论文部分内容阅读
木材密度是衡量木材材质的重要参数,快速测定木材密度有利于根据市场需求定向培育木材及提高木材精细化利用率。本研究应用强光探头采集木材圆盘近红外光谱,建立偏最小二乘(PLS)模型,并对未知样品密度进行快速预测,同时应用小波去噪和小波压缩对模型精度进行了优化,讨论了相关参数设置对优化结果的影响。(1)基于强光探头采集木材圆盘表面近红外光谱,建立了PLS模型,得到榆树木材密度近红外校正和验证模型决定系数分别为0.8347、0.7461；柞树木材密度近红外校正和验证模型决定系数分别为0.8270、0.7570；枫桦木材密度近红外校正和验证模型决定系数分别为0.8475、0.7634；混合木材密度近红外校正和验证模型决定系数为0.8465、0.7614。应用所建模型对未知样品进行预测得到,枫桦木材密度近红外校正模型对枫桦样品木材密度的预测决定系数最大(0.8390)。结果表明,近红外光谱技术可用于野外快速测定木材密度。(2)应用小波变换对木材NIRS进行去噪处理,当sym5小波分解层为3,启发式硬阈值对榆树NIRS的去噪效果最好；当db2小波分解层为5,固定硬阈值对柞树NIRS的去噪效果最好；当db5小波分解层为2,启发式硬阈值对枫桦NIRS的去噪效果最好。对去噪后光谱建立PLS模型,榆树木材密度近红外校正和验证模型决定系数为0.8655、0.7925；柞树木材密度近红外校正和验证模型决定系数为0.8918、0.8039；枫桦木材密度近红外校正模型和验证模型决定系数为0.8671、0.7824；混合木材密度近红外校正和验证模型决定系数为0.8820、0.8130。应用去噪后模型对未知样品进行预测得到,枫桦木材密度近红外校正模型对枫桦样品的预测决定系数最大,其值为0.8923,RMSEP为0.0276,SEP为0.03。结果表明,小波变换去噪能有效去除光谱中的噪音,提高模型精度。(3)应用小波变换对木材NIRS进行压缩处理,对于榆树NIRS,基于均衡稀疏标准硬阈值的db2小波6层分解的压缩效果最好；对于柞树NIRS,基于均衡稀疏标准硬阈值的sym4小波7层分解的压缩效果最好；对于枫桦NIRS,基于均衡稀疏标准硬阈值的db2小波6层分解的压缩效果最好。对压缩后光谱建立PLS模型,榆树木材密度近红外校正模型决定系数为0.8355；柞树木材密度近红外校正模型决定系数为0.8545；枫桦木材密度近红外校正模型决定系数为0.8479；混合木材密度近红外校正模型决定系数为0.8469。应用压缩后模型对未知样品进行预测得到,柞树木材密度近红外校正模型对柞树样品的预测决定系数最大(0.8717)。结果表明,小波压缩可简化近红外光谱数据,基于小波压缩和PLS法的近红外光谱技术可实现木材密度的快速准确预测。