1.木材質量檢測的重要性

木材作為一種廣泛使用的建筑和裝飾材料，其質量直接影響建筑的安全性和耐久性。通過檢測木材的物理性能（如強度、密度、含水率）和化學性質（如耐腐性、抗蟲性），可以確保其滿足相關標準要求，從而保障工程質量和使用安全。其次，木材是一種寶貴的自然資源，合理利用尤為重要。通過檢測木材的性能，可以合理分類與定級，確保高性能木材用于承重結構等關鍵部位，低性能木材用于裝飾或其他用途，從而提高資源利用率。此外，木材檢測還可幫助識別合格木材與非法采伐木材，推動木材的循環利用，有效保護森林資源，助力可持續發展。在國際市場上，木制品的質量直接影響其競爭力。通過系統的木材檢測，有助于企業生產符合標準的高品質木制品，提升產品競爭力和品牌價值。因此，木材檢測的重要性貫穿了從生產、應用到再利用的整個生命周期，是保障質量、優化資源和推動環保的重要手段。

傳統木材檢測方法包括視覺與手工檢測、物理性能測試、化學分析以及無損檢測等，視覺與手工檢測主要是通過人工觀察木材的外觀特征，如顏色、紋理、裂紋、節疤等，初步判斷木材質量。這種方法依賴經驗，主觀性較強。物理性能測試是利用實驗設備測試木材的密度、含水率、抗壓強度、抗彎強度和硬度等指標，通過機械加載評估木材的結構性能。化學分析是對木材的化學成分進行檢測，如纖維素、半纖維素、木質素的含量，以及防腐劑的滲透和分布情況。無損檢測是使用聲波、超聲波、紅外、X射線等技術檢測木材的內部結構缺陷，如裂縫、空洞和腐朽。這些檢測方法在識別內部缺陷和微小裂紋時存在局限，且檢測過程耗時較長，難以適應大規模檢測需求，部分方法具有破壞性，影響木材完整性和后續使用價值。另外對操作人員的專業性要求較高，存在人為因素導致的誤差。

高光譜成像（HSI）是一種集數字圖像和光譜信息于一體的表征分析技術，具有快速、無損的特點。由于其光譜范圍廣，能夠同時且快速提供測試對象表面形貌特征和化學成分信息。近年來，HSI技術結合光譜分析與圖像處理，為木材檢測提供了非接觸、無損、高精度的解決方案。通過捕捉木材在不同波段的光譜特性差異，高光譜成像能夠快速識別和分類不同種類的木材，適用于混合木材的自動化分選。對于木材內部的裂紋、空洞、腐朽和蟲害等缺陷，高光譜圖像中光譜特征的細微變化提供了可靠的檢測依據，彌補了傳統檢測方法在精度上的不足。此外，高光譜成像能夠精準表征木材的含水率分布，并對纖維素、木質素等化學成分進行定量分析，為加工處理提供科學依據。并且該技術可捕捉木材表面的顏色、紋理和光澤變化，可用于質量評價和涂層檢測。綜上所述，高光譜成像技術以其獨*的光譜與空間信息融合能力，能夠為木材檢測提供了全新的研究視角和技術手段。

4.高光譜成像技術在木材質量檢測中的應用

4.1木材分類與種類識別

木材的種類識別與分類對于林業資源管理、木材加工業和環境保護具有重要意義。近年來，HSI技術憑借其非接觸、無損且高精度的特點，成為木材分類研究的重要工具。

Kobori等人(Kobori et al., 2017)提出了一種基于近紅外高光譜成像（NIR-HSI）和重復主成分分析（rPCA）的新型木材廢料分類方法（圖1），旨在提高木材廢料的回收率并優化其利用方式。研究分析了四種木材廢料（涂樹脂膠合板、防腐處理木材、硬木和軟木）的高光譜圖像，提取了每種樣品的平均光譜，并利用rPCA建立分類模型。研究驗證了NIR-HSI結合rPCA在木材廢料快速分類中的有效性和實用性，為木材回收工廠提供了一種非接觸、快速、高效的分類方法。

圖1. 四種木材廢料的RGB圖像和由每個分類模型計算的偽彩色圖像：（a）四種木材廢料的可見光圖像；（b）涂樹脂膠合板分類的得分圖像；（c）防腐處理木材分類的得分圖像；（d）軟木分類的得分圖像

Kanayama等人(Kanayama et al., 2019)提出了一種基于NIR-HSI和卷積神經網絡（CNN）的木材種類識別方法。作者通過對38種硬木的120個樣品進行高光譜成像（波長范圍為913-2519 nm），結合標準正態變換（SNV）消除光散射影響，并使用主成分分析（PCA）提取光譜特征（圖2），生成的主成分圖像作為CNN模型的輸入。實驗表明，該方法在6個主成分圖像的基礎上，木材種類識別的準確率達到90.5%，顯著高于基于RGB圖像的56.0%。

圖2. 從（a）由圖像掃描儀采集的可見光圖像和（b）經SNV預處理光譜生成的前三個主成分圖像（3PCA圖像）中提取的圖塊

趙磊等人(趙磊, 2022)提出了一種融合NIR-HSI和太赫茲光譜（THz-TDS）的信息融合技術，用于木材種類識別（圖3）。選取了5種闊葉材和5種針葉材樣本，結合高光譜圖像的光譜和空間信息以及太赫茲光譜信息，通過SNV和特征選擇方法（如CARS、UVE和RF）對數據進行預處理。并使用支持向量機（SVM）極限學習機（ELM）模型對單一特征和融合特征的數據進行木材分類。結果表明，光譜數據融合技術對提高木材識別模型準確率具有顯著效果。

圖3. 基于高光譜和太赫茲光譜結合數據融合技術的木材識別研究流程圖

Mauruschat等人(Mauruschat et al., 2016)研究了NIR-HSI在廢木材和木塑復合材料（WPC）檢測與分揀中的應用，旨在解決廢木材回收中因污染物導致資源利用率低的問題。研究表明，通過NIR-HSI可以有效區分不同類型的WPC，WPC-PP顆粒純度可提高至97.1%。此外，研究檢測了多種木材防腐劑的近紅外反射光譜，發現大多數有機防腐劑在純態下可以被準確識別。基于主成分分析（PCA），可以間接區分未經處理和處理過的木材（圖4）。這項研究為提高廢木材和WPC的回收利用效率提供了技術支持。

圖4. 原圖（第1幅圖）和主成分分析（PCA）處理后的高光譜圖像。分別為第一主成分（第2幅圖）、第三主成分（第3幅圖）和第四主成分（第4幅圖）。圖像展示了不同處理方式下的木材樣本，包括：干燥未處理松木（a）、潮濕未處理松木（b）、干燥硼鹽處理松木（c）、潮濕硼鹽處理松木（d）、干燥甲基托布津處理松木（e）以及潮濕甲基托布津處理松木（f）

4.2木材水分預測與化學成分分析

木材的含水率與化學成分是決定其加工性能與最終用途的重要參數。HSI技術通過結合光譜和空間信息，實現了木材中自由水、結合水及其遷移動力學的動態監測，同時結合化學計量學模型能夠無損、快速地定量分析木質素、纖維素及其他化學成分含量，生成高分辨率的二維或三維化學成分分布圖。

Ma等人(Ma et al., 2022)利用NIR-HSI技術分析木材干燥過程中的水分傳輸動力學，探討了木材中自由水和結合水的動態變化及其對干燥過程的影響。研究通過對不同長度（30 mm、60 mm、90 mm）的日本扁柏樣品在不同干燥溫度（30℃、60℃、90℃）下的含水率分布進行可視化分析（圖5），揭示了木材水分在干燥過程中的遷移機制。

圖5. 不同長度（a：30 mm、b：60 mm和c：90 mm）和不同溫度干燥的木材樣品中水分含量的分布

另外該作者(Ma et al., 2020)還研究了利用HSI技術對木質纖維素材料在干燥過程中自由水、弱氫鍵結合水和強氫鍵結合水的動態分布狀態進行快速可視化的方法。通過光譜數據結合偏最小二乘回歸（PLSR）和PCA，對木材含水率和水分子結構的變化進行定量和可視化分析（圖6）。研究結果表明，自由水、弱結合水和強結合水的分布及動態遷移可以通過PCA的主成分得分進行區分，并實現高空間分辨率的圖像顯示。研究揭示了纖維飽和點（FSP）前后水分的遷移機制，證實了NIR-HSI在實時監測木材水分動態和優化干燥工藝中的重要應用潛力。

圖6. 平衡水分含量下的RGB照片及其對三種研究木材類型樣品（a：日本雪松；b：山毛櫸；c：水曲柳）的水分含量監測結果

參考文獻

Kobori, H., Higa, S., Tsuchikawa, S., Kojima, Y., & Suzuki, S. (2017). Segregating wood wastes by repetitive principal component analysis of near infrared spectra. Journal of Near Infrared Spectroscopy, 25(3), 180-187.

Kanayama, H., Ma, T., Tsuchikawa, S., & Inagaki, T. (2019). Cognitive spectroscopy for wood species identification: Near infrared hyperspectral imaging combined with convolutional neural networks. The Analyst, 144(21), 6438-6446.

趙磊. (2022). 基于高光譜和太赫茲光譜結合數據融合技術的木材識別研究. 碩士學位論文, 北京林業大學.

Mauruschat, D., Plinke, B., Aderhold, J., Gunschera, J., Meinlschmidt, P., & Salthammer, T. (2016). Application of near-infrared spectroscopy for the fast detection and sorting of wood–plastic composites and waste wood treated with wood preservatives. Wood Science and Technology, 50(2), 313-331.

Ma, T., Morita, G., Inagaki, T., & Tsuchikawa, S. (2022). Moisture transport dynamics in wood during drying studied by long-wave near-infrared hyperspectral imaging. Cellulose, 29(1), 133-145.

Ma, T., Inagaki, T., & Tsuchikawa, S. (2020). Rapidly visualizing the dynamic state of free, weakly, and strongly hydrogen-bonded water with lignocellulosic material during drying by near-infrared hyperspectral imaging. Cellulose, 27(9), 4857-4869.