首页 > 论文范文 > 农业科技论文 > 林业论文 > 林业机械论文 > 浅谈基于光谱仪的杉木表面缺陷检测

浅谈基于光谱仪的杉木表面缺陷检测

2020-04-04 293 上传者：管理员

摘要：为更好地应对对杉木表面缺陷的识别,使用光谱仪对杉木表面节子、裂纹、心材的缺陷和杉木无缺陷部分做了检测。发现在不同波长条件下,使用反射率区分杉木表面缺陷种类,运用连续投影算法对实验所得的反射率数据做了处理和分析,验证了最终的检测结果。得出,在400~800nm波段下,节子的反射率<心材的反射率<裂纹的反射率<杉木无缺陷部分的反射率,且在545~655nm之间的波段,对杉木缺陷可以通过对应反射率值进行识别;连续投影算法得出的预测模型相关系数为0.76894,预测的均方根误差为0.54635。实验结果得出,基于光谱仪的杉木表面缺陷检测,在同一波段下不同的反射率值对应不同的缺陷,可以实现有效区分不同杉木表面缺陷的目的,优化杉木资源、提高杉木的利用率。

关键词：
光谱仪
反射率
缺陷
连续投影算法
加入收藏

木材是一种天然的生物质材料,但其自身存在许多缺陷,这些缺陷对木材本身的材质有很大的影响,其中包括木材的节子、裂纹以及心材缺陷等[1-2]。杉木是人们经常使用的木料之一,因此对杉木的表面缺陷检测十分必要。多年以来,国内外研究人员对木材表面缺陷的检测大多采用的是机器视觉技术,王金聪等[3]应用改进分水岭算法对木材表面缺陷图像进行分割的试验方式,他们的处理方式具有一定的可行性,但其在检测的过程中,环境光对识别的正确率存在一定的影响,因此只能从算法上减小这一误差。超声波法检测木材缺陷也是比较常用的手段之一,张甜等[4]进行了超声波法检测木材内部孔洞缺陷的研究,该方法可以对孔洞进行初步的检测,而后期无损检测还需要添加很多的仪器,而且该方法对其他缺陷难以实现检测。相比于机器视觉与超声波等技术,高光谱成像技术则更为便捷,只需一台光谱仪并结合PC机进行检测操作,即可得到我们所需要的光谱资料和图像信息,其更加便于后期的数据处理与分析。因此,周竹等[5]采用近红外光谱技术检测北美黄杉、铁杉、云杉和云杉-松木-冷杉(SPF)规格材等针叶材的表面节子缺陷。但是上述研究只分析了木材表面节子这一种缺陷,缺少对其他木材缺陷的检测与分析,难以实现多种缺陷的识别。本文采用光谱仪检测杉木表面缺陷,不仅检测了杉木表面的节子这一缺陷,还检测了裂纹、心材缺陷以及杉木的无缺陷部分。我们将其检测到的光谱数据运用软件处理生成反射率数据,并将其平均反射率绘制出折线图,再选取出某一波段进行分析比较最后找出规律。通过这一研究,可以发现一些有关杉木表面不同缺陷之间的关系和规律,可为杉木行业的发展与木材特性改善提供参考与帮助。

1、实验材料与方法

1.1 实验材料

本研究采用比较常见的杉木,可以从当地的木材加工厂购买。将所有试材切割成板材,并将每一个板材进行标记分组,再进行检测实验,杉木检测实物图如图1所示。其中(a)是对心材缺陷的检测,(b)是对裂纹缺陷的检测,(c)是对节子缺陷的检测。

图1 杉木检测实物图

1.2 实验仪器

实验所用仪器为台湾OTO的超微型系列光谱仪,其具有高准确度、超小型、耐摔抗候等特点,采用的是专利演算法计算其曲率与光迹,这样可以消除像差并提高解析度。为了配合这台设备,需要通过PC机端的SpectraSmart软件进行驱动,它可以提供多重光学测量的功能,其中包括浓度、反射率、发光源、吸收率、穿透率、光谱等的测量。与此同时,我们还制作了一个简易的升降台用来放置所需检测的木材,升降台示意图如图2所示。升降台采用传统的四杆机构,并通过驱动电机驱动实现其升降。在升降台表面铺了一层吸收光的黑布,这样可以防止升降台表面所产生的反射率影响测量数据的准确性。实验还选用卤素灯照亮小木块的表面,因为其亮度容易调整和控制,而且显色性好。选取光谱的波段范围是380~1000nm,采样间隔为0.3nm。实验装置整体示意图如图3所示。PC机端控制卤素灯的亮度及开关,还驱动光谱仪进行检测,并且把数据实时传输到SpectraSmart软件中以便进行下一步的数据分析,我们将每一块实验材料放置在升降台上,升降台可以控制卤素灯与杉木试材的距离,整体工作需要两个人同时完成。

图2 升降台示意图

图3 实验装置整体示意图

1.3 高光谱成像原理

高光谱成像是利用电磁波谱对被测物特性进行分析并以成像的方式对被测物的光谱特性进行研究[6]。其所得数据是在特定波长范围内由一系列连续的窄波段图像组成的三维图像。现有高光谱成像系统的成像光谱范围包括400~1000nm,900~1700nm和1000~2500nm3个标准光谱波段[7]。根据高光谱成像系统中的类型以及传感器与光源的不同配置方式,可以获取4种不同类型的高光谱图像,分别是:反射图像、散色图像、荧光图像和透射图像。本研究的光谱波段范围是380~1000nm,所需图像为反射图像。

1.4 反射率测量原理及测量方法

光谱采样前,需要先设定尚未放上受测物时的来源光谱,再撷取暗光谱。我们还采用白陶瓷测出标准白,其反射率几乎为100%,用于不同部分之间反射率的比较,再测量木材表面节子、裂纹、心材缺陷以及普通部分的反射率,并将其与白陶瓷的反射率进行对比。基于光谱仪的反射率测量,就是测量光源打到受测物之后反射回来的光谱,再对照光源的原始光谱,求出受测物的反射率曲线。由此可以判断被测物不同波段的反射率效果。因此,就像测量吸收度及穿透率一样,测量反射率前要作好测量准备,然后测量光源的光谱,接着放上受测物,然后测量受测物上反射回来的光。使用SpectraSmart软件可以把光谱仪所测数据通过计算公式测算出不同杉木表面缺陷的反射率。反射率的计算公式为:

R=(S1/S2)×100%(1)

式中:R为反射率;S1为所测杉木的光谱;S2为未放置杉木时所测光谱。

1.5 建模方法

连续投影算法(SPA)[8]是一种新兴的敏感波长选取算法,能够从光谱信息中充分寻找含有最低限度冗余信息的变量组,有效地消除各波长变量之间的共线性影响,使得变量之间的共线性达到最小,降低模型的复杂度。其简便快速的特点得到越来越多的应用,在多种样品波长的选取中取得了很好的效果[9]。具体算法如下:第一步:选取第一个波长k(0)和一个常数N,令xj=xcal的第j列,j=1,...,J。

第二步:设S是新的波长组,其中:

第三步:计算出xj在与xk(n-1)正交子空间上的投影Pxj。其中,对所有j∈S都有:

当n

2、结果与分析

2.1 木材不同部分反射率的评价结果

本实验测量了100组节子的反射率、120组正常木材的反射率、54组裂纹的反射率以及54组心材缺陷的反射率。从大样本数据来看,个别单一的数据可能存在误差,因此我们需要将大样本数据取平均值来降低误差,使得出的结果更接近于准确。所以首先对四类数据进行平均值处理,然后根据得出的平均值画出相应的曲线图,如图4所示。四类数据画在一个坐标系中便于观察与分析。

图4 平均值曲线图

从图4中可以直观地看出,整体波长曲线在波长380~1000nm区间内,反射率数值先变大再变小,并且在620nm处呈现最大值。在整个波长条件下,无缺陷部分的反射率最大,所测数值是73%,裂纹缺陷部分的反射率最大所测数值是58%,心材缺陷部分的反射率最大所测值是37%,而节子缺陷部分反射率最大所测值是21%。在400~800nm波段中,节子的反射率<心材缺陷的反射率<裂纹的反射率<木材无缺陷部分的反射率。当波长在545~655nm之间时,我们可以得出:当反射率大于58%时,所检测到的是杉木的无缺陷部分;当反射率在37%~58%之间时,所检测到的是杉木的裂纹缺陷部分;当反射率在21%~37%之间时,所检测到的是杉木的心材缺陷部分;而当反射率小于21%时,所检测到的是杉木的节子缺陷部分。

2.2 连续投影算法的分析

利用连续投影算法对杉木反射率的校正模型进行光谱变量选择,指定波长数N范围选为2~30,根据校正集的内部交叉验证均方根误差RMSEP值确定最佳的光谱变量总数。从1819个波长点中,反射率样本共优选出6个光谱变量,分别是408.68nm、463.68nm、484.90nm、495.84nm、536.44nm和651.69nm处的光谱,如图5所示。图6所示为SPA多个线性回归模型的预测结果。从图中可以看出,虽然所用的变量数很少,但是模型的预测精度已经达到了较好的结果,相关系数为0.76894,预测的均方根误差为0.54635。利用连续投影算法选择光谱变量大大降低了校正模型的复杂度,从所选光谱变量的波长点可知,特征波长大部分都分布在400~800nm光谱波段,说明对识别杉木缺陷的反射率结果是可信的。

图5 SPA多元线性回归模型选择的变量

图6 SPA多元线性回归模型的建模预测结果

3、结论

采用光谱仪检测了杉木表面的节子,心材缺陷,裂纹以及杉木无缺陷部分的反射率,并使用SPA算法进行了数据分析。研究结果表明:在400~800nm波段内,可以直观看出杉木表面节子反射率<心材反射率<裂纹反射率<杉木无缺陷部分的反射率。在545~655nm波段,可以通过21%、37%、58%和73%几个不同反射率对以上几个部分进行识别分类。SPA模型得到预测集的相关系数为0.76894,均方根差为0.54635,提高了模型的预测精度,为以后应用高光谱技术检测木材表面缺陷提供了理论依据。由于本次实验所选木材较为单一,后续还需要进行多种木材以及其他种类缺陷的反射率检测,以得出更为普遍的规律。

参考文献:

[1]徐姗姗,刘应安,徐昇.基于卷积神经网络的木材缺陷识别[J].山东大学学报:工学版,2013(2):23-28.

[2]王光林,范玉玲,邵新建.浅析木材检验中节子缺陷对材质的影响[J].科技创新与应用,2013(8):35-36.

[3]王金聪,宋文龙,张彭涛.应用改进分水岭算法对木材表面缺陷图像分割试验[J].东北林业大学学报,2018(10):93-97.

[4]张甜,程小武,陆伟东,等.超声波法检测木材内部孔洞缺陷的研究[J].西南林业大学学报,2016,36(1):121-125+130.

[5]周竹,尹建新,周素茵,等.基于近红外光谱与连续投影算法的针叶材表面节子缺陷识别[J].激光与光电子学进展,2017,54(2):305-313.

[6]周竹,方益明,尹建新,等.高光谱成像技术及其在木材无损检测中的研究进展[J].浙江农林大学学报,2015,32(3):458-466.

[8]贾学勤,冯美臣,杨武德,等.基于SPA-MLR方法的土壤含水量光谱预测模型研究[J].干旱地区农业研究,2018,36(3):266-291.

[9]曹晓峰,任惠如,李幸芝,等.高光谱技术结合特征波长/光谱指数对冬枣成熟度可视化判别[J].光谱学与光谱分析,2018,38(7):2175-2182.

[10]张树艳,王有武,白铁成,等.基于近红外光谱和SPA算法的棉花叶面积指数定量分析[J].江苏农业科学,2018,46(6):174.

陈旻鹏,陆荣鑑,徐兆军,等.基于光谱仪的杉木表面缺陷检测[J].林业机械与木工设备,2019,47(1):26-29,33.