4.高光谱成像技术在木材质量检测中的应用

4.2木材水分预测与化学成分分析

木材的含水率与化学成分是决定其加工性能与最终用途的重要参数。HSI技术通过结合光谱和空间信息，实现了木材中自由水、结合水及其迁移动力学的动态监测，同时结合化学计量学模型能够无损、快速地定量分析木质素、纤维素及其他化学成分含量，生成高分辨率的二维或三维化学成分分布图。

Tsuchikawa等人(Tsuchikawa et al., 2023)总结了近红外光谱技术（NIRS）在林业与木制品中的应用现状和发展趋势。突出强调了NIR-HSI在林业和木制品研究中的的空间分辨、动态监测、多属性分析和无损性等方面的显著优势。文章提到高光谱成像在木材干燥过程中水分迁移动态的可视化能力，例如通过水分解吸和吸附过程生成含水率分布图，从而更直观地观察木材的物理和化学变化（图7）。展示了使用基于NIR-HSI的水分检测来优化木材干燥的复杂模拟参数的潜力，为了解不同干燥环境下木材内部的水分分布提供了基础。

图7.（A）木材样本与近红外高光谱成像（NIR-HSI）系统；（B）从木材样本的水分解吸和吸附过程中采集的HSI数据中提取的平均NIR光谱，以及NIRS预测的含水率（MC）与参考值之间的散点图；（C）含水率的可视化结果（上图）和在纤维饱和点（FSP）下进行水分解吸时的模拟结果（下图），样本尺寸为30 mm³

Colares等人(Colares et al., 2016)探讨了利用NIR-HSI技术结合多元曲线分辨-交替最小二乘法（MCR-ALS）对红木化学成分在微观尺度上的分布进行可视化分析的方法（图8）。通过分析木材的三种生长方向（径向、切线方向和横截面），研究揭示了木质素、全纤维素（纤维素+半纤维素）和萃取物在不同解剖结构中的分布差异。

图8.使用MCR-ALS方法对高光谱图像进行可视化的示意图

Awais等人(Awais et al., 2020)研究了HSI结合化学计量学方法在分析木材表面乙酰化过程中的应用，通过对木材中乙酸酐的渗透行为进行可视化和定量分析，评估了表面改性对木材性能的影响。研究选取苏格兰松为样品，通过单面乙酰化处理在径向方向上形成乙酰化梯度，并使用PLSR模型和PCA对光谱数据进行降维与分析（图9）。

图9.乙酰化木材表面高光谱成像技术表征示意图

Mäkelä等人(Mäkelä et al., 2021)研究了采用NIR-HSI结合PCA和PLSR模型，定量分析乙酰化的重量增益（WPG）及其空间分布（图10）。展示了HSI在木材化学改性研究中的重要应用潜力，不仅揭示了乙酰化在木材不同层级结构上的动态分布，还为理解化学处理对木材吸湿性和尺寸稳定性的影响提供了新的视角。

图10.预测WPG的可视化图像（上图）及对应的像素直方图（下图）。（a）未乙酰化样品；（b）设计中心区域乙酰化样品；（c）高度乙酰化样品

Thumm等人(Thumm et al., 2010)研究了利用HSI技术对辐射松木材的化学成分进行二维分布映射的方法。通过结合成像光谱仪和多元回归分析，研究实现了木材样品中木质素、半纤维素（如葡萄糖和半乳糖）的含量预测与空间分布可视化。Araya等人(Araya et al., 2017)提出了两种基于中红外高光谱成像（MIR-HSI）和多元曲线分辨-交替最小二乘法（MCR-ALS）的单像素定量策略，用于测量木质纤维材料中木质素和葡聚糖的分布及浓度。通过提取光谱数据来揭示化学成分在微观尺度上的空间分布特征。研究表明，基于MCR-ALS的单像素定量策略可以有效地对木质纤维样品进行微尺度化学分析，揭示其化学成分的异质性分布。以上研究验证了近红外高光谱成像技术在木材化学成分分布分析中的应用潜力，不仅能够快速、无损地测定木材的化学成分，还能实现高空间分辨率的分布图像生成，为木材质量评估和加工优化提供了科学依据。

图11.MCR-ALS定量样品木质素和葡聚糖可视化图

4.3木材物理性能分析

木材的物理性能，如弹性模量（MOE）、密度、微纤维角（MFA）等，是评价其力学性能和适用范围的关键指标。HSI技术通过与多元回归模型的结合，能够高效预测木材物理性能，并以图像形式展示其在微观或宏观尺度上的分布特点。此外，NIR-HSI还可用于分析结疤、孔洞等内部缺陷对木材性能的影响，为木材选种、加工和质量控制提供科学依据。

Sofianto等人(Sofianto et al., 2019)利用NIR-HSI技术预测和映射日本杉木单板的MOE，并探讨了结疤和孔洞对MOE预测及其分布的影响。研究采用偏最小二乘回归（CV-PLSR）模型构建了针对单板样品的MOE预测模型，并结合NIR-HSI实现了MOE空间分布的可视化映射（图12）。

图12.采用像素NIR平均值预测整块单板样品MOE预测值的分布图，括号中为三点弯曲测试的实际测量MOE值

Chambi-Legoas等人(Chambi-Legoas et al., 2023)研究了利用近HSI技术预测桉树木材密度，并评估其在早期树种选择中的可行性。通过结合局部加权偏最小二乘回归（LWPLSR）模型和X射线密度计校准数据，该研究成功生成了整个木材横截面的高分辨率密度映射（图13）。NIR-HSI结合LWPLSR模型能够高效、准确地预测木材密度，为早期选择高密度树种提供了有力支持。

图13.LWPLSR模型预测的木盘密度图（a）、年轮（b）和每年龄的横向面积划分（c）

Ma等人(Ma et al., 2017)研究了NIR-HSI系统在木材属性精确映射和空间分辨分析中的应用潜力。图14展示了NIR-HSI技术在分析木材密度和MFA分布方面的能力。这些结果提供了木材早材（EW）和晚材（LW）密度变化的详细图谱，同时显示了正常木材和压缩木材的密度差异。

图14.（A）SilviScan；（B）NIR-HSI系统；（C）木材样品（D）密度；（E）微纤维角的测绘结果

另外，Schimleck等人(Schimleck et al., 2023)综述了NIR-HSI技术在木材及其相关产品研究中的应用。介绍了HSI技术在木材科学中的多种应用领域，包括木材性质的空间变化分析、反应木检测、木材产品的质量评估、纸浆和造纸工业的应用、木材的降解和保护研究、木材-水分相互作用、木材废料分选及木材种类的识别。强调了NIR-HSI技术结合光谱与图像的优势，不仅能够非破坏性地检测木材内部化学和物理特性，还可以生成木材性质的二维或三维分布图。例如，通过高光谱数据，可以对木材的密度、湿度、MFA、木材刚度等参数进行精确预测，并可用于监测木材的水分动态、降解过程和化学处理效果。文章还总结了木材研究中常用的高光谱成像系统，包括近红外（900-1700 nm）和短波红外（1000-2500 nm）相机，并比较了不同仪器和研究方法的性能。通过对木材种类鉴别、木材废料回收分选等具体案例的分析，展示了NIR-HSI技术在提高木材利用率、优化加工工艺以及推动可持续林业发展中的重要作用。

总结与展望

高光谱成像（HSI）技术在木材质量检测中的应用取得了重要进展，涵盖了木材种类识别、水分动态监测、化学成分分析以及物理性能评估等多个关键领域。研究表明，HSI通过整合光谱与空间分辨能力，能够快速、无损地获取木材内部的化学与物理信息，为木材工业的质量控制、资源优化利用及加工工艺改进提供了科学支持和技术保障。展望未来，随着硬件技术的不断革新与人工智能算法的广泛应用，NIR-HSI技术在木材检测中的应用潜力将进一步扩大。尤其是在智能化木材加工、精准林业管理以及可持续资源利用等方向，高光谱成像技术有望发挥更加重要的作用，助力木材工业向数字化、智能化和绿色化迈进。

参考文献

Tsuchikawa, S., Inagaki, T., & Ma, T. (2023). Application of Near-Infrared Spectroscopy to Forest and Wood Products. Current Forestry Reports, 9(6), 401–412.

Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Marques, L. F., Moreira, A. C. O., Alexandrino, G. L., Poppi, R. J., & Braga, J. W. B. (2016). Near infrared hyperspectral imaging and MCR-ALS applied for mapping chemical composition of the wood specie Swietenia Macrophylla King (Mahogany) at microscopic level. Microchemical Journal, 124, 356–363.

Awais, M., Altgen, M., Mäkelä, M., Altgen, D., & Rautkari, L. (2020). Hyperspectral Near-Infrared Image Assessment of Surface-Acetylated Solid Wood. ACS Applied Bio Materials, 3(8), 5223–5232.

Mäkelä, M., Altgen, M., Belt, T., & Rautkari, L. (2021). Hyperspectral imaging and chemometrics reveal wood acetylation on different spatial scales. Journal of Materials Science, 56(8), 5053–5066.

Thumm, A., Riddell, M., Nanayakkara, B., Harrington, J., & Meder, R. (2010). Near Infrared Hyperspectral Imaging Applied to Mapping Chemical Composition in Wood Samples. Journal of Near Infrared Spectroscopy, 18(6), 507–515.

Araya, J. A., Carneiro, R. L., Arévalo, C., Freer, J., & Castillo, R. D. P. (2017). Single pixel quantification strategies using middle infrared hyperspectral imaging of lignocellulosic fibers and MCR-ALS analysis. Microchemical Journal, 134, 164–172.

Sofianto, I. A., Inagaki, T., Ma, T., & Tsuchikawa, S. (2019). Effect of knots and holes on the modulus of elasticity prediction and mapping of sugi ( Cryptomeria japonica ) veneer using near-infrared hyperspectral imaging (NIR-HSI). Holzforschung, 73(3), 259–268.

Chambi-Legoas, R., Tomazello-Filho, M., Vidal, C., & Chaix, G. (2023). Wood density prediction using near-infrared hyperspectral imaging for early selection of Eucalyptus grandis trees. Trees, 37(3), 981–991.

Ma, T., Inagaki, T., & Tsuchikawa, S. (2017). Calibration of SilviScan data of Cryptomeria japonica wood concerning density and microfibril angles with NIR hyperspectral imaging with high spatial resolution. Holzforschung, 71(4), 341–347.

Schimleck, L., Ma, T., Inagaki, T., & Tsuchikawa, S. (2023). Review of near infrared hyperspectral imaging applications related to wood and wood products. Applied Spectroscopy Reviews, 58(9), 585–609.