基于小波变换的木材近红外光谱模型优化及质量追溯

引用本文

李颖, 李耀翔, 李文彬, 姜立春. 基于小波变换的木材近红外光谱模型优化及质量追溯[J]. 光谱学与光谱分析, 2018,38(5): 1384-1392.
LI Ying, LI Yao-xiang, LI Wen-bin, JIANG Li-chun. Model Optimization of Wood Property and Quality Tracing Based on Wavelet Transform and NIR Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2018,38(5): 1384-1392.
Doi:10.3964/j.issn.1000-0593(2018)05-1384-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于小波变换的木材近红外光谱模型优化及质量追溯

李颖¹, 李耀翔^1,^*, 李文彬², 姜立春³

1. 东北林业大学工程技术学院, 黑龙江哈尔滨 150040

2. 北京林业大学工学院, 北京 100083

3. 东北林业大学林学院, 黑龙江哈尔滨 150040

*通讯联系人 e-mail: yaoxiangli@nefu.edu.cn

作者简介: 李颖, 1992年生, 东北林业大学工程技术学院博士研究生 e-mail: yingli@nefu.edu.cn

收稿日期: 2017-07-03

基金: 林业公益性行业科研专项经费(201504508), 国家自然科学基金项目(31570624), 中央高校专项研究生自主创新基金项目(2572017AB04)资助

摘要

智能化精准获取木材基本信息是木材质量追溯系统信息采集的核心, 同时也是木材后期分流、加工、精细化利用的重要依据。旨在探讨基于小波变换的木材近红外光谱(NIRS)去噪及模型优化, 研究近红外技术用于木材质量追溯的基础理论与方法, 构建基于近红外的木材质量追溯体系。以山杨木材气干密度为例, 采用小波变换进行光谱去噪及模型优化, 应用偏最小二乘法(PLS)构建了基于近红外光谱技术的山杨木材气干密度定标模型。在此基础上, 集成二维码技术, 在Matlab环境下, 将近红外定标模型预测结果(以木材密度为例)及其他木材相关信息(树种名称、产地、采集单位、数据获取方式等)生成快速响应矩阵码(QR Code), 以实现木材信息的有效、快速追溯。同时研究分析了不同纠错等级、字符数、像素下QR码的可读性及有效性。结果显示: (1)当db5小波基分解层为5时, 经启发式硬阈值去噪后得到的信噪比(SNR)最大, 均方根误差(RMSE)最小, 基于小波变换的近红外光谱去噪效果最好, 将校正模型决定系数由0.774 8提高到了0.850 1; (2)字符数一定时(本追溯信息的字符数为217), 当像素大于100 px×100 px时, QR码的可读性均大于90%; 当纠错等级为7%、像素大小为200 px×200 px时, 随着字符数由100增加至600, 解码率和可读性均为100%。研究表明, 基于小波去噪及近红外光谱技术, 可以实现木材密度的准确预测, 并能有效集成QR码技术, 以QR码作为传递木材信息的有效载体, 为木材材性信息的无损获取及有效追溯提供了理论依据与技术支撑。

关键词: 木材无损检测; 近红外光谱; 小波去噪; 快速响应矩阵码; 质量追溯

中图分类号:S781.31 文献标志码:A

Model Optimization of Wood Property and Quality Tracing Based on Wavelet Transform and NIR Spectroscopy

LI Ying¹, LI Yao-xiang^1,^*, LI Wen-bin², JIANG Li-chun³

1. College of Engineering and Technology, Northeast Forestry University, Harbin 150040, China

2. School of Technology, Beijing Forestry University, Beijing 100083, China

3. College of Forestry, Northeast Forestry University, Harbin 150040, China

Abstract

Wood information intelligent acquiring is the key for timber quality tracing. It is also the prerequisite for timber sorting, processing and fine applications. This study aims to discuss the denoising of aspen wood near infrared spectroscopy (NIRS) with wavelet transform and develop the calibration model for wood density, to analyze the feasibility of NIR-based wood quality tracing. In this study, calibration model was developed for air-dry density of aspen wood based on NIRS and partial least squares (PLS) algorithm. Wavelet transform was used for NIR denoising treatment and model optimization. The best denoising method was determined. Aspen wood density predicted with NIR calibration model together with other wood information (species, locality of growth, measuring unit, ways of data acquisition etc. ) was recorded with QR (Quick Response) code for the quick and effective tracing. The readability and effectiveness of the QR code with varied correction levels, number of characters, and pixel sizes were compared. The results showed that: (1) The best model fitting was achieved with the decomposition layer of 5 (db5 wavelet) under the heuristic hard threshold denoising treatment. The determination coefficient ( R²) was increased from 0.774 8 to 0.850 1 for the PLS calibration model. (2) As the number of coded characters were 217 in this study, the readability of QR code was low with pixel size of 100 px×100 px while the QR code readability was higher than 90% with pixel size greater than 100 px×100 px. The readability could be 100% with pixel size of 200 px×200 px and number of coded characters up to 600 at error correction level of 7%. It can be concluded that QR code could be an effective carrier for timber tracing information acquired with NIRS.

Keyword: Timber non-destructive testing; Near infrared spectroscopy; Wavelet denoising; Quick response code; Quality traceability

文章图片

引言

相关数据显示, 我国2016年1月— 5月份原木和锯材进口量较2015年同期增加近8%^[1]。与此同时, 我国进入“ 天保工程” 的二期实施阶段, 主要国有林区的天然林全面禁伐, 致使木材供需平衡面临较大挑战。现阶段, 在森林资源日趋紧张的情况下, 如何提高木材精细化利用水平, 实现木材的高效低耗节约利用, 已成为广大林业工作者重点关注的问题。近些年, 追溯系统的研究及应用逐渐成为国内外的研究热点和焦点。因木材生产经营长期以来较为粗放, 基于供应链的木材产品质量追溯较少引起科研工作者及林业管理者的重视。在林业科学领域中, 追溯系统的应用研究仍局限于木材合法性和物流追溯等方面。因此, 对木材生产链源头的木材基本信息进行采集, 不仅是建立木材质量追溯系统, 应对欧盟强制性木材法规要求, 打开我国木制品出口通道、提高国际竞争力的必经环节, 同时也为木材精细化利用奠定牢固的基础。

信息采集和产品标识技术是可追溯体系的核心。准确的信息采集是建立质量追溯的基础, 尤其对于木材而言, 在木材生产的源头即木材采伐阶段, 快速、有效获取木材物理、力学、机械性能等相关信息, 是木材后续分流和精细化利用的重要依据。传统方法获取木材性能相关参数时, 虽然能保证精度要求, 但处理过程费时费力、对试件破坏性大, 且实验要求条件相对严格, 不适合野外应用及大量数据获取。近红外光谱(near infrared spectroscopy, NIRS)技术以其操作过程简捷、分析精准、模型泛化能力强、实时在线监测等优点, 已广泛应用于农业、石油化工、分析化学等诸多领域^{[2, 3, 4]}。现有研究表明近红外技术可以实现木材密度、纤维素、微纤丝角等理化组分的有效预测^{[5, 6]}, 在木材无损检测领域应用前景广阔。

关于产品标识方法, 目前主要有二维码和射频识别技术(RFID)等。快速响应矩阵码(quick response code, QR Code)是二维码领域中应用最广、标准化程度最高的一种码制, 其数据储存能力强、抗损性好、安全性高, 已普遍应用于农副产品的质量安全追溯中。

以山杨木材为研究对象, 应用近红外光谱技术和小波变换光谱处理, 提取密度指标信息, 构建山杨木材气干密度近红外光谱定标模型。在此基础上, 集成二维码技术, 将近红外定标模型预测结果及其他木材相关信息(树种名称、产地、采集单位等)生成QR码, 并对不同纠错等级、字符数、像素大小下QR码的可读性进行分析。旨在寻求木材基本材性快速、准确获取途径及研究在此基础上的木材质量追溯, 进而为实现木材的高效节约利用提供理论依据与技术支撑。

1 实验部分

1.1 材料制备与NIRS采集

人工林山杨(Populus davidiana)试材采自黑龙江省松岭林业局大扬气林场, 该林场地处大兴安岭南坡, 位于50° 47'35″N, 124° 17'26″E, 海拔高度在300~700 m之间, 平均坡度在13° 左右。将山杨试材加工成标准立方体试件(20 mm× 20 mm× 20 mm), 编号1~100, 运用Matlab软件随机选取75个校正集样本, 25个预测集样本。

NIRS采谱用美国ASD公司生产的LabSpec Pro便携式近红外光谱仪, 光谱分辨率为3 nm@700 nm, 10 nm@1 400 nm, 25 nm@2 100 nm, 全波段350~2 500 nm内采用二分叉光纤探头垂直并紧贴山杨样品横截面, 每个样品自动扫描30次并取平均光谱为样品的原始近红外光谱, 耗时3 s。

山杨木材近红外光谱图如图1。

	Figure Option View Download New Window
	图1 山杨木材近红外光谱图Fig.1 NIR spectroscopy of aspen wood

山杨木材气干密度参照GB/T 1933— 2009《木材密度测定标准》进行测定。

1.2 小波变换光谱预处理及效果评价

近红外光谱在采集过程中受各种因素的影响会产生一定的噪音, 若噪声过多, 会掩盖光谱的特征吸收峰, 无形中增加了光谱解析的难度, 更会影响近红外定标模型的精度。小波变换是由短时傅里叶变换发展形成的一种具有多分辨率和时频性的数学工具^[7]。若 $Ψ (t) \in L^{2} (R),$ 其傅里叶变换(Fourier transform) $\hat{Ψ} (ω)$ 满足

$C_{Ψ} = \int_{R} \frac{| \hat{Ψ} (ω) |^{2}}{| ω |} d ω < \infty (1)$

即称Ψ (t)为基小波, L² (R)为函数空间。小波变换为信号f(t)和Ψ _{(α , β )} (t)的内积, 即光谱信号f(t)∈ L² (R)在Ψ (t)上投影。即

$Wf (α, β) = < f (t), Ψ_{(α, β)} (t) >, α, β \in R (2)$

式(2)中α 和β 分别为基小波的伸缩和平移因子。离散小波变换(DWT)为

一般取α = $α_{0}^{γ}$ , β =τ β ₀ $α_{0}^{γ}$ , γ , τ ∈ z。离散小波逆变换为

$f (t) = \sum_{γ, τ} (W_{Ψ} f) (α, β) Ψ_{γ, τ} (t) (4)$

式中, $(W_{Ψ} f) (α, β) 为 f (t)$ 的离散小波系数。

小波变换去噪的实质可归纳为将NIRS信号f(t)投影到基小波Ψ (t)上, 进而针对不同小波系数, 做阈值处理, 最后进行信号重构。

小波变换去噪时, 参数的不当设定可能误将光谱部分特征信息当作噪音从NIRS中剔除, 进而影响模型精度。采用信噪比(SNR)与均方根误差(RMSE)作为小波变换对NIRS去噪的评价指标, SNR越大、 RMSE越小, 表明NIRS中含有的噪声被剔除的越多, 特征信息保留的越充分。反之, 表明NIRS中的特征信息被过多地剔除, 该去噪方法不可取。

$\begin{array}{l} SNR = 10 \log (\frac{\overset{n}{\sum_{t = 1}} f^{2} (t)}{\overset{n}{\sum_{t = 1}} (f^{2} (t) - \hat{f} {(t))}^{2}}) (5) \\ RMSE = \sqrt[]{\frac{1}{n} \overset{n}{\sum_{t = 1}} (f (t) - \hat{f} {(t))}^{2}} (6) \end{array}$

1.3 近红外定标模型构建与评价

使用偏最小二乘法建立山杨木材气干密度NIR校正模型, 通过内部交叉验证及预测集外部验证检验建模效果。具体参数如下:

决定系数(R²)越趋近1, 山杨木材气干密度近红外模型的拟合效果越好。

$R^{2} = 1 - \frac{\overset{n}{\sum_{i = 1}} (y_{i} - {\hat{y}}_{i})^{2}}{\overset{n}{\sum_{i = 1}} (y_{i} {- \overset{̅}{y})}^{2}} (7)$

式中, y_i为山杨木材密度测量值, $\overset{̅}{y}$ 为山杨木材密度测量值的平均值。 $R_{c}^{2}$ 和 $R_{cv}^{2}$ 分别代表校正模型决定系数和交叉验证决定系数。

RMSE越趋近0, 山杨木材密度的测量值与近红外模型的预测值之间的偏差和越小, 模型的预测结果越准确。

$RMSE = \sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (y_{i} - {\hat{y}}_{i})^{2}}{n}} (8)$

式中, 当 ${\hat{y}}_{i}$ 和y_i分别为山杨木材校正集样本的密度预测值和测量值时, RMSE为均方根校正误差(RMSEC); 同理, RMSECV和RMSEP分别为均方根交叉验证误差和均方根预测误差。

SEE越趋近0, 山杨木材密度的测量值与近红外模型的预测值之间偏差的标准差越小, 山杨木材密度测量值与预测值的一致性越好, 模型的精确度越好。

$\begin{array}{l} SEE = \sqrt[]{\frac{1}{n - 1} \overset{n}{\sum_{i = 1}} (y_{i} - {\hat{y}}_{i} {- bias)}^{2}} (9) \\ bias = \frac{1}{n} \overset{n}{\sum_{i = 1}} (y_{i} - {\hat{y}}_{i}) (10) \end{array}$

bias表示山杨木材密度的测量值和近红外模型的预测值之间的系统偏差。 SEC, SECV和SEP分别代表校正标准差、交叉验证标准差和预测标准差。

RSD为均方根误差与密度测量值算数平均值的比值, 用于评价校正模型对某一成分总体的预测效果。当RSD< 10%时, 模型可在实际检测中应用^[8]。

$RSD = \frac{RMSE}{\bar{y}} \times 100 % (11)$

式中, 当RMSE为RMSEC时, RSD为校正(定标)相对标准差; 当RMSE为RMSEP时, RSD为预测(校验)相对标准差。

SEP/SEC表示模型的稳健性, 通常情况下, SEP/SEC< 1.2, SEP/SEC越大, 模型的稳定性越差^[9]。

2 基于小波变换的山杨木材近红外光谱模型优化

2.1 小波阶数的确定

小波变换去噪通常分为三步, 确定小波函数并进行多尺度分解, 阈值量化和小波重构; 其中小波函数的确定是小波去噪的第一步和基础, 阈值的选择与量化是整个去噪过程中的核心, 因此着重对这两方面进行讨论。

dbN系小波具有较好的正交紧支性^[10], 李天华^[11]等采用db6小波对番茄NIRS进行去噪, 研究分析了分解层数从3到7变化时的模型相关参数, 得出最佳分解层数为5。因此, 本研究以dbN系小波为基础, 应用Matlab软件讨论分解层数为5时, dbN系小波分解和重构时不同阶数N对山杨木材NIRS的去噪效果。

图2为dbN小波系分解、重构时不同阶数N下的信噪比, 其中x轴和y轴分别为分解和重构时所用阶数, z轴为光谱去噪后的信噪比。当重构小波阶数N₁为2~9时, 随着分解小波阶数N₂由1增加至10, SNR呈先增加后减小的趋势, 对于重构小波, SNR呈现同样的趋势。当分解小波和重构小波的阶数(N₁=N₂)相同时, 去噪后光谱的SNR达到相应阶数的极大值。当分解和重构小波阶数同为5(N₁=N₂=5)时, 去噪后光谱的SNR最大, 其值为15.277。

	Figure Option View Download New Window
	图2 小波去噪后信噪比Fig.2 SNR with wavelet method

图3为dbN小波系分解、重构时不同阶数N下的均方根误差, 其中x轴和y轴分别为分解和重构时所用阶数, z轴为光谱去噪后的均方根误差。当重构小波阶数N₁为2~9时, 随着分解小波的阶数N₂由1增加至10, RMSE呈先减小后增加的趋势, 对于重构小波函数, RMSE呈现同样的趋势。当分解小波和重构小波的阶数相同(N₁=N₂)时, 去噪后光谱的RMSE达到相应阶数的极小值。当分解和重构小波阶数均为5(N₁=N₂=5)时, 去噪后光谱的RMSE最小, 其值为0.058 2。综上可知, dbN系小波变换可以有效去除山杨木材近红外光谱中的噪音, 且基于5层分解的db5母小波对山杨木材近红外光谱的去噪效果最佳, SNR及RMSE分别为15.277和0.058 2。

	Figure Option View Download New Window
	图3 小波去噪后均方根误差Fig.3 RMSE with wavelet method

2.2 阈值的选择与量化

小波去噪中, 阈值的选择与量化是光谱去噪的关键, 在一定程度上影响了光谱去噪的质量。采用db5母小波, 应用Matlab分析讨论分解层数为5时, 强制去噪、默认阈值和给定阈值三种去噪方式对山杨木材原始近红外光谱的去噪效果(表1)。

表1 基于db5母小波的不同阈值法去噪结果分析 Table 1 Denoising results of different threshold methods based on db5 wavelet

由表1可知, 不同阈值去噪方式得到的SNR和RMSE各不相同, 定量地说明了各去噪方式的去噪能力不同。对比给定阈值中四种去噪方法在软阈值和硬阈值模式下相应的SNR和RMSE可知, Sqtwolog, Rigorous SURE, Heuristic SURE和Minimax在硬阈值模式下去噪后的SNR较相应的软阈值SNR分别提高了11.67%, 1.29%, 3.12%和0.72%, RMSE分别降低了12.77%, 2.87%, 5.35%和2.07%, 定量地说明同等条件下, 硬阈值下小波的去噪能力优于相应阈值准则的软阈值去噪, 与高清河等^[12]采用db5小波对心音信号进行去噪得出的结论一致。可能原因为: 较之小波分析的软阈值方式, 硬阈值具有更好的信号逼近能力^[13]。在硬阈值模式下, 对比给定阈值的四种去噪方法, 其去噪能力由强到弱依次为: Heuristic SURE> Minimax> Rigorous SURE> Sqtwolog, 即Heuristic SURE、硬阈值的去噪效果最佳, 且其去噪能力优于强制去噪和默认阈值去噪。山杨木材NIRS经启发式硬阈值去噪处理后, 其SNR和RMSE分别达到最大值和最小值, 其值分别为15.796 0和0.054 8, 此时小波的去噪效果最好。

因此, 本研究选用db5母小波, 在启发式硬阈值模式下, 对山杨木材近红外光谱进行5层分解去噪处理, 在此基础上构建山杨木材近红外定标模型。

2.3 山杨木材近红外定标模型构建

运用Unscrambler多元分析软件结合偏最小二乘算法对山杨木材近红外原始光谱和经db5母小波降噪处理的NIRS建立木材密度近红外校正模型。应用PLS法建立山杨木材密度近红外定标模型时, 主成分数过多, 噪声等冗余信息可能被包含在模型中, 若主成分数过少, 模型精度有待提高。通常情况下, 交叉验证预测残差平方和(PRESS)最小时所对应的主成分数为最佳主成分数(PCs), 模型的性能较好, 其数学表达式为

$PRESS = \overset{n}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2} (12)$

式中, y_i和 ${\hat{y}}_{i}$ 的含义同式(7)。

由图4知, 随着主成分个数由1增加至10, PRESS的值整体呈现先减小后增大的趋势。对于原始光谱建立的定标模型, 当主成分个数为4时, PRESS达到最小值, 为0.083 4; 对于小波去噪后的定标模型, 当主成分个数为3时, PRESS达到最小值, 为0.077 0, 即原始光谱和采用小波去噪处理NIRS所建立的定标模型的最佳主成分数分别为4和3, 由图5可知, 其累积贡献率分别为80.39%和82.09%。

	Figure Option View Download New Window
	图4 近红外定标模型不同主成分数下的PRESSFig.4 Relationship between PCs and PRESS of NIR model

	Figure Option View Download New Window
	图5 近红外定标模型不同主成分数下的累积贡献率Fig.5 Relationship between PCs and cumulative contribution to NIR model

由表2可知, 原始光谱所建模型的 $R_{cv}^{2}$ 为0.7496, RMSECV和SECV分别为0.037 7和0.038 0, 表明山杨木材密度近红外光谱模型的拟合效果较好。经小波变换去噪后, 校正模型决定系数由0.774 8提高到0.850 1, RMSEC和SEC分别减少了18.4%和18.5%; 内部交叉验证模型决定系数由0.749 6提高到0.820 9, RMSECV和SECV分别减少了15.1%和15.3%, 定量地说明了基于5层分解、启发式硬阈值的db5小波可有效去除山杨木材NIRS中的噪声, 提高近红外定标模型的精度, 与李耀翔等人得出小波变换可用于榆树木材近红外光谱去噪的结论一致^[14]。 RSD的值均小于10%, 表明模型可在实际检测中应用。

表2 PLS建模参数 Table 2 Model statistics of PLS

模型	光谱预处理	PCs	校正模型				内部交叉验证模型
模型	光谱预处理	PCs	$R_{c}^{2}$	RMSEC	SEC	RSD/%	$R_{cv}^{2}$	RMSECV	SECV	RSD/%
PLS	原始光谱	4	0.774 8	0.035 3	0.035 6	6.360 0	0.749 6	0.037 7	0.038 0	6.790 0
PLS	小波变换	3	0.850 1	0.028 8	0.029 0	5.190 0	0.820 9	0.032 0	0.032 2	5.770 0

表2 PLS建模参数 Table 2 Model statistics of PLS

运用Unscrambler软件, 采用预测集样品对已建校正模型进行外部检验, 结果如表3所示。

表3 预测集外部检验模型参数 Table 3 External validation statistics of prediction set

由表3可知, 采用小波去噪后的校正模型进行预测得到的决定系数(0.847 7)大于原始光谱建立的校正模型进行预测得到的决定系数(0.759 1), 同时, 小波去噪将RMSEP和SEP分别降低了20.8%和20.4%, 表明小波去噪可有效提高校正模型的预测精度。 SEP/SEC的值均小于1.2, 说明用于预测的两个校正模型的稳健性均较为理想, 但较之原始光谱, 小波变换处理后所建模型的SEP/SEC值降低了3%, 表明小波变换可在一定程度上提高模型性能。

3 基于小波优化及NIRS技术木材材性追溯信息的快速获取

通过上述分析可知, 近红外技术可实现山杨木材气干密度的高效、无损获取, 采用小波变换后可进一步优化模型预测参数, 提高近红外定标模型的预测精度。因此, 选用小波变换优化后的最佳模型对待追溯的木材样本进行预测, 以实现木材材性追溯信息的快速获取。以两个不同产地的木材为追溯研究对象, 对其气干密度进行无损、绿色、高效获取。待追溯木材样本分别来自黑龙江省松岭林业局大扬气林场和吉林省白山市靖宇县景山实验林场, 样品制备方法如前所述, 样本统计信息如表4。

表4 山杨木材气干密度统计值 Table 4 Air-dry density statistics of aspen from different sites

对比表5各参数可知, 对于原始光谱建立的校正模型, 大扬气林场样品的预测决定系数(0.761 7)大于景山实验林场样品的预测决定系数(0.519 2), RMSEP(0.036 5)和SEP(0.037 1)均小于景山实验林场(0.045 7, 0.046 5)。小波变换优化模型具有同样的预测结果, 即对大扬气林场的预测决定系数(0.839 3)大于景山实验林场, RMSEP(0.028 5)和SEP(0.029 1)均小于景山实验林场。由此可知: 不论校正模型是否经过小波变换优化处理, 近红外定标模型对大扬气林场山杨的预测结果均优于景山实验林场。可能原因为两林场地理位置、林场组分及微环境不同致使木材的生理生化特征、密度大小和密度值分布存在差异, 从而使模型的针对性下降, 预测能力有所降低。结合表4可知, 校正模型样品木材密度实测值在0.4~0.5和0.6~0.7两个区间的数量基本相同, 0.5~0.6密度区间的密度频数较前两者略多, 未知样品2也采自大扬气林场, 其密度区间频数具有类似分布。而未知样品1采自景山实验林场, 虽然各密度值的方差无显著变化, 但0.6~0.7区间的密度频数最大, 密度均值偏大, 这是导致近红外技术对两个追溯产地预测结果不同的主要原因。因此, 当预测样品与建模样品来自相同的林场时, 模型的预测效果最好。此外, 由表5可知: 经小波降噪后校正模型预测得到的相关参数均优于原始光谱建立的校正模型的预测参数, 进一步表明了小波变换能有效提高模型的精度和稳健性。图6和图7分别为采用最佳小波去噪参数去噪优化后的大扬气林场的山杨木材的建模效果和预测效果。根据图6和图7可知, 大扬气林场的山杨木材密度校正模型和验证模型的拟合线与y=x的偏离程度较小, 即: 小波变换校正模型对大扬气林场的预测值与测量值相关性较高, 且近红外定标模型预测值和测量值的误差较小, 均在可接受的误差范围内。

表5 校正模型预测结果 Table 5 Prediction results with different calibration models

	Figure Option View Download New Window
	图6 基于小波优化的山杨木材近红外模型Fig.6 NIR models for aspen wood with wavelet optimization

	Figure Option View Download New Window
	图7 基于小波优化的近红外校正模型预测结果Fig.7 Prediction results of NIR calibration model with wavelet optimization

4 木材基本材性追溯信息的QR码生成及可读性分析

本文基于近红外技术, 选取木材生产链始端的木材材性密度指标为例, 结合小波去噪对山杨密度近红外定标模型进行优化, 在此基础上, 将NIRS技术获取的木材材性追溯信息在Matlab环境下, 通过自主编程生成QR码, 从而实现木材生产链源头的木材材性追溯信息的快速、绿色、高效获取, 以为实现林产品到单根原木信息的精确溯源提供理论依据与技术支撑。图8为基于NIRS技术集成QR码的木材质量追溯流程图, 以预测大扬气林场未知山杨样品密度为例, 通过近红外光谱仪采集木材NIRS, 运用已建立的最优密度近红外定标模型对未知山杨木材进行预测, 将符合精度要求的数据在Matlab环境下安装并调用.Net Framework框架版ZXing码源, 将编码方式设置为‘ UTF-8’ , 最终通过encode函数编码生成QR码。

	Figure Option View Download New Window
	图8 基于NIR技术和QR码的木材质量追溯系统Fig.8 Timber quality tracing system based on NIR and QR code

集成二维码技术, 将NIR技术获取的木材基本信息生成QR码, 在不同纠错等级、字符数、像素下对QR码的可读性进行分析, 以便为后续设计木制品二维码标识提供理论依据。使用Android操作平台下同一电子设备中的微信APP, 在距离QR码水平距离为20cm处进行解码。解码时间从摄像头对焦二维码开始至识别码中信息, 每个QR码解码30次, 取平均值作为最终解码时间。解码过程中, 关闭手机LED补光灯, 在实验室温度、湿度、光照基本恒定的条件下进行解码。

由表6可知, 纠错等级和像素不同, QR码的解码时间亦有所不同。在像素为100 px× 100 px时, 除纠错等级为7%的可读性为30%, 其他纠错等级下, QR码的可读性均为0, 原因可能是生成的QR码过小, 此时模块宽度只有0.014 3 cm, 加之扫描距离为20 cm, 手机在扫描时无法正确对焦; 当像素在150~600 px之间时, 仅像素为300 px× 300 px、纠错等级为30%时的QR码可读性为90%, 其他条件下均为100%, 此时模块宽度范围在0.028 6~0.114 3 cm之间, 可实现QR码译码过程。对于译码时间, 当像素范围为150~600 px时, 随着纠错等级由7%增加至30%时, 平均译码时间由3.125 7 s增加到5.989 1 s, 可能原因是: 当纠错等级由7%提高至30%时, 增加了QR码的密度, 从而延长了解码时间。因此, 当纠错等级为7%, 像素为200 px× 200 px时, 即可实现QR码的快速、有效解码, 且此参数下的QR码编码简单, 解码时间较短。

表6 不同像素和纠错等级的QR码可读性 Table 6 QR code readability for various pixel and error correction levels

二维码的码制不同, 其所容纳的字符数亦不同。故选取纠错等级为7%, 像素大小为200 px× 200 px, 探讨字符数在100~600间的11种字符数对QR码的译码影响, 以确保在涵盖全部木材追溯信息的情形下, 精炼QR码承载信息, 提高QR码的解码率。

由表7可知, 11种字符数下QR码的解码率和可读性均达到100%, 字符数为100时, 解码时间最短, 为2.559 s; 当字符数在150~350之间, 随着字符数的增加, 解码时间变化缓慢, 识别时间范围为2.963~3.152 s; 当字符数在400~600之间, 解码时间范围为4.200~5.375 s; 字符数为450时, 解码时间最长, 为5.375 s; 综上可知, 随着字符数的增加, 解码时间未呈现持续增大或降低的态势, 即字符数对QR码译码时间产生的直接影响较小。

表7 不同字符数下QR码性能参数 Table 7 Statistics for QR code from various characters

5 结论

对于dbN小波系, 当分解小波和重构小波阶数一致时, 去噪后光谱的SNR和RMSE分别达到相应阶数的极大值和极小值。比较各去噪参数可知, 基于5层分解、启发式硬阈值的db5小波降噪后得到的SNR最大, RMSE最小, 此时去噪效果最佳。小波变换去噪后将校正模型R²提高了10%, 预测集R²提高了12%, 其他相关参数均得到改善, 定量地说明小波变换能有效去除山杨木材NIRS的噪音, 提取特征信息, 提高模型的性能。

采用小波优化的校正模型获取待追溯木材的基本材性信息, 在Matlab环境下生成QR码, 对不同纠错等级、字符数、像素下的QR可读性进行分析。像素为100 px× 100 px时, 7%纠错等级下的可读性为30%, 说明此像素下QR可读性较差; 当像素为150~600 px时, 仅纠错等级为30%、像素大小为300 px× 300 px时可读性为90%, 其他条件下均达到100%。此外, 随着纠错等级的提高, 平均译码时间增加。当纠错等级为7%、像素为200 px× 200 px、字符数为100时, QR码识别时间最短, 仅为2.559 s。随着字符数的增加, 解码时间未呈现一直增加或降低的趋势。

NIR结合二维码技术可作为木材质量追溯系统智能化获取木材溯源信息的有效手段。但由于NIR技术专业性较强, 若直接将NIRS、校正模型或预测结果以原形态呈现在二维码中将增加用户的阅读难度且信息准确性不高, 因此可以考虑将NIR获取的木材材性信息以更精确、简洁的形式体现, 以便通过二维码识别设备直接获取可读性更高的信息。同时, 建立、更新木材基本材性信息的近红外定标模型数据库, 完善单一树种预测多指标参数的联合模型。此外, 本研究采用的QR码标识虽然支持汉字编码, 但在信息更新时仍存在一定的弊端, 需要不断更替QR码标识, 这些将是下一步研究的技术攻关。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	ASKCI Consulting(中商产业研究院). Data Statistics of Imported Logs and Timber in Jan-May of 2016( 2016年1—5月中国进口原木及锯材数据统计). http://www.askci.com/news/chanye/20160610/16414327314.shtml(中商情报网), 2016. [本文引用:1]
[2]	Camino Sánchez F J, Delgado Moreno B, Navarro Fuentes P. Food Analytical Methods, 2015, 8(7): 1758. [本文引用:1]
[3]	Santos M I, Gerbino E, Araujo Andrade C, et al. Food Research International, 2014, 59(4): 53. [本文引用:1]
[4]	HUANG Yan-hui, FEI Ben-hua, ZHAO Rong-jun(黄艳辉, 费本华, 赵荣军). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(12): 3356. [本文引用:1]
[5]	LI Yao-xiang, ZHANG Hong-fu, ZHANG Ya-zhao, et al(李耀翔, 张鸿富, 张亚朝, 等). Journal of Northeast Forestry University(东北林业大学学报), 2010, 38(9): 27. [本文引用:1]
[6]	LU Wan-hong, YANG Gui-li, LIN Yan, et al(卢万鸿, 杨桂丽, 林彦, 等). Scientia Silvae Sinicae(林业科学), 2017, 53(5): 16. [本文引用:1]
[7]	ZHANG De-feng(张德丰). Wavelet Analysis with Matlab (MATLAB小波分析). Beijing: China Machine Press(北京: 机械工业出版社), 2009. 32. [本文引用:1]
[8]	ZHANG Xiao-chao, WU Jing-zhu, XU Yun(张小超, 吴静珠, 徐云). Near Infrared Spectroscopy Technique and Applications in Modern Agriculture(近红外光谱分析技术及其在现代农业中的应用). Beijing: Publishing House of Electronics Industry(北京: 电子工业出版社), 2012: 49. [本文引用:1]
[9]	YAN Yan-lu, CHEN Bin, ZHU Da-zhou, et al(严衍禄, 陈斌, 朱大洲, 等). Near Infrared Spectroscopy-Principles, Technologies and Applications(近红外光谱分析的原理、技术与应用). Beijing: China Light Industry Press(北京: 中国轻工业出版社), 2013: 171. [本文引用:1]
[10]	FENG De-shan, YANG Bing-kun, WANG Xun, et al(冯德山, 杨炳坤, 王珣, 等). Chinese Journal of Geophysics(地球物理学报), 2016, 59(1): 342. [本文引用:1]
[11]	LI Tian-hua, SHI Guo-ying, WEI Min, et al(李天华, 施国英, 魏珉, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2013, 44(1): 200. [本文引用:1]
[12]	GAO Qing-he, GANG Jing, WANG He-yu(高清河, 刚晶, 王和禹). Computer&Digital Engineering(计算机与数字工程), 2015, 43(6): 957. [本文引用:1]
[13]	ZUO Fei-fei, WANG Hai-bin, MA Jie, et al(左飞飞, 王海彬, 马捷, 等). Journal of Detection &Control, 37(1): 80. [本文引用:1]
[14]	LI Yao-xiang, XU Hao-kai(李耀翔, 徐浩凯). Journal of Yunnan University(Natural Sciences), 2015, 37(1): 155. [本文引用:1]

2016

0.0

... 5月份原木和锯材进口量较2015年同期增加近8%^[1] ...

2015

0.0

... 近红外光谱(near infrared spectroscopy, NIRS)技术以其操作过程简捷、分析精准、模型泛化能力强、实时在线监测等优点, 已广泛应用于农业、石油化工、分析化学等诸多领域^[2,3,4] ...

2014

0.0

2015

0.0

2010

0.0

... 现有研究表明近红外技术可以实现木材密度、纤维素、微纤丝角等理化组分的有效预测^[5,6], 在木材无损检测领域应用前景广阔 ...

2017

0.0

... 现有研究表明近红外技术可以实现木材密度、纤维素、微纤丝角等理化组分的有效预测^[5,6], 在木材无损检测领域应用前景广阔 ...

2009

0.0

... 小波变换是由短时傅里叶变换发展形成的一种具有多分辨率和时频性的数学工具^[7] ...

2012

0.0

... 10%时, 模型可在实际检测中应用^[8] ...

2013

0.0

... 2, SEP/SEC越大, 模型的稳定性越差^[9] ...

2016

0.0

... dbN系小波具有较好的正交紧支性^[10], 李天华^[11]等采用db6小波对番茄NIRS进行去噪, 研究分析了分解层数从3到7变化时的模型相关参数, 得出最佳分解层数为5 ...

2013

0.0

2015

0.0

... 07%, 定量地说明同等条件下, 硬阈值下小波的去噪能力优于相应阈值准则的软阈值去噪, 与高清河等^[12]采用db5小波对心音信号进行去噪得出的结论一致 ...

0.0

... 可能原因为: 较之小波分析的软阈值方式, 硬阈值具有更好的信号逼近能力^[13] ...

2015

0.0

... 3%, 定量地说明了基于5层分解、启发式硬阈值的db5小波可有效去除山杨木材NIRS中的噪声, 提高近红外定标模型的精度, 与李耀翔等人得出小波变换可用于榆树木材近红外光谱去噪的结论一致^[14] ...