收藏本站
收藏 | 论文排版

基于近红外光谱技术的木材识别初步研究

刘亚娜  
【摘要】:木材是国民经济中至关重要的可再生原材料,也是必不可少的生活资源,基于近红外光谱技术的木材识别能够快速、准确、无损的对木材进行判别分类,能够满足市场中对木材进行快速分类的需求,在划分木材质地、鉴别木材真伪、规范木材市场秩序等方面发挥重要作用,同时在合理利用木材以及林木定向培养等方面发挥了一定作用。本研究主要建立包含50种市场常见木材树种的近红外光谱识别模型,在所建立的识别模型基础上对影响木材近红外光谱识别技术的因素进行探讨,主要包括木材样品的选择、外界环境的控制以及光谱数据与建模方法的选择,最后从木材物理、化学和微观构造特征三个方面与其近红外光谱之间的关系来初步探讨木材近红外光谱识别技术的机理。本文旨在为基于近红外光谱技术的木材识别的进一步改进与完善提供技术支持。 结合以上研究内容,本研究得到的结果如下: (1)本研究采集了50个市场常见木材树种的近红外光谱,利用光谱仪器附带软件IndicoPro Version3.1中的快速分类功能对未知样品进行快速识别,正确率为95.7%。为进一步探讨木材近红外光谱识别的效果,将光谱数据结合PLS-DA和SIMCA方法建立了两个木材识别模型,模型预测未知样品的正确率分别为94.7%、84.3%,近红外光谱技术可以对木材进行快速分类,但在技术上还需进一步的改进和完善。 (2)本研究对影响木材识别的木材样品变异进行了探讨,结果表明,木材横切面光谱数据所建立的模型效果优于木材径切面与弦切面光谱数据所建立的模型;树干下部和中部的木材样品所建立的模型优于树干上部的木材样品;心材样品所建立的木材识别模型效果要优于边材样品。在进行未知样品预测时,为保证预测正确率,预测样品的条件应与建模样品一致。 (3)木材样品含水率为12%左右时,所采集的光谱数据建立的模型效果最好;样品表面经模拟日光照射处理后,表面老化对木材识别模型有所影响,应尽可能选用新鲜木材切面的光谱数据建立模型;表面光滑的木材样品所建立的模型效果优于表面粗糙样品所建立的模型,在建立木材识别模型时,最好保证样品表面粗糙度参数Ra不高于12.5μm。 (4)在建立模型时,光谱范围在400~2500nm处所建立的模型效果最好,且为了压缩数据,将10个点的光谱数据进行平均后建模,模型效果并无降低,为了减少数据运算,可以将数据进行压缩;对采集的光谱数据进行预处理后发现模型效果并无提高,在建立模型时,使用样品原始光谱即可;经比较PLS-DA和SIMCA两种方法进行建模,两模型预测未知样品的正确率分别为100%和88.6%,系统条件下,应优先选择PLS-DA方法建立模型。 (5)本研究分别从木材物理、化学和微观构造特征三个方面对木材近红外光谱识别机理进行了初步探讨,木材物理性质中的密度、光泽度与其近红外光谱之间的相关系数分别为0.98、0.91,表面颜色参数L、a、b与其近红外光谱之间的相关系数分别为0.98、0.98和0.96,呈高度相关(当相关系数R0.80时为高度相关,当0.50R0.80时为显著相关);木材主要化学成分的基团在近红外光谱区域有吸收峰;另外,不同微观构造特征的木材与对应的近红外光谱吸收之间存在一定的规律。木材近红外光谱特征中能够反映与木材识别要素有关的木材物理、化学以及微观构造等特征的信息,这为木材近红外光谱识别机理的解释提供了依据。


知网文化
【相似文献】
中国期刊全文数据库 前19条
1 张洁;袁鹏飞;李君;;木材识别与鉴定技术研究综述[J];湖北林业科技;2015年02期
2 任豪;;大果紫檀与香脂木豆木材识别研究[J];绿色科技;2021年07期
3 章业玲;木材识别[J];安徽林业;1996年06期
4 王景寅,苏厚勤,顾立峰,张卫国,柯病凡,江泽慧,张述银;聚类算法在计算机木材识别系统中的应用[J];计算机工程;1991年04期
5 袁明宇;;木材识别与鉴定技术探索[J];科技创新与应用;2012年08期
6 何涛;汪杭军;计智伟;;模糊支持向量机与独立成分分析在木材识别中的应用[J];林业实用技术;2011年09期
7 黎广益,胡庶安;木材识别的数学模型[J];数学的实践与认识;1989年01期
8 张毛毛;蒋劲东;刘波;郭娟;焦立超;殷亚方;;实时直接分析质谱技术在木材识别研究中的应用[J];木材工业;2019年01期
9 贾潇然;刘迎涛;;树种识别技术的研究进展[J];林业机械与木工设备;2009年09期
10 徐峰;我国第一张木材识别计算机光盘研制成功[J];广西农业大学学报;1998年02期
11 焦立超;;“濒危与珍贵热带木材识别及其新技术研究”通过验收[J];木材工业;2016年05期
12 殷亚方;;《濒危和珍贵热带木材识别图鉴》获好评[J];木材工业;2016年05期
13 邹云龙;赵家刚;;木材识别方法研究[J];绿色科技;2013年06期
14 焦立超;殷亚方;孙清鹏;肖复明;姜笑梅;;基于DNA的木材识别新技术发展与应用[J];木材工业;2012年01期
15 王宪;沈华杰;于清琳;邱坚;;基于IAWA的3种简易木材识别方法探究[J];西南林业大学学报(自然科学);2019年06期
16 徐斌;陶武先;;徒手切片法在进口材木材识别中的应用[J];木材工业;2006年01期
17 陈燕;;高光谱图像纹理增强方法提高木材识别能力研究[J];长江信息通信;2021年12期
18 谢福惠,林大新;壳斗科木材识别和分类[J];广西植物;1984年03期
19 伊博;;国际林业研究组织联盟正式成立木材识别学科组[J];中国人造板;2020年11期
中国博士学位论文全文数据库 前4条
1 卢纪丽;基于半监督学习的木材识别研究[D];山东大学;2015年
2 何拓;基于机器学习的黄檀属与紫檀属木材识别方法研究[D];中国林业科学研究院;2019年
3 张毛毛;基于DART-FTICR-MS和GC-MS的两种紫檀属木材化学指纹识别方法研究[D];中国林业科学研究院;2019年
4 焦立超;基于DNA条形码的濒危木材识别技术研究[D];中国林业科学研究院;2015年
中国硕士学位论文全文数据库 前7条
1 刘亚娜;基于近红外光谱技术的木材识别初步研究[D];中国林业科学研究院;2014年
2 李康;基于可见光-近红外光谱与数字图像特征信息融合技术的木材识别初步研究[D];中国林业科学研究院;2018年
3 陈丰农;基于显微构造图像木材识别技术研究[D];浙江林学院;2008年
4 陈柏旭;基于DNA条形码技术的楠属与润楠属木材识别研究[D];广西大学;2016年
5 贾培兴;基于太赫兹时域光谱技术的杉木和柳杉识别研究[D];北京林业大学;2020年
6 刘子豪;基于子空间和多特征融合的木材分类算法研究[D];浙江农林大学;2013年
7 庞晓宇;近红外光谱结合BP人工神经网络识别木材的影响因素研究[D];中国林业科学研究院;2016年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978