红木家具的近红外无损鉴别方法与流程

本发明涉及红木家具检测技术领域，尤其涉及一种红木家具的近红外无损鉴别方法。

背景技术

红木与中国文化有相当大的联系，红木家具集消费品、收藏品、投资品于一身。但是可称之为红木的木材种类繁多，绝大数人对红木的种类及真假难以鉴别。中国《红木》国家标准（gb/t18107-2000），将5属8类33种木材列为红木：紫檀属的紫檀木类、花梨木类；黄檀属的香枝木类、黑酸枝类、红酸枝类；柿属的乌木类、条纹乌木类；铁刀木属及崖豆属的鸡翅木类。

据中消协调查数据显示，红木家具市场合格率仅为40%。在家具和建材市场中，以下问题多见：一是直接混淆视听，将木材以次充好、以假乱真，将前者说成是后者，并按后者的售价卖高价；二是拼接小料、废料，制作过程中，将废料或小料掺进木材中；第三种是掺假，比如最外层采用珍贵木材，表皮中间浇注水泥或其它材料，最后再上色、打蜡，这样做出来的家具，外行很难分辨。经过这样处理后的家具，价格可以相差十倍到几十倍，会给消费者带来几万甚至几百万的损失。

目前，国内外已有大量研究表明近红外光谱技术鉴别木材的可行性，但对中国市场上红木家具鉴定研究依旧不够深入。因为红木制作成家具要经过裁料、烘干、加工雕刻、组装、刮磨、表面涂饰等复杂工艺，这些工艺过程会对红木家具的近红红外光谱产生影响，导致红木的识别模型并不适合家具的识别。因此，急需开发一种科学、快速、准确的识别红木家具的方法将会为红木市场提供服务。

传统红木家具鉴别方法有人工知识识别，该方法需要在红木家具上凿取一小块木块进行切片取样，由专家结合宏观和微观特征进行比较、分析后给出结论，但这种方法不仅会破坏家具的完整性，同时也容易受人主观因素的影响。李敏华等人提出采用手持式数码显微镜拍摄家具表面的微观特征图，根据微观构造图再进行鉴定，该方法虽然不破坏家具的完整性，但是当家具上有深色油漆时就可能将木材微观特征覆盖。

申请日为2016年6月2日、申请号为201610384194.9的中国专利公开了一种红木家具的近红外光谱识别方法，但是没有深入研究红木家具的制作工艺流程对近红外谱图的影响；申请日为2016年1月13日、申请号为201610024331.8的中国专利公开了一种基于网络平台的红木家具木材种类的无损检测方法，在数码显微镜要拍摄的木材位置涂上香柏油,或用不同目数砂纸逐级进行打磨处理后涂上香柏油,再采用数码显微镜采集横切面、弦切面和径切面的图像信息，根据切面图像与标准数据库进行比对来检测，该发明只对切面信息进行研究而且检测过程中对红木家具产生一定的破坏性。

技术实现要素：

本发明提出一种红木家具的近红外无损鉴别方法以解决上述技术问题。

为了达到上述目的，本发明所采用的技术方案为：

一种红木家具的近红外无损鉴别方法，包括如下步骤：

s1，制备红木样本并采集光谱数据，建立红木家具鉴别模型；

s2，基于红木家具鉴别模型鉴别待测红木家具；

其中，所述的步骤s1包括：

s11，制备样本，所述的样本包括红木上中下部位不同切面的心材样本、红木上中下部位不同切面的边材样本以及红木含水率样本、红木油漆样本、红木打蜡样本；

s12，对各样本进行光谱采集和特征分析；

s13，样本光谱预处理；

s14，建立红木家具鉴别模型数据库；

所述的步骤s2包括：

s21，采集待测红木家具的近红外光谱；

s22，待测红木家具光谱预处理；

s23，鉴别待测红木家具种类。

作为优选，步骤s11包括：

s111，采集边材样本和心材样本：从每种红木树上截出若干个上、中、下三个部位厚度相等的圆盘，并将加工成标准切面的边材样本和心材样本；

s112，制作红木含水率样本：选取树干中部的心材样本，置于恒温恒湿室中，调节温湿度来控制木材含水率的变化，制成三种含水率的红木含水率样本；

s113，制作红木油漆样本：选取树干中部的心材样本，油漆选用水性木器漆，制成四种厚度的红木油漆样本；

s114，制作红木打蜡样本：选取树干中部的心材样本，对同类树种一半样本上水蜡，制成红木打蜡样本。

作为优选，所述的步骤111中，所述圆盘的厚度为10cm，所述标准切面的尺寸为15mm×15mm×10mm至60mm×40mm×10mm。

作为优选，所述的步骤112中，三组红木含水率样本的含水率分别为8%、12%和16%。

作为优选，所述的步骤s12中，光谱采集时，环境温度为20±2℃，相对湿度为50±5%。

作为优选，所述的步骤s13和步骤s22中，光谱预处理采用的方法为以下的一种或多种：均值化中心、平滑、微分、多元散射校正、标准正态变量变换或正交信号校正。

作为优选，所述的步骤s14中，所述红木家具鉴别模型的建立方法为以下的任意一种：k均值聚类、bp神经网络、支持向量机或概率神经网络算法。

与现有技术相比较，本发明建立红木近红外光谱快速识别模型，通过光谱预处理、建模，降低与红木家具识别无关信息的干扰，提高模型稳定性和可靠性，从而建立适应性强、稳健性好的红木家具近红外光谱识别模型数据库。

附图说明

图1为本发明红木家具的近红外无损鉴别方法的一种流程图；

图2为本发明中步骤s1进一步的流程图；

图3为本发明中步骤s11样本制备的流程图；

图4为卢氏黑黄檀横切面和纵切面的原始光谱进行平均后获得的光谱；

图5为乌木的心材和边材的近红外光谱；

图6为大果紫檀在含水率8%、12%、16%下的近红外光谱图；

图7为大果紫檀在原木、一层油漆、两层油漆、三层油漆四种情形下的近红外光谱图；

图8为交趾黄檀红木家具的原始光谱图；

图9为交趾黄檀红木家具的原始光谱经sg平滑预处理后的光谱图；

图10为交趾黄檀红木家具的原始光谱经sg平滑及sg1阶导预处理后的光谱图；

图11为本发明中步骤s2进一步的流程图。

具体实施方式

以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

如图1所示，一种红木家具的近红外无损鉴别方法，如图1所示，包括如下步骤：

s1，制备红木样本并采集光谱数据，建立红木家具鉴别模型。

s2，基于红木家具鉴别模型鉴别未知红木家具。

其中，如图2所示，步骤s1包括：

s11，制备样本。其中，样本包括红木上中下部位不同切面的心材样本、红木上中下部位不同切面的边材样本以及红木含水率样本、红木油漆样本、红木打蜡样本。

s12，对各样本进行光谱采集和特征分析。

s13，样本光谱预处理。

s14，建立红木家具鉴别模型数据库。

如图3所示，步骤s11包括：

s111，采集边材样本和心材样本：从每种红木树上截出若干个上、中、下三个部位厚度相等的圆盘，并将加工成标准切面的边材样本和心材样本。其中，圆盘的厚度优选为10cm，所述标准切面的尺寸优选为15mm×15mm×10mm至60mm×40mm×10mm之间，特别的可直接取60mm×40mm×10mm。

研究切面影响因素时，采用中部的心材样本；研究上中下部位因素影响时，采用上中下部位的心材样本；研究心材和边材影响因素时，采用中部的心材样本和边材样本。

s112，制作红木含水率样本：选取树干中部的心材样本，置于恒温恒湿室中，调节温湿度来控制木材含水率的变化，制成三种含水率的红木含水率样本。

其中，三组红木含水率样本的含水率分别优选为8%、12%和16%。为了获得上述样本，恒温恒湿室设置条件可以分别为：温度32℃、相对湿度46%，含水率约为8%；温度20℃、相对湿度66%，含水率约为12%；温度21℃、相对湿度85%，含水率约为16%。

s113，制作红木油漆样本：选取树干中部的心材样本，油漆选用水性木器漆，制成四种厚度的红木油漆样本。

油漆可以选用掘优的水性木器漆，以涂得油漆层数为参照，厚度可分为4种：原板→最薄→次厚→最厚。原板，即原始板材，不涂任何油漆；最薄，即不均匀薄覆盖，刷1层，板面油漆不均匀，局部外露；次厚，即均匀薄覆盖，刷2层，板面油漆基本均匀，微透；最厚，即均匀厚覆盖，刷3层，板面油漆覆盖厚且均匀，不透。

s114，制作红木打蜡样本：选取树干中部的心材样本，对同类树种一半样本上水蜡，另一半不做任何处理，制成红木打蜡样本。

步骤s12的光谱采集时，仪器可采用微型近红外光谱仪smarteye1700，测试环境温度为20±2℃，相对湿度为50±5%，以保证所有红木样本的水分恒定。在此恒定条件下的红木样本经过光纤探头采集每个样本光谱数据，每扫描50次自动平均为一条光谱后保存。光谱采集后，对样本的光谱做特征分析。

第一类，采集红木不同切面的光谱数据并对其光谱特征进行分析。

如图4所示，以卢氏黑黄檀木材的横切面与纵切面的谱线图为例，其它树种谱线图类似，从图中可以看出横切面与纵切面光谱曲线形状类似，但横切面的光谱吸收强度明显大于纵切面。这是由于木材的构造特征与主要成分的信息在木材的横切面和纵切面上的反应不同，近红外光谱在横切面上可以充分反应木材细胞壁、细胞腔、早晚材以及主要化学成分的各种信息。在纵切面上，这种信息就相对较弱。

第二类，采集红木心材和边材的光谱数据并对其光谱特征进行分析。

一般的，特级红木家具由红木心材制成，一级和二级红木家具可以允许采用少量的边材。如图5所示，同种木材乌木的心材和边材相似，但心材吸光度大于边材，这是由于木质素化学官能团的种类基本相同，但在化学官能团的相对含量上存在差异。

第三类，采集不同采集红木不同含水率下光谱数据。

如图6所示，大果紫檀在含水率8%、12%、16%下的近红外光谱图可以看出：随着含水率的增加，其在近红外的吸收带也有增强趋势；虽然样本含水率不同，但是光谱图十分相似；分别在波长为1204nm和1464nm附近分别为木质素上o-h二级倍频和一级倍频。

第四类，采集不同油漆厚度覆盖下光谱数据，图7中光谱分别为大果紫檀原木、一层油漆、两层油漆、三层油漆下的近红外光谱，由图可知，油漆厚度只会影响吸光度的大小，而光谱曲线波形变化不大，表明就算油漆覆盖下依旧可以检测到油漆覆盖下的木材信息。

步骤s13中，对样本做光谱预处理。光谱预处理具体为：对所述近红外光谱进行数据筛选，减弱或消除噪声和切面、高度变异、径向变异、含水率、油漆和打蜡六个影响因素对数据信息的影响，为校正模型的建立和未知样品的准确预测打下基础。光谱预处理采用的方法，可以为以下的一种或多种：均值化中心、平滑、微分、多元散射校正、标准正态变量变换或正交信号校正。

特别的，光谱预处理可采用savitzky-golay卷积平滑法。相比移动平均平滑法，savitzky-golay卷积平滑法是通过多项式来对移动窗口内的数据进行多项式最小二乘拟合，本质上是一种加权平均法，更强调中心点的中心作用。常用的光谱求导方法一般有两种：直接差分法和savitzky-golay卷积求导法。对于分辨率高、波长采样点多的光谱，采用直接差分法求导后的光谱与实际相差不大，但对于波长采样点不多的光谱，该方法所求的导数误差较大，因此可采用savitzky-golay卷积求导法计算。由图8至图10可知，交趾黄檀红木家具原始光谱经sg平滑预处理后不会对光谱有较大改变，但噪声明显减弱；经sg平滑及sg1阶导预处理后，有效地消除基线和其他背景的干扰，分辨重叠峰；光谱在1170nm、1350nm和1410nm有明显的吸收峰，依次为木质素上o-h非对称伸缩振动的二级倍频、半纤维素上的c-h振动的一级倍频和木质素上o-h振动的一级倍频，同一种类样本之间的差异明显减小。

步骤s14中，红木家具鉴别模型的建立方法为以下的任意一种：k均值聚类、bp神经网络、支持向量机或概率神经网络算法。

其中，本发明优选的可采用概率神经网络算法建立模型，模型评价使用相关系数、均方根误差和识别率，相关系数和识别率越大，均方根误差越小，说明模型越好。当然，除了概率神经网络算法，k均值聚类、bp神经网络、支持向量机等常规建模方法也可适用。

本发明通过光谱预处理、建模，降低与红木家具识别无关信息的干扰，提高模型稳定性和可靠性，从而建立适应性强、稳健性好的红木家具鉴别模型数据库。红木家具鉴别模型数据库尽可能包括红木的所有5属8类33种：紫檀属的紫檀木类、花梨木类；黄檀属的香枝木类、黑酸枝类、红酸枝类；柿属的乌木类、条纹乌木类；铁刀木属及崖豆属的鸡翅木类等。

如图11所示，步骤s2包括：

s21，采集待测红木家具的近红外光谱；

s22，待测红木家具光谱预处理；

s23，鉴别待测红木家具种类。

在鉴别待测红木家具种类时，采集待测红木家具近红外光谱数据，对光谱进行预处理，采用步骤s1建立的模型数据库预测识别待测红木家具种类。s21，光谱采集所用方法可与步骤s12类似；步骤s22中，对待测红木家具做光谱预处理，所用光谱预处理可与步骤s13类似。

获得待测红木家具的光谱并预处理后，与红木家具鉴别模型数据库中的样本光谱进行比对，比较微观和宏观特征，找出最相似的红木种类。

本发明提出了一种红木家具的近红外无损鉴别方法，采用微型近红外光谱，通过对家具制作工艺流程中对近红外光谱影响分析，其中主要对切面、高度变异、径向变异、含水率、油漆和打蜡六个因素的光谱特征进行分析，通过化学计量学方法进行光谱预处理、模型的建立与评价、预测未知样本种类，降低红木家具制作工艺流程中无关因素的干扰，提高鉴别模型的稳定性和可靠性，适应性强、稳健性好，对待测红木家具几乎无损。本发明不局限于上述实施例中的红木家具种类，同样也适用于其它红木家具种类的鉴别。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本申请的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。