木材作为一种广泛使用的建筑和装饰材料，其质量直接影响建筑的安全性和耐久性。通过检测木材的物理性能（如强度、密度、含水率）和化学性质（如耐腐性、抗虫性），可以确保其满足相关标准要求，从而保障工程质量和使用安全。其次，木材是一种宝贵的自然资源，合理利用尤为重要。通过检测木材的性能，可以合理分类与定级，确保高性能木材用于承重结构等关键部位，低性能木材用于装饰或其他用途，从而提高资源利用率。此外，木材检测还可帮助识别合格木材与非法采伐木材，推动木材的循环利用，有效保护森林资源，助力可持续发展。在国际市场上，木制品的质量直接影响其竞争力。通过系统的木材检测，有助于企业生产符合标准的高品质木制品，提升产品竞争力和品牌价值。因此，木材检测的重要性贯穿了从生产、应用到再利用的整个生命周期，是保障质量、优化资源和推动环保的重要手段。
传统木材检测方法包括视觉与手工检测、物理性能测试、化学分析以及无损检测等，视觉与手工检测主要是通过人工观察木材的外观特征，如颜色、纹理、裂纹、节疤等，初步判断木材质量。这种方法依赖经验，主观性较强。物理性能测试是利用实验设备测试木材的密度、含水率、抗压强度、抗弯强度和硬度等指标，通过机械加载评估木材的结构性能。化学分析是对木材的化学成分进行检测，如纤维素、半纤维素、木质素的含量，以及防腐剂的渗透和分布情况。无损检测是使用声波、超声波、红外、X射线等技术检测木材的内部结构缺陷，如裂缝、空洞和腐朽。这些检测方法在识别内部缺陷和微小裂纹时存在局限，且检测过程耗时较长，难以适应大规模检测需求，部分方法具有破坏性，影响木材完整性和后续使用价值。另外对操作人员的专业性要求较高，存在人为因素导致的误差。
高光谱成像（HSI）是一种集数字图像和光谱信息于一体的表征分析技术，具有快速、无损的特点。由于其光谱范围广，能够同时且快速提供测试对象表面形貌特征和化学成分信息。近年来，HSI技术结合光谱分析与图像处理，为木材检测提供了非接触、无损、高精度的解决方案。通过捕捉木材在不同波段的光谱特性差异，高光谱成像能够快速识别和分类不同种类的木材，适用于混合木材的自动化分选。对于木材内部的裂纹、空洞、腐朽和虫害等缺陷，高光谱图像中光谱特征的细微变化提供了可靠的检测依据，弥补了传统检测方法在精度上的不足。此外，高光谱成像能够精准表征木材的含水率分布，并对纤维素、木质素等化学成分进行定量分析，为加工处理提供科学依据。并且该技术可捕捉木材表面的颜色、纹理和光泽变化，可用于质量评价和涂层检测。综上所述，高光谱成像技术以其独*的光谱与空间信息融合能力，能够为木材检测提供了全新的研究视角和技术手段。
木材的种类识别与分类对于林业资源管理、木材加工业和环境保护具有重要意义。近年来，HSI技术凭借其非接触、无损且高精度的特点，成为木材分类研究的重要工具。
Kobori等人(Kobori et al., 2017)提出了一种基于近红外高光谱成像（NIR-HSI）和重复主成分分析（rPCA）的新型木材废料分类方法（图1），旨在提高木材废料的回收率并优化其利用方式。研究分析了四种木材废料（涂树脂胶合板、防腐处理木材、硬木和软木）的高光谱图像，提取了每种样品的平均光谱，并利用rPCA建立分类模型。研究验证了NIR-HSI结合rPCA在木材废料快速分类中的有效性和实用性，为木材回收工厂提供了一种非接触、快速、高效的分类方法。
图1. 四种木材废料的RGB图像和由每个分类模型计算的伪彩色图像：（a）四种木材废料的可见光图像；（b）涂树脂胶合板分类的得分图像；（c）防腐处理木材分类的得分图像；（d）软木分类的得分图像
Kanayama等人(Kanayama et al., 2019)提出了一种基于NIR-HSI和卷积神经网络（CNN）的木材种类识别方法。作者通过对38种硬木的120个样品进行高光谱成像（波长范围为913-2519 nm），结合标准正态变换（SNV）消除光散射影响，并使用主成分分析（PCA）提取光谱特征（图2），生成的主成分图像作为CNN模型的输入。实验表明，该方法在6个主成分图像的基础上，木材种类识别的准确率达到90.5%，显著高于基于RGB图像的56.0%。
图2. 从（a）由图像扫描仪采集的可见光图像和（b）经SNV预处理光谱生成的前三个主成分图像（3PCA图像）中提取的图块
赵磊等人(赵磊, 2022)提出了一种融合NIR-HSI和太赫兹光谱（THz-TDS）的信息融合技术，用于木材种类识别（图3）。选取了5种阔叶材和5种针叶材样本，结合高光谱图像的光谱和空间信息以及太赫兹光谱信息，通过SNV和特征选择方法（如CARS、UVE和RF）对数据进行预处理。并使用支持向量机（SVM）极限学习机（ELM）模型对单一特征和融合特征的数据进行木材分类。结果表明，光谱数据融合技术对提高木材识别模型准确率具有显著效果。
图3. 基于高光谱和太赫兹光谱结合数据融合技术的木材识别研究流程图
Mauruschat等人(Mauruschat et al., 2016)研究了NIR-HSI在废木材和木塑复合材料（WPC）检测与分拣中的应用，旨在解决废木材回收中因污染物导致资源利用率低的问题。研究表明，通过NIR-HSI可以有效区分不同类型的WPC，WPC-PP颗粒纯度可提高至97.1%。此外，研究检测了多种木材防腐剂的近红外反射光谱，发现大多数有机防腐剂在纯态下可以被准确识别。基于主成分分析（PCA），可以间接区分未经处理和处理过的木材（图4）。这项研究为提高废木材和WPC的回收利用效率提供了技术支持。
图4. 原图（第1幅图）和主成分分析（PCA）处理后的高光谱图像。分别为第一主成分（第2幅图）、第三主成分（第3幅图）和第四主成分（第4幅图）。图像展示了不同处理方式下的木材样本，包括：干燥未处理松木（a）、潮湿未处理松木（b）、干燥硼盐处理松木（c）、潮湿硼盐处理松木（d）、干燥甲基托布津处理松木（e）以及潮湿甲基托布津处理松木（f）
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。
Ma等人(Ma et al., 2022)利用NIR-HSI技术分析木材干燥过程中的水分传输动力学，探讨了木材中自由水和结合水的动态变化及其对干燥过程的影响。研究通过对不同长度（30 mm、60 mm、90 mm）的日本扁柏样品在不同干燥温度（30℃、60℃、90℃）下的含水率分布进行可视化分析（图5），揭示了木材水分在干燥过程中的迁移机制。
图5. 不同长度（a：30 mm、b：60 mm和c：90 mm）和不同温度干燥的木材样品中水分含量的分布
另外该作者(Ma et al., 2020)还研究了利用HSI技术对木质纤维素材料在干燥过程中自由水、弱氢键结合水和强氢键结合水的动态分布状态进行快速可视化的方法。通过光谱数据结合偏最小二乘回归（PLSR）和PCA，对木材含水率和水分子结构的变化进行定量和可视化分析（图6）。研究结果表明，自由水、弱结合水和强结合水的分布及动态迁移可以通过PCA的主成分得分进行区分，并实现高空间分辨率的图像显示。研究揭示了纤维饱和点（FSP）前后水分的迁移机制，证实了NIR-HSI在实时监测木材水分动态和优化干燥工艺中的重要应用潜力。
图6. 平衡水分含量下的RGB照片及其对三种研究木材类型样品（a：日本雪松；b：山毛榉；c：水曲柳）的水分含量监测结果
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.
赵磊. (2022). 基于高光谱和太赫兹光谱结合数据融合技术的木材识别研究. 硕士学位论文, 北京林业大学.
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.
