光谱学与光谱分析
|
表面粗糙度对近红外光谱分析木材密度的影响
黄安民1 ,费本华1 ,江泽慧1* ,许忠允2
1.中国林业科学研究院木材工业研究所, 北京 100091 2.美国农业部林务局南方研究院,美国 71360
Influence of Sample Surface Roughness on Mathematical Model of NIR Quantitative Analysis of Wood Density
HUANG An-min1 ,FEI Ben-hua1 , JIANG Ze-hui1* , Chung-Yun Hse2
1. Research Institute of Wood Industry, Chinese Academy of Forestry, Beijing 100091, China 2. USDA-Forest Service Alexandria Forestry Center, 2500 Shreveport Highway Pineville,LA,USA 71360
摘要 : 近红外(NIR)光谱技术是一种基于多元统计分析建立预测模型的定量分析技术,应用十分广泛,然而,近红外光谱分析结果的准确性会受到多种因素的影响。文章分析了木材表面粗糙度对近红外光谱预测木材密度的影响。结果表明,当待预测样品的粗糙度和建模样品的粗糙度一致时,分析结果较好;二者不一致时,分析误差较大。采用不同粗糙度样品建立混合预测模型,可以显著提高模型对粗糙度的适应性和稳健性。
关键词 :近红外光谱;粗糙度;木材密度
Abstract :Near infrared spectroscopy is widely used as a quantitative method, and the main multivariate techniques consist of regression methods used to build prediction models, however, the accuracy of analysis results will be affected by many factors. In the present paper, the influence of different sample roughness on the mathematical model of NIR quantitative analysis of wood density was studied. The result of experiments showed that if the roughness of predicted samples was consistent with that of calibrated samples, the result was good, otherwise the error would be much higher. The roughness-mixed model was more flexible and adaptable to different sample roughness. The prediction ability of the roughness -mixed model was much better than that of the single- roughness model.
Key words :Near infrared spectroscopy;Roughness;Wood density
收稿日期: 2007-01-10
修订日期: 2007-04-08
通讯作者:
江泽慧
E-mail: hbham2000@sina.com
引用本文:
黄安民1 ,费本华1 ,江泽慧1* ,许忠允2 . 表面粗糙度对近红外光谱分析木材密度的影响[J]. 光谱学与光谱分析, 2007, 27(09): 1700-1702.
HUANG An-min1 ,FEI Ben-hua1 , JIANG Ze-hui1* , Chung-Yun Hse2 . Influence of Sample Surface Roughness on Mathematical Model of NIR Quantitative Analysis of Wood Density. SPECTROSCOPY AND SPECTRAL ANALYSIS, 2007, 27(09): 1700-1702.
链接本文:
https://www.gpxygpfx.com/CN/Y2007/V27/I09/1700
[1] CHU Xiao-li, YUAN Hong-fu, WANG Yan-bin, et al(褚小立, 袁洪福, 王艳斌,等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2004, 24(6): 666. [2] LI Yong,WEI Yi-min, WANG Feng(李 勇,魏益民,王 锋). Acta Agriculturae Nucleatae Sini(核农学报),2005,19(3): 236. [3] YU Hai-yan, YING Yi-bin, LIU Yan-de(于海燕, 应义斌, 刘燕德). Transactions of the Chinese Society of Agracultural Engineering(CSAE)(农业工程学报), 2005, 21(11): 160. [4] JIANG Ze-hui, HUANG An-min(江泽慧, 黄安民). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2006,26(7): 1464. [5] XU Zhi-long,ZHAO Lon-lian, YAN Yan-lu(徐志龙,赵龙莲,严衍禄). Modern Instruments(现代仪器), 2004, 10(5): 29. [6] CHU Xiao-li, YUAN Hong-fu, LU Wan-zhen(褚小立, 袁洪福, 陆婉珍). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2001, 21(6) : 881. [7] YIN Si-ci(尹思慈). Wood Science(木材学). Beijing: China Forestry Publishing House(北京: 中国林业出版社), 1996. 22.
[1]
高 峰, 邢雅阁, 罗华平, 张远华, 郭 玲. 基于可见/近红外光谱与化学计量学的杏品种无损鉴别方法 [J]. 光谱学与光谱分析, 2024, 44(01): 44-51.
[2]
鲍 浩,张 艳. 基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究 [J]. 光谱学与光谱分析, 2024, 44(01): 148-157.
[3]
胡彩平,何成遇,孔丽微,朱优优,武 斌,周浩祥,孙 俊. 模糊线性判别QR分析的茶叶近红外光谱鉴别分析 [J]. 光谱学与光谱分析, 2023, 43(12): 3802-3805.
[4]
刘鑫鹏,孙祥洪,秦玉华,张 敏,宫会丽. 基于Wasserstein散度的t-SNE相似性度量方法研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3806-3812.
[5]
白雪冰,宋昌泽,张倩玮,代斌秀,靳国杰,刘文政,陶永胜. “赤霞珠”葡萄叶片缺磷胁迫的VIS/NIR光谱快速无损诊断方法 [J]. 光谱学与光谱分析, 2023, 43(12): 3719-3725.
[6]
王琦标,何余锴,罗雨诗,王淑君,谢 波,邓 超,刘 勇,庹先国. 基于卷积神经网络和近红外光谱的酒醅酸度分析方法研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3726-3731.
[7]
骆 立,王静仪,徐兆军,那 斌. 基于近红外光谱技术建立木材产地鉴别模型 [J]. 光谱学与光谱分析, 2023, 43(11): 3372-3379.
[8]
张淑芳,雷 蕾,雷顺新,谭学才,刘绍刚,严 军. 近红外漫反射光谱的茉莉花产地溯源 [J]. 光谱学与光谱分析, 2023, 43(11): 3389-3395.
[9]
杨 群,凌琪涵,魏 勇,宁 强,孔发明,周艺凡,张海琳,王 洁. 基于可见-近红外光谱的柑橘叶片功能性氮含量无损监测模型研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3396-3403.
[10]
黄孟强,匡文剑,刘 向,何 良. 基于1D-CNN的近红外光谱定量分析棉/涤纶/羊毛混纺纤维含量方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3565-3570.
[11]
黄招娣,陈再良,王 琛,田 彭,章海亮,谢潮勇,刘雪梅. 比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析 [J]. 光谱学与光谱分析, 2023, 43(11): 3535-3540.
[12]
康明月,王 成,孙鸿雁,李作麟,罗 斌. 基于改进的WOA-LSSVM樱桃番茄内部品质检测方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3541-3550.
[13]
黄 华,刘 亚,库尔班古丽·都力昆,曾繁琳,玛依热·麦麦提,阿瓦古丽·麦麦提,买地努尔汗·艾则孜,郭俊先. 融合分数阶微分与PIMP-RF算法的集成学习模型预测成熟期苹果可溶性固形物含量 [J]. 光谱学与光谱分析, 2023, 43(10): 3059-3066.
[14]
陈嘉伟,周德强,崔晨昊,任志俊,左文娟. 近红外光谱的小麦粉粉质特性预测模型研究 [J]. 光谱学与光谱分析, 2023, 43(10): 3089-3097.
[15]
郭 歌,张梦玲,巩志杰,张世壮,王晓玉,周仲华,杨 玉,谢光辉. 基于近红外光谱和复杂样品划分集合的生物质灰分含量模型构建 [J]. 光谱学与光谱分析, 2023, 43(10): 3143-3149.