试验材料为“洛楸1号”、 “洛楸4号”和“天楸2号”, 每个无性系选取三株样木。 试验材料采自甘肃省天水市林场(34°06'—34°48'N, 105°25'—106°43'E)。 树龄均为13年, “洛楸1号”、 “洛楸4号”和“天楸2号”的平均树高分别为12.5, 8.77和11.6 m, 平均胸径分别为15.9, 11.7和14.8 cm。

从原树高1.5~3.5 m范围内截取出长为450 mm的木段, 从每条450 mm木段上制取出3~4个截面尺寸为30 mm×30 mm的毛坯条, 精加工后的截面尺寸为20 mm×20 mm。 按国标要求从试条上纵向制取抗弯强度/抗弯弹性模量试样(300 mm×20 mm×20 mm), 总计94个。

光谱仪为美国ASD公司生产的LabSpec Pro近红外光谱仪。 采用两分叉光纤探头获取三个无性系楸木抗弯样品的近红外光谱信息, 仪器的波长区域为350~2 500 nm。 分别采集楸树木材抗弯性质样品的径切面和弦切面的光谱, 每个面采集5个样点(图1), 抗弯强度和抗弯弹性模量各选取一点(D3), 三点(D1, D3, D5)和五点(D1—D5)建立模型, 相邻采谱点之间的距离为37.5 mm。 每扫描30次自动平均为一条光谱并保存。 样品表面光斑直径约为15 mm。 试验在温度为20 ℃、 湿度为30%的条件下进行。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 抗弯强度和抗弯弹性模量样品采谱位置示意图Fig.1 Diagram of the spectra acquisition for MOR and MOE sample

楸树木材抗弯样品被调至平衡含水率约为12%。 楸树木材无疵小试样抗弯弹性模量和抗弯强度分别参照国家标准《木材抗弯弹性模量测定方法》(GB 1936.2—2009)和《木材抗弯强度试验方法》(GB 1936.1—2009), 使用万能力学试验机测试。

使用Unscrambler 9.7软件, 通过完全交互验证法建立PLS模型。 分别采用一阶导数、 二阶导数和多元散射校正法结合卷积平滑法三种方法对木材光谱进行预处理, 以消除噪音、 样品背景和基线漂移等非目标因素对光谱的影响。 通过校正相关系数R_c、 预测相关系数R_p、 校正标准误差SEC、 预测标准误差SEP和相对分析误差RPD评价模型质量。 校正相关系数、 预测相关系数和相对分析误差越大, 表明所建模型拟合性越好。 校正标准误差和预测标准误差越小, 且两者越接近, 模型适应性越好, 所建模型的预测能力越强。 当RDP值>1.5时, 建立模型可以用于样品的初级筛选。

三个楸树无性系木材的抗弯强度最大值为104.9 MPa, 最小值为51.6 MPa, 平均值为87.8 MPa, 变异系数为14.1%(表1)。 三个楸树无性系的抗弯弹性模量最大值为13.3 GPa, 最小值为7.63 GPa, 平均值为11.0 GPa, 变异系数为11.0%。

表1

Table 1

表1(Table 1)

表1 楸树木材抗弯强度和抗弯弹性模量的测定结果 Table 1 Measured of MOR and MOE for C.bungei wood 力学 性质 样品 数量 最大值 最小值 平均值 变异系数 /% MOR 94 104.9 MPa 51.6 MPa 87.8 MPa 14.1 MOE 94 13.3 GPa 7.63 GPa 11.0 GPa 11.0

表1 楸树木材抗弯强度和抗弯弹性模量的测定结果 Table 1 Measured of MOR and MOE for C.bungei wood

分别采集94个样品径切面和弦切面的光谱。 将两切面平均光谱分别进行1^stDer+S-G, 2^ndDer+S-G以及MSC+S-G三种预处理后, 得到近红外光谱图如图2所示。 分析光谱可以发现, 楸树木材样品的原始光谱出现明显偏移。 且原始光谱吸收峰并不十分明显, 而经过导数预处理后的光谱的波峰变得突出和窄小, 从而更易于分析^[20]。 采用多元散射校正后, 避免了被测物体表面粒径大、 分布不均匀等光谱散射效应, 提高了光谱数据的利用率和平滑度。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 楸树木材近红外原光谱和预处理后的光谱Fig.2 NIR raw spectra and pretreated spectra of C. bungei wood

2.3.1 切面对抗弯强度近红外模型的影响

结合偏最小二乘法, 在波段400~2 500 nm范围内建立了楸树木材不同切面的抗弯强度校正模型和预测模型, 结果见表2。

表2

Table 2

表2(Table 2)

表2 基于不同切面、 不同预处理方法的 抗弯强度建模效果比较 Table 2 MOR model comparison with different sections and pretreatments 预处理方法 Rc Rp SEC SEP RPD 径切面 原光谱 0.786 0.637 7.19 9.13 1.28 1stDer+S-G 0.804 0.695 6.92 8.42 1.39 2ndDer+S-G 0.787 0.704 6.03 6.70 1.20 MSC+S-G 0.738 0.699 7.55 8.01 1.41 弦切面 原光谱 0.614 0.444 5.95 6.87 1.11 1stDer+S-G 0.878 0.734 5.20 7.54 1.73 2ndDer+S-G 0.893 0.736 4.81 7.35 1.40 MSC+S-G 0.778 0.751 5.27 5.54 1.53 两切面 原光谱 0.830 0.720 5.71 7.11 1.45 1stDer+S-G 0.844 0.604 5.43 8.40 0.88 2ndDer+S-G 0.851 0.713 5.10 6.91 1.42 MSC+S-G 0.860 0.843 3.75 3.94 1.88

表2 基于不同切面、 不同预处理方法的 抗弯强度建模效果比较 Table 2 MOR model comparison with different sections and pretreatments

比较楸树木材抗弯强度不同切面模型的建模结果发现, 选用两切面平均光谱建立校正模型和预测模型有最佳的模型参数, 相关系数R_c值在0.830~0.860之间, R_p值在0.604~0.843之间, SEP值在3.75~5.71之间, RDP值在0.88~1.88之间。 弦切面的校正模型和预测模型效果优于径切面的, 选用MSC+S-G预处理方法时, 弦切面和径切面的预测模型相关系数分别为0.751和0.699, SEP值分别为5.54和8.01。 根据以上结果, 对于抗弯强度, 两切面平均光谱相较于径切面和弦切面包含了更多捕捉的样品信息, 因此在应用近红外光谱预测楸树木材抗弯强度建立模型时, 应选用木材径切面和弦切面的平均光谱。

2.3.2 切面对抗弯弹性模量近红外模型的影响

采用径切面、 弦切面和两切面平均光谱建立楸树木材抗弯弹性模量的校正模型和预测模型列于表3中。 从校正模型和预测模型的相关系数可以看出, 近红外光谱法预测的抗弯弹性模量和按国标法测定的标准值具有较强的相关性, 其校正模型决定系数最高达到了0.931, 预测模型相关系数最高达到了0.846。

表3

Table 3

表3(Table 3)

表3 基于不同切面、 不同预处理方法的 抗弯弹性模量建模效果比较 Table 3 MOE model comparison with different sections and pretreatments 预处理方法 Rc Rp SEC SEP RPD 径切面 原光谱 0.749 0.641 0.649 0.759 1.30 1stDer+S-G 0.782 0.674 0.609 0.723 1.36 2ndDer+S-G 0.858 0.486 0.636 0.765 1.25 MSC+S-G 0.738 0.695 0.710 0.726 1.43 弦切面 原光谱 0.757 0.650 0.702 0.826 1.31 1stDer+S-G 0.819 0.729 0.618 0.738 1.47 2ndDer+S-G 0.931 0.837 0.379 0.570 1.83 MSC+S-G 0.833 0.819 0.546 0.566 1.76 两切面 原光谱 0.739 0.670 0.595 0.658 1.25 1stDer+S-G 0.849 0.771 0.464 0.564 1.57 2ndDer+S-G 0.851 0.742 0.506 0.650 1.49 MSC+S-G 0.887 0.846 0.517 0.600 1.88

表3 基于不同切面、 不同预处理方法的 抗弯弹性模量建模效果比较 Table 3 MOE model comparison with different sections and pretreatments

比较不同切面模型的预测效果可以得出, 径切面的预测效果与弦切面较为接近。 当使用MSC+S-G预处理方法时, 抗弯弹性模量两切面平均光谱的校正相关系数相较于径切面和弦切面分别提高了20.2%和6.48%, 校正标准误差分别降低了27.2%和5.31%。 通过比较可以得出, 当使用两切面平均光谱时, 模型效果最优。 因此, 对于楸树木材抗弯弹性模量样品, 应选取两切面平均光谱建立抗弯弹性模量的近红外PLS模型。

2.4.1 预处理方法对抗弯强度近红外模型的影响

对测得的样本光谱数据分别采用1^stDer、 2^ndDer和MSC结合S-G卷积平滑法, 在400~2 500波段范围内建立抗弯强度近红外PLS模型。 不同预处理后的建模数据如表2所示。 一阶导数预处理方法具有消除基线漂移, 较少背景干扰的作用^[21]; 二阶导数预处理方法可以去除波长线性相关的漂移, 且能提供高分辨率和更清晰的光谱轮廓变化^[22]; 多元散射校正预处理方法可以消除光谱散射效应, 增强光谱中与成分含量相关的光谱吸收信息, 且能消除噪声^[23]; 卷积平滑法可以滤除光谱信号中噪音, 以提高模型精度。 为了更好地预测楸树木材抗弯强度和抗弯弹性模量, 将一阶导数、 二阶导数、 多元散射校正法和卷积平滑法组合起来作为预处理方法。

由表2可知, 采用3种不同预处理方法对原光谱预处理后得到的模型系数有较大差异。 选用两切面平均光谱, 预处理方法按校正模型相关系数从大到小排序为MSC+S-G>2^ndDer+S-G>1^stDer+S-G, 按预测模型相关系数从大到小排序为MSC+S-G>2^ndDer+S-G>1^stDer+S-G。 发现使用MSC+S-G预处理方法时, 相关系数均达到最大值, 且校正标准误差和预测标准误差最低为3.75和3.94, RPD值达到1.88。 最优楸树木材抗弯强度模型的测量值和预测值的相关关系如图3(a)所示, 由图可知, 楸树木材的实测值和模型预测值之间存在较好的相关关系。 因此, 建立楸树木材抗弯强度时, 应使用MSC+S-G预处理方法, 以得到最佳建模精度。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 实测值与近红外预测值相关关系 (a): 抗弯强度; (b): 抗弯弹性模量Fig.3 Correlation between actual values and NIR predicted values (a): MOR; (b): MOE

2.4.2 预处理方法对抗弯弹性模量光谱的影响

通过比较采用MSC+S-G, 2^ndDer+S-G和1^stDer+S-G三种预处理方法所建立的楸树木材抗弯弹性模量的校正模型和预测模型(表3), 选取最适合的预处理方法。 选用两切面平均光谱, 预处理方法按校正模型相关系数从大到小排序为MSC+S-G>2^ndDer+S-G>1^stDer+S-G, 按预测模型相关系数从大到小排序为MSC+S-G>1^stDer+S-G>2^ndDer+S-G。 当使用MSC+S-G对抗弯弹性模量光谱进行预处理时, 得到最高RPD值为1.88。 其抗弯弹性模量实测值与预测值之间的相关性如图3(b)所示, 可以看出实测值与预测值之间呈较好的线性相关。 由此可知, 选择MSC+S-G作为楸树木材抗弯弹性模量近红外建模的最佳预处理方法。

选择最优的光谱切面来源和预处理方法后, 基于不同采谱点数得到的光谱建立抗弯强度和抗弯弹性模量的PLS模型。 采谱点数为1点(D3)、 3点(D1、 D3、 D5)和5点(D1—D5), 依次建立模型, 建模结果见表4。 对于抗弯强度和抗弯弹性模量两项力学性质, 在三种采谱点数中, 使用五点采谱法时模型预测能力最佳, 抗弯强度的R_c值最高为0.860, SEC值最低为3.75, 抗弯弹性模量的R_c值最高为0.887。 通过比较可以看出采用三点光谱建立校正模型和预测模型的参数和一点之间没有明显差异。

表4

Table 4

表4(Table 4)

表4 基于不同采谱点数的MOR和MOE建模效果比较 Table 4 Model comparison with different sampling points for MOR and MOE 采谱点数 Rc Rp SEC SEP RPD 抗弯 强度 1 0.826 0.793 6.60 7.14 1.65 3 0.677 0.629 7.03 7.43 1.29 5 0.860 0.843 3.75 3.94 1.88 抗弯弹 性模量 1 0.833 0.814 0.407 0.408 1.74 3 0.826 0.806 0.409 0.430 1.71 5 0.887 0.846 0.517 0.600 1.88

表4 基于不同采谱点数的MOR和MOE建模效果比较 Table 4 Model comparison with different sampling points for MOR and MOE

抗弯强度和抗弯弹性模量采用一点采谱法时的预测相关系数较采用五点采谱法时仅分别降低了5.93%和2.96%。 实际生产应用中, 需大批量采集光谱, 因此在保证一定模型精度的同时, 可以选择采用一点采谱法, 以减少采谱和建模工作。