论文部分内容阅读
本文采用偏最小二乘法(Partial Least Squares Method,PLS)建立山杨(Populus davidiana)木材密度、含水率单一及联合近红外预测模型,研究了 Haar、Daubechies、Symlet三种小波包函数对山杨木材近红外光谱(Near Infrared Spectroscopy,NIRS)的去噪效果,确定了各自函数的最佳去噪参数。最后,集成二维码技术,将NIRS技术获取的木材基本信息生成QR码(Quick Response Code,快速响应矩阵码),并探讨不同纠错等级、字符数、像素大小对QR解码的影响,为基于木材质量追溯系统快速、绿色获取信息提供新的思路。(1)采用两分叉光纤探头获取山杨试件的NIRS,利用PLS建立密度、含水率单一及二者间联合模型。密度模型校正决定系数为0.8364;含水率模型校正决定系数为0.8448;联合模型校正集决定系数为0.8394;应用所建模型对未知样品进行预测,密度模型和含水率模型的预测决定系数分别为0.8327、0.8545,联合模型对密度和含水率的预测决定系数分别为0.8300、0.8498,与相应单一模型差值最大(预测含水率)的仅为0.0047。结果表明,在确保模型精度的前提下,建立联合模型不仅操作较单一模型简便,而且节约了建模所用时间和空间。(2)应用三种小波包函数对NIRS进行去噪处理,当Haar分解尺度为3,基于“SURE”熵标准的均衡稀疏硬阈值的去噪效果最好;采用dbN进行小波包分解时,基于“SURE”熵标准的db9、Hard&Balance sparasity-norm國值去噪效果最佳,此时SNR为25.7689,RMSE为0.0160;对于SymN小波,当分解层是4、熵标准为“SURE”时,基于Sym4小波的均衡稀疏标准硬阈值去噪效果最好。比较三种小波包函数的去噪参数可知,Sym4小波函数的去噪效果最好。选用最佳去噪方式处理后的NIRS建立木材密度、含水率近红外模型,得出含水率校正模型的决定系数最大,其值为0.9109,密度模型次之,联合模型的校正决定系数最小,其值为0.8955。将去噪后木材密度、含水率校正模型对未知样品进行预测,发现含水率模型的预测决定系数最大,相对原始光谱预测集提高了 0.0657,密度模型预测决定系数增加值最大,其值为0.0733。结果表明,小波包去噪可充分提取光谱特征信息,剔除噪音等冗余信息,提高模型预测精度。(3)基于NIRS技术,建立山杨木材密度、含水率多组分参数的近红外校正模型,为其建立“身份标签”,在Matlab环境下,集成QR码技术,将木材信息(山杨采集地点、采集单位、密度和含水率生理参数等)生成QR码,使用同一电子设备(像素为13M)在相同环境下对不同纠错等级(L级、M级、Q级、H级),不同字符数和不同像素大小的QR码进行解码,发现字符数、纠错等级对解码时间和解码率影响较小,当像素为100×100px时,QR码可读性较低,在7%纠错等级下可读性最高,但仅为30%。当像素范围为150-600px时,仅当像素为300×300px、纠错等级为30%时,可读性为90%,其他条件下可读性均达到100%。综上可知,近红外光谱技术可有效集成QR码技术,为基于木材质量追溯系统快速、绿色获取木材信息提供技术支撑。