本期导读：
应用方向：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。
应用关键词：木材、高光谱成像、质量检测
木材质量检测的重要性
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。
传统木材质量检测的方法与难点
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。
高光谱成像技术的发展
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特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。
高光谱成像技术在木材质量检测中的应用
木材分类与种类识别
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。
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
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
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：
1.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. https://doi.org/10.1177/0967033517714344
2.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. https://doi.org/10.1039/C9AN01180C
3.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.
4.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. https://doi.org/10.1007/s00226-015-0785-x
5.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.https://doi.org/10.1007/s10570-021-04290-y
6.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.https://doi.org/10.1007/s10570-020-03117-6
7.Tsuchikawa, S., Inagaki, T., & Ma, T. (2023). Application of Near-Infrared Spectroscopy to Forest and Wood Products. Current Forestry Reports, 9(6), 401–412. https://doi.org/10.1007/s40725-023-00203-3
8.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.https://doi.org/10.1016/j.microc.2015.09.022
9.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. https://doi.org/10.1021/acsabm.0c00626
10.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. https://doi.org/10.1007/s10853-020-05597-0
11.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. https://doi.org/10.1255/jnirs.909
12.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. https://doi.org/10.1016/j.microc.2017.05.019
13.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. https://doi.org/10.1515/hf-2018-0060
14.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. https://doi.org/10.1007/s00468-023-02397-2
15.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. https://doi.org/10.1515/hf-2016-0153
16.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. https://doi.org/10.1080/05704928.2022.2098759
