)處理的非紅木木材，模型不僅可以輸出紅木的類別，也可以輸出非紅木木材樹種的類別。
采集樣本的光譜，光譜預(yù)處理，建模時(shí)將紅木按標(biāo)準(zhǔn)分為八類、非紅木木材按樹種分為若干類，并采用軟獨(dú)立建模分類(SIMCA)和偏最小二乘判別分析(PLS-DA)等判別分析方法進(jìn)行建模。對(duì)模型進(jìn)行驗(yàn)證后，采集未知紅木及非紅木木材樣本的近紅外光譜，再分別利用建立好的判別模型來判別木材樣本的類別，經(jīng)與標(biāo)準(zhǔn)方法鑒定的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)該方法的判別結(jié)果與標(biāo)準(zhǔn)方法一致，說明利用本方法可以不僅可以輸出紅木的類別，也可以輸出非紅木木材樹種的類別。
實(shí)施例6紫檀是紅木中最高級(jí)別的木材，與花梨同為紫檀屬樹種，但價(jià)格差別很大，由于這兩種木材的顯微構(gòu)造差別很小，因此，在實(shí)際的鑒定工作中，這兩種木材的區(qū)別非常困難。本方法利用這兩種木材所含特殊化學(xué)成分的差別進(jìn)行識(shí)別。
本實(shí)施例，采用與實(shí)施例1至4類似的方法，其不同的是，對(duì)目前常規(guī)方法較難區(qū)別的紫檀木與花梨木進(jìn)行識(shí)別，主要利用兩種木材中抽提物成分的差別來實(shí)現(xiàn)。
選取紫檀木和花梨木兩種紅木，分別將木塊浸泡于水中，并適當(dāng)進(jìn)行攪拌或振動(dòng)數(shù)小時(shí)，也可用木屑或木粉，可縮短浸泡時(shí)間并可提高浸泡效果。將浸泡溶液過濾，并采集溶液的近紅外透射光譜。經(jīng)光譜預(yù)處理后，建立紫檀木和花梨木兩種紅木的判別模型，該判別模型僅適用于紫檀木和花梨木兩種紅木的識(shí)別，結(jié)果表明本方法可以準(zhǔn)確地區(qū)別紫檀木和花梨木，方法簡(jiǎn)便，準(zhǔn)確度高。
該方法的主要特點(diǎn)是針對(duì)紫檀與花梨兩種紅木的木材構(gòu)造差別很小，很難進(jìn)行區(qū)別但價(jià)格差別很大的特點(diǎn)，利用兩種木材中化學(xué)抽提物成分等特征的差別，建立紫檀木和花梨木兩種紅木的判別模型，該判別模型僅適用于紫檀木和花梨木兩種紅木的識(shí)別，但識(shí)別的效率和準(zhǔn)確度高。
實(shí)施例7本實(shí)施例，采用與實(shí)施例1至5類似的方法，其不同的是，樣本的表面為曲面、不平整、較粗糙或有污染等情況。
對(duì)于樣本表面具有一定的曲面、較小程度的不平整和粗糙等情況，一般需要應(yīng)用與類似特征的樣本所建立的模型來判別，例如利用曲面樣本建立模型一般適用于對(duì)類似曲面樣本的識(shí)別，粗糙樣本建立模型一般適用于對(duì)類似粗糙樣本的識(shí)別。也可以在模型中輸入類似特征的變化程度較廣的樣本信息，以提高模型的適用范圍，例如利用多種曲面變化的樣本建立模型可對(duì)多種類似曲面樣本進(jìn)行識(shí)別；也可以建立包括各種條件(如一定程度的曲面、不平整和粗糙)樣本的判別模型，可使該模型適用于各種類似條件樣本的識(shí)別。
而對(duì)于表面很粗糙、污染明顯等特征的樣本，模型的預(yù)測(cè)或判別效果都有可能受到影響，因此，對(duì)于這種情況建議對(duì)樣本表面進(jìn)行適當(dāng)?shù)呐俟?，再進(jìn)行掃譜、建模判別。
實(shí)施例8本實(shí)施例，采用與實(shí)施例1至5類似的方法，其不同的是，采用樣本的形態(tài)為纖維狀和粉末狀。
采集光譜的方法可以與實(shí)施例1中的第2步驟類似，也可以將樣本放置在旋轉(zhuǎn)臺(tái)上再掃譜以獲得更均勻和代表性的光譜信息。建模與實(shí)際分析的方法與實(shí)施例1至5類似，但建模和實(shí)際分析時(shí)的樣本形態(tài)、采譜和光譜預(yù)處理等方法必須前后一致。結(jié)果表明利用近紅外光譜結(jié)合SIMCA法和PLS-DA判別分析方法都準(zhǔn)確地識(shí)別出各種材料的種類，正確率均為100％。
本方法的特點(diǎn)通常情況下，木材或竹材等木本植物材料被加工成纖維狀或粉末狀時(shí)，如果采用常規(guī)的切片、顯微觀察等方法進(jìn)行樹種的識(shí)別極其困難的，本方法利用了近紅外光譜可以反映材料的化學(xué)特性、微觀結(jié)構(gòu)、顏色差別等特征的優(yōu)勢(shì)，來實(shí)現(xiàn)樣本種類的快速識(shí)別。
權(quán)利要求
1.一種紅木的近紅外光譜識(shí)別方法，其特征的步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，按真、假紅木兩個(gè)類別分別建立用于軟獨(dú)立建模分類分析的紅木和假紅木的兩個(gè)主成分分析模型；(5)判別模型的驗(yàn)證通過軟獨(dú)立建模分類方法，調(diào)用剩余三分之一數(shù)量樣本的近紅外光譜和真假紅木的兩個(gè)主成分分析模型，經(jīng)過多變量數(shù)據(jù)分析得到驗(yàn)證集樣本的真假紅木分類，與實(shí)際類別對(duì)比發(fā)現(xiàn)該模型將八類紅木的所有樣本判定為“紅木”，而所有假紅木都被判定為“假紅木”，模型對(duì)真假紅木的判別正確率為100％；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，利用建立好的判別模型來分析新樣本得到真假紅木樣本的類別，并與按照標(biāo)準(zhǔn)方法鑒定的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)近紅外光譜法的判別結(jié)果與標(biāo)準(zhǔn)方法一致。
2.一種紅木的近紅外光譜識(shí)別方法，其特征的步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；利用偏最小二乘判別分析法來建立模型；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光部分至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物，因此，可選擇適當(dāng)?shù)牟煌庾V波長(zhǎng)范圍的光譜數(shù)據(jù)進(jìn)行建模；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，按真、假紅木兩個(gè)類別利用偏最小二乘判別分析法建立判別模型，其過程主要為①建立培訓(xùn)集樣本的分類變量，即真假兩類；②分類變量與光譜數(shù)據(jù)的偏最小二乘法回歸分析，建立分類變量與光譜數(shù)據(jù)間的偏最小二乘法判別分析模型；③根據(jù)培訓(xùn)集建立的分類變量與光譜特征的偏最小二乘回歸模型，計(jì)算未知樣本的分類變量的值Yp，并與偏差值0.5比較，當(dāng)Yp＞0.5時(shí)判定樣本屬于該類；當(dāng)Yp＜0.5時(shí)判定樣本不屬于該類；當(dāng)Yp≥0.5時(shí)說明判定不穩(wěn)定或不能確定；(5)判別模型的驗(yàn)證通過偏最小二乘判別分析法和培訓(xùn)集樣本建立的判別模型，對(duì)培訓(xùn)集樣本進(jìn)行交互驗(yàn)證，并對(duì)剩余三分之一數(shù)量樣本進(jìn)行判別，結(jié)果表明對(duì)真假紅木兩類樣本判別的正確率均為100％，兩類樣本的光譜特征與分類變量間的相關(guān)系數(shù)都超過0.90；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本的近紅外光譜，經(jīng)過與建模時(shí)相同方法的光譜數(shù)據(jù)預(yù)處理后，利用判別模型對(duì)新樣本進(jìn)行預(yù)測(cè)，結(jié)果表明對(duì)紅木和假紅木兩類樣本判別的正確率均為100％，錯(cuò)判率為0。
3.一種紅木的近紅外光譜識(shí)別方法，其特征的步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立建模時(shí)將紅木樣本按標(biāo)準(zhǔn)分為八類、假紅木則分為一類，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，再利用軟獨(dú)立建模分類法建立真假紅木判別及紅木類別判別的模型；(5)判別模型的驗(yàn)證通過軟獨(dú)立建模分類方法，調(diào)用剩余三分之一數(shù)量樣本的近紅外光譜和真假紅木的9個(gè)主成分分析模型，經(jīng)過多變量數(shù)據(jù)分析得到驗(yàn)證集樣本的真假紅木及紅木分類，與實(shí)際類別對(duì)比發(fā)現(xiàn)該模型將八類紅木的所有樣本判定為“紅木”，且準(zhǔn)確判定出八類紅木的類別，而所有假紅木都被判定為“假紅木”，該模型對(duì)真假紅木判別及紅木類別判別的正確率為100％；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，利用建立好的判別模型來分析新樣本得到真假紅木及每種紅木樣本的類別，并與按照標(biāo)準(zhǔn)方法鑒定的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)近紅外光譜法的判別結(jié)果與標(biāo)準(zhǔn)方法一致。
4.一種紅木的近紅外光譜識(shí)別方法，其特征的步驟是，(1)木材樣本的準(zhǔn)備選擇標(biāo)準(zhǔn)的紅木和假紅木樣本，樣本表面平整、無污染，樣本包括標(biāo)準(zhǔn)中的八類紅木和從市場(chǎng)上獲得的假紅木，假紅木有通過染色、涂飾、浸注藥劑、裝飾紙貼面和壓密方法生產(chǎn)的人造紅木以及類似紅木特征的木材樣本；(2)近紅外光譜的采集利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜，光譜經(jīng)過平均后轉(zhuǎn)化成一條光譜代表一個(gè)試樣；采集光譜波長(zhǎng)范圍在350nm～2500nm，在可見光至近紅外短波區(qū)域350nm～1000nm的光譜信息主要表征了不同類型紅木的顏色變化，而在1000nm～2500nm區(qū)域的光譜信息主要與紅木的結(jié)構(gòu)及化學(xué)組成有關(guān)，特別是紅木中的特別而又豐富的各種抽提物；(3)光譜預(yù)處理如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理；(4)判別模型的建立從真假紅木中分別選擇三分之二數(shù)量的樣本組成建模用的培訓(xùn)集，建模時(shí)將紅木樣本按標(biāo)準(zhǔn)分為八類、假紅木則分為一類，建模與實(shí)際判別時(shí)的光譜預(yù)處理方法必須一致，再利用偏最小二乘判別分析法建立真假紅木判別及紅木類別判別的模型，其過程主要為①建立培訓(xùn)集樣本的9個(gè)分類變量，即八類紅木及一類假紅木；②分類變量與光譜數(shù)據(jù)的偏最小二乘法回歸分析，建立分類變量與光譜數(shù)據(jù)間的偏最小二乘法判別分析模型；③根據(jù)培訓(xùn)集建立的分類變量與光譜特征的偏最小二乘回歸模型，計(jì)算未知樣本的分類變量的值Yp，并與偏差值0.5比較，當(dāng)Yp＞0.5時(shí)判定樣本屬于該類；當(dāng)Yp＜0.5時(shí)判定樣本不屬于該類；當(dāng)Yp≥0.5時(shí)說明判定不穩(wěn)定或不能確定。(5)判別模型的驗(yàn)證通過偏最小二乘判別分析法和培訓(xùn)集樣本建立的判別模型，對(duì)培訓(xùn)集樣本進(jìn)行交互驗(yàn)證，并對(duì)剩余三分之一數(shù)量樣本進(jìn)行判別，結(jié)果表明該模型將八類紅木的所有樣本判定為“紅木”，且準(zhǔn)確判定出八類紅木的類別，而所有假紅木都被判定為“假紅木”，該模型對(duì)真假紅木判別及紅木類別判別的正確率為100％，9類樣本的光譜特征與分類變量間的相關(guān)系數(shù)都超過0.90；(6)真假紅木的識(shí)別另外收集新的紅木和假紅木樣本，采集近紅外光譜，經(jīng)過與建模時(shí)相同方法的光譜數(shù)據(jù)預(yù)處理后，利用判別模型對(duì)新樣本進(jìn)行預(yù)測(cè)，結(jié)果表明對(duì)真假紅木及每種紅木樣本判別的正確率均為100％，錯(cuò)判率為0。
5.根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的一種紅木的近紅外光譜識(shí)別方法，其特征是，所述樣本為紅木和非紅木木材，建模時(shí)將紅木按標(biāo)準(zhǔn)分為八類、非紅木木材按樹種分為若干類，并利用近紅外光譜和判別分析法建立判別模型，通過模型即可直接判別出紅木的類別及非紅木木材的類別。
6.根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的一種紅木的近紅外光譜識(shí)別方法，其特征是，所述紅木為紫檀木和花梨木。
7.根據(jù)權(quán)利要求1至5中任一項(xiàng)所述的一種紅木的近紅外光譜識(shí)別方法，其特征是，所述樣本的表面為曲面、不平整、較粗糙或有污染面。
8.根據(jù)權(quán)利要求1至5中任一項(xiàng)所述的一種紅木的近紅外光譜識(shí)別方法，其特征是，所述樣本的形態(tài)為纖維狀和粉末狀。
全文摘要
本發(fā)明涉及一種紅木的近紅外光譜識(shí)別方法，其步驟是，采用紅木及非紅木木材樣本，利用近紅外光譜設(shè)備在木材樣本表面的不同位置采集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3～10個(gè)位置分別采集光譜；經(jīng)光譜預(yù)處理，如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理后，通過軟獨(dú)立建模分類或偏最小二乘判別分析等多變量數(shù)據(jù)分析方法，分別建立真假紅木及其木材樹種的判別模型，從而，利用建立的模型只需幾分鐘的時(shí)間即可實(shí)現(xiàn)對(duì)真假紅木及其木材樹種的快速、無損識(shí)別，該方法簡(jiǎn)易、科學(xué)、分析效率和準(zhǔn)確度高。
文檔編號(hào)G01N21/17GK1936552SQ20061014962
公開日2007年3月28日 申請(qǐng)日期2006年10月12日 優(yōu)先權(quán)日2006年10月12日
發(fā)明者江澤慧, 楊忠, 許忠允, 傅峰, 任海青 申請(qǐng)人:中國林業(yè)科學(xué)研究院木材工業(yè)研究所