采用無損檢測技術快速有效地預測木材各種物理力學性能、 化學性質、 解剖學性質以及各種缺陷等， 對于充分合理利用木材， 高效優質加工木材、 挖掘木材的潛在利用價值以及加速木工企業自動化發展等方面具有重要的理論指導與實踐意義。 機器視覺技術和光譜技術具有無損、 快速、 準確等優點， 是目前木材品質無損檢測中的 2 種重要技術。 其中， 機器視覺技術提取木材及其制品的表面信息進行分析， 可用于木材表面缺陷等的檢測[1-3]. 該技術獲取的主要是灰色或 RGB（紅綠藍）圖像， 反映木材表面缺陷信息有限， 識別準確率有待進一步提高。 與機器視覺技術不同， 光譜技術尤其是近紅外光譜技術，非常適合木材及其制品的物理力學性質[4-7]、 化學性質[8-9]以及解剖學性質[10-11]等的預測。 該技術只采集被測對象一個點域的信息， 缺少被測對象的空間信息， 這一局限性可能會影響模型的穩定性和適應性[12].
高光譜成像技術起源于遙感測量領域， 它將二維成像和光譜技術有機融為一體， 可以同時獲取研究對象的空間及光譜信息。 由于圖像數據能反映被測物外部特征、 表面缺陷等， 而光譜數據可對其物理結構及化學性質進行分析， 因此， 高光譜成像技術是圖像技術與光譜技術的完美結合[12]. 目前， 涉及該技術在木材及其制品品質檢測的研究尚在起步階段， 這是一個有著巨大潛力的研究領域。 本文介紹了高光譜成像技術的原理、 裝置以及數據處理方法， 并介紹該技術在木材及木制品的各種缺陷檢測、 物理力學性質以及化學性質預測等方面的研究進展。
1 高光譜成像原理與裝置
高光譜成像是指在電磁波譜的光譜波段獲取較高光譜分辨率（0.6~3.0 nm）的圖像信息的過程， 其理論基礎是利用電磁波譜對被測物特性進行分析并以成像的方式對被測物的光譜特性進行研究[13]. 所得數據是在特定波長范圍內由一系列連續的窄波段圖像組成的三維圖像。 現有高光譜成像系統的成像光譜范圍包括 400~1 000 nm, 900~1 700 nm 和 1 000~2 500 nm 等 3 個標準光譜波段。
高光譜圖像的采集方式包括逐點掃描式、 線推掃式以及面幀式[14]. 目前， 應用最多的是線推掃式。
一個典型的線推掃式高光譜成像系統如圖 1 所示， 由電荷耦合器件（charge coupled device, CCD）探測器、成像光譜儀、 鏡頭、 光源及其控制器、 可調載物臺、 步進電機、 運動控制系統和圖像采集系統等組成。
其中， 成像光譜儀以光柵型為主， 是高光譜成像系統的核心部件， 其內部有一個棱鏡-光柵-棱鏡（prism-grating-prism, PGP）單元， 如圖 2 所示。 在推掃過程中， 該單元能將待測物一個窄帶空間內的有效入射光散射成不同波長， 色散后的光信號成像到 CCD 探測器上。 其中的一個方向提供空間信息， 另一個方向提供光譜信息， 這樣就得到了此窄帶空間位置上多個像元點的光譜圖像。 對推掃過程中多個窄帶空間區域的光譜圖像進行拼接， 可獲得整個待測物的高光譜圖像。 圖 3 給出了一種藍變木材的高光譜圖像數據[15], 其中第 1 維和第 2 維是木材樣品的空間位置信息（以 x 和 y 表示）， 第 3 維是波長信息（以λ 表示）。
根據高光譜成像系統中光源的類型以及傳感器與光源的不同配置方式， 可獲取 4 種不同類型的高光譜圖像， 分別是： 反射圖像、 散色圖像、 熒光圖像和透射圖像。 目前， 高光譜反射圖像是木材品質無損檢測應用研究的重點。
2 高光譜圖像數據的處理方法
高光譜圖像數據處理的一般流程如圖 4 所示[16]. 由于高光譜圖像既包含光譜信息， 又包括圖像信息， 因此， 高光譜圖像數據的分析方法很多。 歸納起來， 可以分為以下幾個步驟。
第一， 數據校正與預處理。 原始高光譜圖像數據是光子強度信息， 需進行反射校正獲取相對反射率[17]. 對于一些球狀或類球狀待測物， 其形狀差異會使高光譜圖像數據存在空間差異， 可在圖像維采用曲率校正方法[18-19]或者在光譜維采用光譜預處理方法[20-21]減弱或消除該影響。 此外， 由于高光譜圖像的數據量較大（可達數個 GB）， 可通過裁剪、 合并等方法減少無用信息從而降低數據量。
第二， 數據降維。 在圖像維， 可根據待測物的光譜特性， 直接提取反映待測物品質的一個或幾個波長下的圖像[22]; 也可通過一些數據降維方法如主成分分析法（principal componentanalysis, PCA）[23]、 獨立成分分析法[24]或最小噪聲分離法[25]等獲取關鍵的特征圖像； 還可在上述特征波段基礎上， 采用波段比算法[23]、 差分算法[26]等計算特征圖像。 圖像維的處理方法常見于被測對象的表面缺陷檢測研究。 在光譜維， 在剔除了異常像元后， 可對指定像元區域的光譜或者所有像元的光譜進行平均， 計算平均光譜或偏差光譜進行分析； 也可提取每個像元的光譜信息， 用于像素級的分類分析。 光譜維的處理方法可用于被測物內部品質和外部缺陷檢測等。
第三， 模型建立。 在圖像維， 可采用數字圖像處理技術對圖像進行分割處理從而獲取目標， 提取特征參數建立相關模型[27]; 在光譜維， 可將平均光譜或偏差光譜與待測品質關聯， 通過一些化學計量學方法如偏最小二乘法（partial least squares, PLS）[17]、 支持向量機[24]、 人工神經網絡[28]等， 建立待測物品質的定量或定性分析模型。
第四， 目標分類。 根據建立的模型對待測物品質進行可視化預測研究， 建立組分含量分布圖像或分類圖像。
3 研究進展
3.1 缺陷檢測
3.1.1 應力木檢測 應力木是樹木中的非正常木材組織， 會嚴重影響木材的加工利用， 導致木材資源浪費并造成經濟損失。 目前， 應力木尤其是干燥之后的應力木的檢測較為困難， 現有方法主要為人工檢測[29]、 高頻電磁輻射分析法[30]等， 均存在一定局限性。 機器視覺技術可用于新鮮狀態下應力木檢測， 而對干燥后的應力木檢測效果較差[31]. 由于應力木中木質素、 半乳糖含量高于正常木， 可利用它們在近紅外光譜區域的吸收作用， 通過光譜分析法進行檢測[32-33]. 然而光譜法需要大量數據， 花費時間較長， 且不具有空間信息， 難以得到應力木在木材中的空間分布。 大量研究表明， 高光譜成像技術可用于木材應力木的判別。 Hagman 等[34]最早采用高光譜成像技術判別應力木。 實驗木材來自 3 株挪威云杉 Picea a-bies 和 5 株歐洲赤松 Pinus sylvestris. 成像波段為 400~720 nm. 首先采用主成分分析法（PCA）對高光譜圖像進行分析， 發現第 2 和第 3 主成分得分圖能區分凈木、 應力木和黑節。 隨后提取此 3 類樣本的光譜并采用偏最小二乘法（PLS）和多元線性回歸法建立識別模型， 識別正確率均高于 92%. Jan Nystr觟m 和Hagman 等[32]在相同的波段范圍研究了經干燥預處理的挪威云杉應力木的實時檢測方法。 采用 PLS 建立了應力木、 非應力木（早材、 晚材以及暗色缺陷）的判別模型， 使用該模型對 14 個樣本進行在線預測時，11 個被正確區分。 作者認為， 通過調整光照方式、 擴展成像光譜范圍以及提升硬件性能還可進一步提高識別性能。 同時研究指出將試樣擴充到云杉生材， 可以為該技術的工業應用奠定基礎。 Duncker 等[35]在 400~1 000 nm 波段范圍內應用高光譜成像技術研究了挪威云杉圓盤橫截面應壓木的空間分布。 從圓盤高光譜圖像中提取重度應力木、 中度應力木、 正常木以及背景或裂縫區域的平均光譜組成標準光譜集， 采用光譜角算法對高光譜數據進行逐像元判別。 結果顯示： 光譜角算法對中度和重度應力木的分類效果較好， 識別準確率為 91%, 高于采用紅綠藍（RGB）圖像的分類結果。 上述研究成像波段均在可見/近紅外光譜區域。 Meder 等[33]則在 1 000~1 700 nm 范圍內研究了輻射松 Pinus radiata 圓盤應力木分布的高光譜成像檢測方法。 該研究將應力木程度分為 5 級， 采用 PLS 建立判別模型， 并將模型應用于高光譜圖像， 能夠準確描述圓盤中的應力木分布。 作者指出， 若通過該技術對原木多個連續部位的應力木程度及分布進行可視化描述， 有助于木材形成的解釋， 同時也可為鋸木廠木材切割部位優化提供參數。
3.1.2 變色檢測 由木材中有色菌絲引起的藍變以及由太陽光輻射、 溫度、 濕度等氣候因子綜合作用引起的木材表面變色均會影響木材的外觀， 降低木材及木制品的品級和價值。 目前， 已有學者嘗試利用高光譜成像技術對木材變色進行研究。 Burud 等[15]在實驗室條件下應用高光譜成像系統定量檢測挪威云杉木制品表面的藍變。 致藍病菌為黑酵母菌 Aureobasidium pullulans 和枝狀枝孢菌 Cladosporium cladospori-oides. 所用試材包括 3 種類型： 一類樣品表面覆蓋了不含防腐劑的水性醇酸樹脂改性丙烯酸涂料； 一類樣品表面涂有不含防腐劑的溶劑型醇酸漆； 另外一類作對照未經任何處理。 光譜成像區域為可見/近紅外區（400~1 000 nm）和短波近紅外區（1 000~2 500 nm）， 數據處理方法為 PCA. 研究發現， 可見/近紅外高光譜圖像的第 1 主成分得分圖像以及近紅外高光譜圖像的第 2 主成分圖像均能識別藍變區域。 其中，可見/近紅外光譜區域獲取藍變木材的顏色信息， 這與 RGB 圖像信息一致。 當高光譜圖像中存在異于藍變的其他顏色時， 會引起誤判。 而近紅外波段則可以獲取致藍真菌的水分含量信息， 由于黑酵母菌和枝狀枝孢菌在近紅外譜區表現不同的光譜特性， 這為不同致藍真菌種類的識別提供了理論基礎。 在此研究基礎上， 該團隊從 2013 年 8 月開始采用該技術在室外條件下， 開展在不同木材基底上受多種病菌浸染下真菌的生長狀態研究[36]. Agresti[37]采用高光譜成像技術研究白楊 Populus alba 木材顏色與人工模擬自然光光照時間的變化關系。 測量波長范圍為 400~1 000 nm 和 1 000~2 500 nm. 研究發現在 500~900 nm范圍內的木材光譜變化主要反映其在不同光照時間下的顏色變化， 光照 24 h 前后的差異顯著， 而在1 005~2 500 nm 范圍內的木材光譜變化則反映了其化學成分如木質素、 纖維素含量隨光照時間的變化。 對 2 個波段范圍內的光譜采用偏最小二乘-判別分析方法建立的判別模型， 能準確的判別 0, 216 和504 h 等 3 個不同光照時間下的木材。 研究認為短波近紅外波段光譜攜帶了反映木材主要化學成分含量隨光照時間變化的信息， 所建模型性能更好。
3.1.3 其他缺陷檢測 木材缺陷（包括節子、 腐朽、 蟲眼等）會直接影響木材產品的強度、 外觀和檔次。機器視覺技術是木板材表面缺陷識別的有效技術之一[38]. 然而， 由于木材的外觀變化較大， 不存在色彩或紋理特征完全相同的板材， 因此， 木材表面缺陷的機器視覺自動分類識別存在很多挑戰。 近紅外光譜分析技術也可用于木材表面缺陷的檢測[39-41], 但是其檢測區域一般僅是木材表面的某點或較小區域 （不具備空間信息）， 木材的各向異性會影響檢測結果[41]. 高光譜圖像數據同時具備光譜信息和空間信息，這為木板材的表面缺陷檢測提供了一種新的技術。 Bharati[42]
采用高光譜成像技術研究了離線和在線情況下的木板表面缺陷的檢測方法， 包括香脂冷杉 Abies balsamea, 白云杉 Picea glauca 和斑克松 Pinusbanksiama 等 3 個樹種的軟木 , 缺陷則包括不同類型的節子 、 裂縫 、 衰敗 、 瀝青和夾皮 . 成像波段為1 144~1 670 nm, 研究方法為多元圖像主成分分析法。 作者同時獲取了該批樣本的 RGB 圖像， 采用相同的分析方法進行了比較分析。 研究結果表明： RGB 圖像僅能反映木材正常部位和某些缺陷部位（節子、 裂縫）的顏色差異， 只能判別是否存在缺陷， 而高光譜圖像則反映了木材不同部位的化學信息、物理性質等， 這為化學成分、 物理性質不一的不同缺陷類型的判別（如節子和裂縫， 活節和死節）提供了可能。 Lundqvist 等[43]在 1 000~2 500 nm 波段范圍內采集了歐洲赤松生材盤圓高光譜圖像， 直接對原始高光譜圖像進行主成分分析， 發現前 3 個主成分圖像就可以準確的區分心材、 邊材、 油污帶和木材退化層。
3.2 物理力學性質檢測
含水量和密度是木材的重要物理力學性質評價指標。 其中， 纖維飽和點以下的含水量會嚴重影響木材的強度、 剛性、 耐腐性、 機械加工性能、 導電性等[5]; 而密度可用來評估木材的質量、 判斷木材的工藝性質和物理力學性質（硬度、 強度、 干縮以及濕漲等）[6].Hikaru 等[44]在 400~1 000 nm 波段范圍內采用高光譜成像技術檢測歐洲山毛櫸 Fagus sysvatica 和歐洲赤松 2 種木材干燥過程中的水分含量分布。 分別采集 2 樹種各 10 個樣本在 7 個不同水分含量階段的高光譜圖像， 提取平均光譜并采用 PLS 建立水分含量模型。 研究認為標準正態變量變換（SNV）光譜預處理能突出水分在 980 nm 下的特征光譜， 可消除因水滴和木材表面結構差異引起光散射的影響， 采用該預處理方法所建模型分別對相應樹種下的高光譜圖像進行逐像元預測。 研究結果顯示， 在干燥過程中， 歐洲山毛櫸與歐洲赤松的早材部位與晚材部位表現出不同的水分含量分布， 印證了 2 個樹種在解剖學上的差異。
Fernandes 等[45-46]采用高光譜成像技術對海岸松 Pinus pinea 木材的密度進行檢測研究。 波段范圍為400~1 000 nm, 光譜分辨率為 0.6 nm, 空間分辨率為 79 μm. 他們首先以 1 株海岸松為研究對象， 提取152 個密度測量點的光譜數據建立主成分得分-人工神經網絡模型， 該模型用于測試集（365 個測量點）時， 決定系數為 0.96, 平均絕對誤差為 0.041 g·cm-3. 隨后該團隊擴大樣本進行研究， 實驗樣本取自 34株海岸松的胸高處（1.3 m）， 樹齡范圍為 3~44 年生， 包含了邊材和心材。 提取平均光譜采用 PLS 進行20 次隨機建模， 最終所得 20 個模型對測試集的決定系數的平均值為 0.81, 預測均方根誤差的平均值為 6.52×10-2g·cm-3. 該團隊還進一步比較了不同建模方法對模型性能的影響， 并確定了最優的建模方法[47], 為木材年代學和木材氣候學的研究提供了一種新的技術與方法。
不同于上述研究所用波段范圍， Mora 等[48]在 1 000~1 700 nm 范圍內采用高光譜成像技術檢測火炬松 Pinus taeda 圓盤的基本密度和水分含量。 試樣材齡為 13~19 a. 將每個圓盤高光譜圖像中無缺陷區域的數據進行平均， 采用 PLS 建立模型。 密度模型的預測決定系數為 0.81, 預測均方誤差為 23.6 kg·m-3,水分模型的預測決定系數為 0.77, 預測均方誤差為 2.10%. 該研究還與近紅外光譜技術進行了對比。 研究發現： 雖然高光譜圖像數據所建密度和水分模型的精度略低于近紅外光譜技術所建同類模型， 但高光譜圖像具有空間信息， 且不受被測樣本形狀限制。 作者指出： 通過采用高精度的相機， 拓展成像波段和確定特征波段可以進一步提高密度、 水分模型的精度。
3.3 化學性質檢測
木材是復雜的天然聚合物質， 其化學組成是木材最基本的性質， 與木材材性和紙漿性能密切相關。
因此， 尋找一種快速、 準確的木材化學性質預測方法對于木材原料的最佳使用期或用途的分析具有理論意義和實用價值。
Thumm 等[49]采用高光譜成像技術研究了輻射松原木圓盤主要化學成分的含量及空間分布情況， 所用成像波段區域為 900~1 700 nm. 提取平均光譜并采用 PLS 建立木質素、 半乳糖、 葡萄糖的定量模型，3 種成分模型的決定系數分別為 0.84, 0.87, 0.87, 預測標準偏差分別為 14.8, 9.5 和 6.8 g·kg-1. 將所建模型用于 3 組分的空間分布預測時， 發現在木材內部 3 種成分的含量在空間分布不一致， 驗證了木材內部為非勻質體。 特別是將 3 組分模型應用于應壓木部位時， 發現木質素和半乳糖含量升高而葡萄糖含量降低。 研究結果表明： 高光譜成像技術能對具有各向異性的木材的一些化學指標進行可視化展示， 有利于木材不同部位的材性變化研究， 從而更好地解釋外界環境對木材生長的影響。
瑞士 Innventia 公司的研究團隊搭建了一套近紅外光譜成像系統（1 000~2 500 nm）， 用于落葉松Larixdecidua 橫截面生長輪上木質素含量的分布預測。 直接對高光譜圖像進行主成分變換， 發現前 3 個主成分圖像可以很好地描述木質素在各個年輪上的分布。 從高光譜圖像中提取平均光譜建立 PLS 模型進行逐像素預測， 也能準確描述木質素的分布[43]. 該團隊還將該技術應用于樹種識別、 應壓木檢測以及紙張主要成分含量變異檢測， 均取得了不錯的效果。
高光譜成像技術除了用于以上研究以外， 還可用于木材油浸性能的檢測。 Geladi 等[50]以歐洲赤松為研究對象， 采用高光譜成像技術對邊材和心材的徑切面、 弦切面受亞麻籽油油浸前、 后的狀態進行研究。 成像波段為 982~2 498 nm. 對所有試樣進行 PCA 分析時， 發現油浸前、 后木材差異顯著， 容易區分。 單獨對油浸前、 后樣本進行 PCA 分析時， 發現在木材油浸前， 徑切面和弦切面樣本容易區分， 而在木材油浸后， 邊材和心材樣本容易區分。 作者指出： 采用高光譜成像技術可以形象地刻畫木板油浸之后亞麻籽油在其表面的附著狀態， 可為下一步在線評價防腐油在木材中的浸潤分布提供技術參數。
4 總結與展望
高光譜成像技術可以同時獲取待測物較豐富的圖像和光譜信息， 能對木材及木制品的多種物理、 化學性質以及缺陷進行無損檢測， 是對被測物材料屬性的局部變化進行可視化刻畫的理想工具[50]. 隨著數字圖像處理技術、 光譜分析技術、 化學計量學技術以及模式識別技術等的快速發展和融合， 該技術將在木材以及木制品品質無損檢測中具有良好的應用前景。 然而， 高光譜成像技術是近 10 多年發展起來的一項技術， 需要在實踐應用中不斷走向完善與成熟。
4.1 加強高光譜成像技術在木材品質檢測中的應用研究
高光譜成像技術在木材無損檢測中的研究在國內尚無， 在國外僅處于起步階段， 且大多數為實驗室研究， 雖然取得了較好的預測效果， 在應用上表現出了很大的潛力， 但是距離實際應用尚有差距。 因此， 需要研究實際應用和實驗室條件的區別， 分析和消除木材各種因素如樹種、 水分含量、 紋理、 表面粗糙度、 切面部位、 儀器參數和工作環境等對高光譜成像檢測的影響， 盡快將實驗室模型推廣到實際應用中。
4.2 拓展高光譜圖像采集方式及成像波段范圍
現有的木材及其制品的品質檢測研究主要采用反射高光譜圖像， 采用其他類型高光譜圖像如熒光圖像或散射圖像進行研究的較少。 此外， 現有的成像波段范圍一般限制在 400~1 000 nm 或者 1 000~2 500nm 某個范圍內， 在 400~2 500 nm 全波段范圍以及紫外光譜區內進行研究的不多。 研究人員可聯合幾種高光譜圖像采集技術并擴大成像波段范圍開展木材及其衍生品的品質檢測研究， 從而為中國木材新型檢測裝備的研制提供理論基礎和技術支撐。
4.3 開發便攜式、 預測準確性高的多光譜成像檢測儀器
高光譜成像系統要處理海量數據， 對計算機系統的硬盤、 內存以及運算速度等要求很高， 直接應用于在線檢測的高光譜成像系統較少。 在一些農產品檢測領域， 研究人員對被測農產品的高光譜圖像進行分析， 根據檢測指標獲取了一些有效特征波長， 并設計出實時、 無損的多光譜成像系統[51]. 在木材品質高光譜成像檢測研究方面也可借鑒該思想， 從而開發出便攜式、 預測準確性高、 適應性廣的多光譜成像儀器， 實現在復雜工作環境中的木材品質實時在線快速檢測。
5 參考文獻
[1] 尹建新 , 祁亨年 , 馮海林 , 等。 一種基于混合紋理特征的木板材表面缺陷檢測方法 [J]. 浙江農林大學學報 ,2011, 28（6）： 937 - 942.
YIN Jianxin, QI Hengnian, FENG Hailin, et al. A method for wood surface defect detection based on mixed texturefeatures [J]. J Zhejiang A & F Univ, 2011, 28（6）： 937 - 942.
[2] 杜曉晨 , 尹建新 , 祁亨年 , 等。 基于顏色直方圖和 LBP-TD 算子的木板材結疤缺陷區域檢測[J]. 北京林業大學學報， 2012, 34（3）： 71 - 75.
DU Xiaochen, YIN Jianxin, QI Hengnian, et al. Defective region detection for wood based on color histogram andLBP-TD operator [J]. J Beijing For Univ, 2012, 34（3）： 71 - 75.
[3] CHEN Lijun, WANG Keqi, XIE Yonghua, et al. The segmentation of timber defects based on color and the mathemat-ical morphology [J]. Optik Int J Light Elect Optic, 2014, 125（3）： 965 - 967.
