利用近红外光谱技术快速预测楸树木材抗弯性质

汪 睿， 石兰兰， 王玉荣

中国林业科学研究院木材工业研究所， 北京 100091

引 言

楸树(Catalpabungei)是我国特有的珍贵材树种， 主要分布在华北、 华中、 华东地区[1]， 具有干形通直、 材质优良、 耐腐等优点， 被广泛应用于家具、 建筑、 乐器等方面[2]。 目前我国对于珍贵材楸木的需求逐渐增大， 然而楸树的自然繁育存在困难， 需要选育优良无性系以满足对径材的需求。 优良无性系品种具有遗传增益高， 稳定遗传母本优良性状等优点。 学界已开展了有关楸树无性系种质资源、 生物学特性的研究[3-4]， 但对我国重要的人工林楸树木材的材性评价较少， 本文中新培育的优良无性系的材质特性数据也未见报道。 因此评价新培育楸树无性系的材质特性成为了研究关注的焦点。

木材力学性质是评价木材品质性状的主要指标， 其中木材抗弯强度用来衡量木材承受横向荷载的能力， 抗弯弹性模量用来衡量比例极限内木材抵抗弯曲变形的能力[5]。 二者作为最常使用的两项力学性质， 是木结构质量和承载性能的重要决定因子[6]。 使用传统方法测量木材样品的抗弯性质需要耗费大量人力、 物力。 近红外光谱技术具有成本低、 无污染、 无损快捷的优点， 目前被广泛应用于木材的基础材性、 木材改性与降解和分类等测定[7-10]。 已有较多研究结果表明可以通过近红外光谱完成对阔叶树材抗弯强度和抗弯弹性模量的快速预测[11-16]， 例如在对水曲柳其近红外光谱与抗弯性质研究发现， 抗弯强度和抗弯弹性模量预测模型的相关系数均高于0.88[14]。 Schimleck等[15]采集珍稀材巴西苏木的近红外光谱并成功建立抗弯弹性模量预测模型， 预测模型相关系数平方值为0.77。

光谱来源和预处理方法均会影响近红外光谱模型效果。 使用来自细叶桉样品径切面和弦切面复合光谱建立的PLS模型， 其相对分析误差值达到2.46， 建模效果优于径切面、 弦切面的模型[17]。 不同树种选择的最佳预处理方法有较大差异， 火炬松在对抗弯强度和抗弯弹性模量光谱预处理时选用一阶导数[18]， 南方松采用标准正态变量校正预处理方法建立抗弯强度和抗弯弹性模量近红外模型[19]， 蒙古栎抗弯弹性模量的最佳预处理方法则是一阶导数与卷积平滑结合算法[11]。

目前， 尚缺乏应用近红外光谱预测楸树木材抗弯强度和抗弯弹性模量的研究， 且建立楸树木材抗弯性质近红外模型的最佳切面选择、 预处理方法及采谱点数也未见报导。 鉴于此， 以新培育的优良无性系“洛楸1号”、 “洛楸4号”和“天楸2号”为研究对象， 探索应用近红外光谱分析建立抗弯强度和抗弯弹性模量的预测模型的可行性， 并研究了不同切面、 不同预处理方法和采谱点数对模型精度的影响。 本论文旨在为楸树木材优良无性系的木材力学性质快速评估和和其加工利用提供理论依据。

1 实验部分

1.1 材料

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。

1.2 近红外光谱采集

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 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

1.3 楸树木材力学性质测试

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。

1.4 数据处理与分析方法

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Rc、 预测相关系数Rp、 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。

2 结果与讨论

2.1 楸树木材力学性质

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 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

2.2 楸树木材近红外光谱特征

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1stDer+S-G， 2ndDer+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 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 切面对楸树木材抗弯性质近红外模型的影响

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 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Rc值在0.830～0.860之间，Rp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 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 预处理方法对楸树木材抗弯性质近红外模型的影响

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1stDer、 2ndDer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>2ndDer+S-G>1stDer+S-G， 按预测模型相关系数从大到小排序为MSC+S-G>2ndDer+S-G>1stDer+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。

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， 2ndDer+S-G和1stDer+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>2ndDer+S-G>1stDer+S-G， 按预测模型相关系数从大到小排序为MSC+S-G>1stDer+S-G>2ndDer+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。

2.5 采谱点数对楸树木材抗弯性质近红外模型的影响

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Rc值最高为0.860，SEC值最低为3.75， 抗弯弹性模量的Rc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 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。

3 结 论

通过采集样品在400～2 500 nm波段的近红外光谱， 采用偏最小二乘法结合完全交互验证法对楸树木材抗弯弹性模量和抗弯强度进行了快速预测。 根据预测结果进行分析， 得出以下结论：

利用两切面平均光谱建立的抗弯强度和抗弯弹性模量校正模型和预测模型的效果优于利用径切面或弦切面的光谱。 通过比较发现MSC+S-G是抗弯强度和抗弯弹性模量建立模型的最佳预处理方法。 对两切面平均光谱选用MSC+S-G预处理后， 抗弯强度最佳预测模型相关系数、 预测标准误差和相对分析误差分别为0.843， 3.94和1.88， 抗弯弹性模量最佳预测模型相关系数、 预测标准误差和相对分析误差分别为0.846， 0.600和1.88， 即近红外光谱技术可以完成对楸树木材抗弯强度和抗弯弹性模量样品的初步筛选。 比较了1点、 3点和5点采谱方法对建模的影响， 结果表明大批量采集光谱时选用1点采谱法， 实验室或小样本研究时建议选用5点采谱法。 近红外光谱分析为楸树木材提供了有效的抗弯性质的预测方法， 有利于楸树木材的加工利用和遗传改良。