基于近红外的木屑含水率定量检测

【目的】基于近红外光谱分析技术(NIRS)构建杨木、松木木屑的含水率预测模型,并将2种木屑样本光谱数据集混合建立含水率预测模型,实现同时预测多树种木屑含水率。为提高NIRS模型预测木屑含水率精度与普适性提供理论依据。【方法】本研究采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)建立制浆材木屑含水率NIRS预测模型。采用粒子群算法(PSO)、灰狼算法(GWO)优化模型超参数。以制浆原料中的木屑为研究对象,采集了由杨木和松木为主的120份木屑样本的近红外光谱。分别采用杠杆值与学生化残差t检验法(HLSR)和标准正态变量变换(SNV)等方法对原始光谱数据进行异常样本剔除和预处理,采用无信息变量消除法(UVE)等提取特征波段,对比经GWO、PSO优化的SVR模型和PLSR模型的性能。【结果】对杨木木屑含水率最优NIRS模型,最佳预处理方法为SNV+Auto+SGS,结合CARS构建PSO-SVR模型(R_(P)^(2)=0.916 4,RMSEP=0.114 8%)。对松木木屑含水率最优NIRS模型,最佳预处理方法为SNV+Auto+SGS,结合UVE构建PSO-SVR模型(R_(P)^(2)=0.934 3,RMSEP=0.063 7%)。对混合木屑含水率最优NIRS模型,最佳预处理方法为MSC+Auto+SGS,结合UVE构建PSO-SVR模型(R_(P)^(2)=0.922 1,RMSEP=0.111 1%)。【结论】NIRS可以用于预测单一树种木屑含水率,建立同时预测多树种木屑含水率预测模型是可行的。通过不同预处理和优化算法进行比较筛选组合进行模型优化可以显著提高木屑含水率近红外估测模型的精度。为实时检测制浆材木屑含水率提供了理论依据和技术支持。

基于LSTM长短期记忆网络的樟子松木材气干密度NIRS模型预测

【目的】木材密度不仅与木材的各种材性密切相关,而且是衡量木材质量与价值的重要指标。采用近红外光谱(Near infrared spectroscopy,NIRS)分析技术能够快速、高效地预测木材密度,避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network,LSTM)作为循环神经网络(Recurrent neural network,RNN)的变体,不仅可以学习序列数据之间的高阶特征信息,而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合,提出一种能够准确预测樟子松木材气干密度的无损检测技术,为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象,用近红外光谱仪获得106个樟子松样本的光谱数据,并在恒温(20±2℃)恒湿(65%±3%)的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法,采用Savitzky-Golay卷积平滑(Savitzky-Golay smoothing,SGS)等方法进行预处理,采用竞争性自适应加权算法(Competitive adaptive reweighted sampling,CARS)进行波段选择,剔除NIRS数据中的高频噪声与冗余信息,提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力,将其与偏最小二乘回归(Partial least squares regression,PSLR)、卷积神经网络(Convolution neural network,CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好(R^(2)=0.959,RMSEP=0.005,RPD=5.033)。【结论】通过对樟子松木材光谱数据与气干密度的采集,建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型,模型的预测精度更高,回归效果更好,鲁棒性更强。该检测方法既可保证木材的完整性,又可以提高气干密度的预测精度,实现了对樟子松木材气干密度的快速无损检测,为木材近红外光谱分析提供了可参考的模型与理论依据。

基于卷积神经网络的樟子松木材密度近红外预测模型优化

近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。为木材气干密度无损检测提供了理论基础和科学依据。

基于近红外的PE包装蓝莓新鲜度无损检测

目的 将近红外无损检测技术应用于智能包装生产线上,以快速、准确地检测 PE 包装蓝莓的新鲜度。方法 以蓝莓含水率和可溶性固形物(SSC)为评价指标,使用 SNV、MSC 和 DT 结合 UVE 处理所获得的光谱数据,通过 PLSR 和 RF 建立散装蓝莓和 PE 保鲜膜包装蓝莓的含水率和 SSC 预测模型,通过比较校正决定系数 R;、验证决定系数 R;和均方根误差来验证模型的准确性。结果 建立散装蓝莓含水率预测模型,选择最佳预处理方法为 SNV,使用 PLSR 建模,最佳主成分数为 9,R;为 0.971,R;为 0.933;建立 PE 保鲜膜包装蓝莓含水率预测模型,选择最佳预处理方法为 SNV,使用 RF 建模,R;为 0.923,R;为 0.876;建立散装蓝莓 SSC 预测模型,选择最佳预处理方法为 DT 结合 UVE,使用 RF建模,R;为 0.942,R;为 0.869;建立 PE 保鲜膜包装蓝莓 SSC 预测模型,选择最佳预处理方法为 MSC结合 UVE,使用 PLSR 建模,最佳主成分数为 7,R;为 0.849,R;为 0.707。结论 通过对比散装蓝莓、PE 包装蓝莓两者的预测模型,发现 PE 膜会影响预测模型的精度但不影响使用,为在智能包装生产线上快速无损检测蓝莓新鲜度提供了一种实用的方法。