一种用近红外光谱技术预测湿地松微纤丝角的方法及系统

1.本技术属于近红外光谱预测领域，具体涉及一种用近红外光谱技术预测湿地松微纤丝角的方法及系统。


背景技术：

2.湿地松(pinus elliottii engelm)为松科松属乔木，原产美国东南部，是世界松属中最重要的针叶用材树种之一。湿地松在我国已有70多年的引种历史，是我国南方集体林区工业原料林的主要树种，它生长迅速，适应性强，木材利用价值高，可作多种工业用材、建筑材及纸浆材，还能生产优质松香、松脂等林副产品，因而在世界亚热带及热带地区作为工业人工林的主要树种被广为种植。
3.近红外光谱技术(near infrared reflectance spectroscopy，简称nirs)作为一种“绿色”的无损检测技术，能够快速、简便、精准地对各种状态的有机物试样进行无损检测，如粉末、固体、液体等有机物试样，该方法在造纸、农业、食品、烟草等领域得到了广泛的应用。近年来，近红外光谱技术亦得到了林业工作者的重视，逐步应用于木材材性的检测。
4.微纤丝角(microfibrilangle,mfa)是指木材细胞壁s2层中微纤丝方向与细胞主轴之间的夹角，微纤丝角越小则细胞的抗张力能力越大，是木材机械性能的决定因子之一，影响木材的弹性模量和异向收缩性，同时还与木材密度相关。微纤丝角是评价木材的顺纹抗压、抗拉、抗弯等指标的重要参数，对木材干缩有很大影响，因此也对木材的物理力学性质有影响。研究表明，微纤丝角与木材强度成反比，即微纤丝角的值越小，木材强度越高。因此湿地松木材微纤丝角的测量对于其木材的质检和有效使用具有重大意义。
5.传统的木材微纤丝角检测方法是显微镜技术法，但微纤丝呈三维排列，而在显微镜中观察得到的是二维的微纤丝角，因此由此方法测定的微纤丝角精准度较差、效率低且对实验操作人员的技术要求较高。为提高生产效率，寻求一种能够高效且精准的湿地松微纤丝角预测方法，对湿地松材性遗传改良有着重要意义。


技术实现要素：

6.为解决上述技术问题，本技术提出了一种用近红外光谱技术预测湿地松木材微纤丝角的方法及系统，通过建立湿地松微纤丝角的预测模型，完成对湿地松大规模育种群体木材微纤丝角的快速、准确的测定。
7.一方面为实现上述目的，本技术提供了如下方案：
8.一种用近红外光谱技术预测湿地松微纤丝角的方法，包括如下步骤：
9.获取湿地松样品木芯；
10.基于所述湿地松样品木芯，获得原始近红外光谱数据和所述湿地松样品木芯的微纤丝角测定值，并将所述微纤丝角数据和所述原始近红外光谱数据，划分为校正集和外部验证集，校正集样本的性质参数要均匀分布；
11.基于所述校正集，构建湿地松木材微纤丝角近红外预测模型；
12.将所述外部验证集近红外光谱数据代入所述湿地松木材微纤丝角近红外预测模型获得预测值，通过对比外部验证集微纤丝角预测值和测定值之间的差异，完成对湿地松微纤丝角预测模型预测水平的评价。
13.优选的，获得所述湿地松样品木芯的微纤丝角测定值的方法包括：
14.由silviscan木材测定系统对所述湿地松样品木芯进行测量，获得所述微纤丝角测定值。
15.优选的，获得所述原始近红外光谱数据的方法包括：
16.将所述湿地松样品木芯粉碎成木粉细末；
17.对所述木粉细末进行筛选，选取符合预设要求的所述40-60目的木粉细末为待测样品；
18.利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据。
19.优选的，利用所述傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，需设定所述傅里叶近红外光谱仪在15000-4000cm-1
范围内扫描所述待测样品，分辨率为8，每个所述待测样品扫描5次，重复装样5次取平均值。
20.优选的，构建所述湿地松木材微纤丝角近红外预测模型的方法：
21.将所述校正集的所述原始近红外光谱数据导入化学计量学软件perkinelmer spectrum quant10中，采用二阶导数对所述原始近红外光谱数据进行数据处理；
22.基于偏最小二乘法与留一交互验证法相结合的方法，将所述校正集的所述微纤丝角测定值与所述近红外光谱数据相关联完成拟合，构建所述湿地松木材微纤丝角近红外预测模型。
23.优选的，所述湿地松木材微纤丝角近红外预测模型构建过程中，还需根据残差影响图和残差分布图剔除所述湿地松木材微纤丝角近红外预测模型中的异常样品，提高模型的预测精度。
24.优选的，将所述湿地松微纤丝角近红外预测模型构建过程中，以交互验证均方根误差最小为基准确定最佳主成分数。
25.优选的，完成对所述湿地松微纤丝角的近红外预测模型进行外部验证，其步骤包括：
26.基于所述外部验证集的原始近红外光谱数据，获得近红外原始光谱图；
27.将所述外部验证集近红外光谱图输入所述湿地松微纤丝角近红外预测模型，获得预测值；对比所述外部验证集微纤丝角的预测值与其测定值的线性关系和残差值；
28.基于所述线性关系和残差值，获得所述湿地松木材微纤丝角近红外预测模型的实测能力。
29.另一方面，本发明还公开了一种用近红外光谱技术预测湿地松微纤丝角的系统，包括湿地松样品木芯获取模块、数据获取与划分模块、模型构建模块和外部验证模块；
30.所述湿地松样品木芯获取模块，用于获取湿地松样品木芯；
31.所述数据获取与划分模块，用于基于所述湿地松样品木芯，获得原始近红外光谱数据和所述湿地松样品木芯的微纤丝角测定值，并将所述微纤丝角测定值和所述原始近红外光谱数据，划分为校正集和外部验证集，校正集样本的性质参数要均匀分布；
32.所述模型构建模块，用于基于所述校正集，构建湿地松木材微纤丝角近红外预测模型；
33.所述外部验证模块，用于将所述外部验证集近红外光谱数据代入所述湿地松木材微纤丝角近红外预测模型，获得预测值，通过对比外部验证集微纤丝角预测值和测定值之间的差异，完成对湿地松微纤丝角预测模型预测水平的评价。
34.本技术的有益效果为：用近红外光谱技术预测湿地松木材微纤丝角的方法很大程度的节约了人力、物力及时间，使得多地点区域化湿地松微纤丝角材性数据的测定成为可能，这对实现大规模育种群体材性性状遗传变异规律的总结，提高木材材性遗传改良工作的效率具有重要意义。本技术具有广阔的推广空间和使用价值。
附图说明
35.为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
36.图1为本技术实施例一种用近红外光谱技术预测湿地松微纤丝角的方法流程图；
37.图2为本技术实施例一湿地松木芯样品的原始光谱图；
38.图3为本技术实施例一校正集样品微纤丝角正态pp图；
39.图4为本技术实施例一为湿地松微纤丝角近红外预测模型剔除异常样品前微纤丝角建模结果图；
40.图5为本技术实施例一为湿地松微纤丝角近红外预测模型残差影响图；
41.图6为本发明实施例一的湿地松微纤丝角近红外预测模型残差分布图；
42.图7为本技术实施例一湿地松木材微纤丝角校正结果图；
43.图8为本技术实施例一微纤丝角近红外预测模型的交互验证均方根误差rmsecv随主成分数变化图；
44.图9为本技术实施例一外部验证集微纤丝角预测结果图。
具体实施方式
45.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
46.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
47.实施例一：
48.如图1所示，本技术实施例一种用近红外光谱技术预测湿地松微纤丝角的方法：
49.本实施例在建立模型时所使用的湿地松木芯样品取自江西省中部的吉安市白云山林场的湿地松人工试验林，采用以下步骤实现：
50.1.湿地松样品木芯的确定及取样方法
51.本实施案例在建立模型时所使用的湿地松木芯样品取自江西省中部的吉安市白
云山林场，在28年生的112个家系的湿地松人工林中，根据不同家系保存率结果，选取20个家系进行研究，每个家系选取4-6株样木，共100株样木。使用内径口为12mm的生长锥在选定样木胸高1.3m处进行取样，要求生长锥由南面韧皮部直至北面韧皮部取一完好木芯，共锥取100根木芯。依次对取出样芯进行编号，放入可防止样芯变形的木槽内，带回实验室进行气干。
52.2.微纤丝角数据的测定
53.将100根湿地松样品木芯由髓心处分为南、北两段，南向湿地松样品木芯用于silviscan微纤丝角，北向湿地松样品木芯待留用近红外光谱扫描。湿地松样品木芯的微纤丝角测定值由silviscan的x射线衍射仪测得，扫描步长为0.1mm。
54.3.湿地松样品木芯原始近红外光谱采集方法
55.(1)湿地松样品制作：用粉碎机将样木100根北向木芯粉碎成木粉细末，将细末过40-60目的筛子，选取符合预设要求的木粉细末为待测样品，装入自封袋中以备后用。扫描前，将待测样品放置于近红外光谱仪所在实验室24h以上，其目的是让木粉细末待测样品和仪器的环境条件一致，减少误差。
56.(2)湿地松样品扫描：本研究中采用傅里叶近红外光谱仪，由美国perkinelmer公司生产。在扫描样品前，仪器开机预热30min，待其稳定后进行扫描。原始近红外光谱收集时，先用白板进行空白校准，再将待测样品置于采样玻璃瓶内，在15000-4000cm-1
范围内扫描待测样品，分辨率为8，室内温度在27℃左右，空气湿度为40％-60％。每个样品扫描5次，重复装样5次取平均值，收集原始近红外光谱数据。采用旋转样品台对木粉细末扫描，以增大扫描面积，减少误差。采用漫反射光谱扫描，对不同细度的木粉细末进行分析。可以得到湿地松木粉样品的近红外原始光谱图如图2所示。
57.4.建立湿地松木材微纤丝角近红外预测模型：
58.(1)采用随机选取的方法从100个湿地松样品木芯取出27个样品作为外部验证集，其余73个样品作为建模校正集，各样品集所对应的微纤丝角数据具体统计信息如表1所示，从中可以看出校正集和外部验证集样品所对应的微纤丝角分布范围比较广，覆盖较强，并且校正集样品对应的微纤丝角范围大于外部验证集。由表1可知，变异系数均小于20％，说明微纤丝角性状属于较弱变异，具有很强的内稳性，由此可见湿地松木材微纤丝角均有很强的筛选潜力，对其进行研究分析是很有必要的。
59.表1
[0060][0061]
(2)图3为校正集样品微纤丝角的正态分析图，图中校正集样品越接近趋势线表明样本的正态分布效果越好。由图3可见，校正集样品的微纤丝角都较为均匀的分布在趋势线附近，表明校正集样本都符合正态分布。通过以上分析表明湿地松木材微纤丝角的样本具有较大的代表性，符合建模样本要求。
[0062]
(3)将所采集的原始近红外光谱导入化学计量学软件perkinelmer spectrum quant10中，采用二阶导数进行数据预处理。基于偏最小二乘法(pls)与交互验证法相结合，将silviscan测定得到微纤丝角的测定值与校正集的近红外光谱数据相关联进行拟合，经
回归分析得到湿地松木材微纤丝角近红外预测模型如图4所示。根据残差影响图和残差分布图判断校正集样品是否属于异常值，若样品具有较大的影响或较为偏离的残差，便认定为异常值样品。根据图5微纤丝角残差影响图和图6微纤丝角残差分布图，将2号、36号样品剔除。表2所示为湿地松木材微纤丝角近红外预测模型剔除异常样本前后预测能力的差异。对比两个性状去除异常值前后，决定系数r2有0.0229的提升，校正均方根误差rmsec下降了0.1389。说明剔除异常样品以后，有效的提高了模型的精度。
[0063]
表2
[0064][0065]
剔除异常样品后，得到湿地松木材微纤丝角最终的近红外预测模型如图7所示。由图8所示，选取交互验证均方根误差最小时的主成分数，主成分数为10时，模型的决定系数r2为0.9117，校正均方根误差为0.7662，交互验证均方根误差为1.5784。模型的校正决定系数比较高，校正均方根误差和交互验证均方根误差得都比较低，模型的预测效果良好。
[0066]
(4)模型的验证：在湿地松木材微纤丝角近红外预测模型建立后，用外部验证集的27个样品对其进行外部验证，以对模型的预测能力进行检验。利用湿地松木材微纤丝角近红外校正模型对未参与建模的外部验证集样品进行预测，对比预测值与测试值之间的线性关系和残差值，对模型的实测能力进行检验结果如图9。表3为的湿地松木材微纤丝角近红外校正模型对外部验证集样品对应的单株性状检测的结果。结果表明，微纤丝角预测值与常测值之间的最大误差为1.24，决定系数r2为0.8002，预测均方根误差为1.024，预测均方根误差的值比较接近校正均方根误差。说明模型的预测能力较高，可以用于未知样品的检测。
[0067]
表3
[0068][0069]
实施例二：
[0070]
本发明还提供一种用近红外光谱技术预测湿地松微纤丝角的系统，包括湿地松样品木芯获取模块、数据获取与划分模块、模型构建模块和外部验证模块；
[0071]
湿地松样品木芯获取模块，用于获取湿地松样品木芯；
[0072]
数据获取与划分模块，用于基于湿地松样品木芯，获得原始近红外光谱数据和湿地松样品木芯的微纤丝角测定值，并将微纤丝角测定值和原始近红外光谱数据，划分为校正集和外部验证集，校正集样本的性质参数要均匀分布；
[0073]
获得湿地松样品木芯的微纤丝角数据的方法包括：
[0074]
由silviscan的x射线衍射仪测量湿地松样品木芯，获得微纤丝角测定值；
[0075]
将湿地松样品木芯粉碎成木粉细末；
[0076]
对木粉细末进行筛选，选取符合预设要求的40-60目的木粉细末为待测样品；
[0077]
利用傅里叶近红外光谱仪对待测样品进行光谱扫描，获得原始近红外光谱数据；
[0078]
利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，需设定所述傅里叶近红外光谱仪在15000-4000cm-1
范围内扫描所述待测样品，分辨率为8，每个待测样品扫描5次，重复装样5次取平均值。
[0079]
模型构建模块，用于基于校正集，构建湿地松木材微纤丝角近红外预测模型；
[0080]
将校正集的原始近红外光谱数据导入化学计量学软件perkinelmer spectrum quant10中，采用二阶导数对原始近红外光谱数据进行数据处理；
[0081]
基于偏最小二乘法与留一交互验证法相结合的方法，将校正集的微纤丝角测定值与近红外光谱数据相关联完成拟合，构建湿地松木材微纤丝角近红外预测模型。
[0082]
外部验证模块，用于将外部验证集近红外光谱数据代入湿地松木材微纤丝角近红外预测模型，获得预测值，通过对比外部验证集微纤丝角预测值和测定值之间的差异，完成对湿地松微纤丝角预测模型预测水平的评价。
[0083]
以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。