红木家具的近红外光谱识别方法
【专利摘要】本发明提出了一种红木家具的近红外光谱识别方法，包括家具样本的准备—近红外光谱的采集—光谱预处理—特征波长的选择与提取—判别模型的建立—判别模型的验证等步骤。本发明采用微型近红外光谱采集样本的近红外光谱信号，用化学计量学方法进行鉴别，通过建立真假红木家具的判别模型，利用建好的模型实现真假红木家具的快速无损鉴别，具有无损、高效、快速、便携、低成本、重现性好和准确率高等诸多特点。
【专利说明】
红木家具的近红外光谱识别方法
技术领域
[0001]本发明涉及光谱识别方法，具体涉及一种红木家具的近红外光谱识别方法。
【背景技术】
[0002]珍稀木材种类繁多，不同种类的木材价格差异很大，导致做成成品后的家具价格也有巨大的差异，其中以红木家具最为昂贵。红木家具有非常强的中国文化内涵，中国《红木》国家标准(GB/T 18107-2000)，将5属8类33种珍稀木材列为红木。红木家具作为高档家具的代名词，集收藏品、消费品、投资品于一身，加上原料日益稀缺，其价格一路飙升。红木家具市场水涨船高，不少不良商家为了赚取利润，采用与红木有着相似特征的中低档珍稀木材冒充高档红木，或者在红木家具中掺杂其他劣质红木，严重干扰了市场秩序，损害了广大消费者的利益。
[0003]常见红木鉴别方法主要凭借专业仪器或有着丰富行业经验的专家投入大量工作才能完成。这些方法具有费时、成本高、破坏性、化学试剂污染、操作复杂等缺点，只适合实验室使用，而且目前很多木材的鉴别研究都是建立在对样本进行磨粉、切块等加工处理的基础上，检测形式多为送检或抽检，覆盖面受到很大局限，在实际应用中难以保证整个成品家具的真假。近年来与化学计量学结合的近红外光谱技术在木材检测与木材识别方面发展迅速，其无损、高效、快速、低成本、重现性好、便于在线检测等独特优势，为木材鉴别提供了一种新的检测技术。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，但研究还没有深入到对中国市场上一些易混淆的珍稀木材家具的近红外快速鉴别。
[0004]近红外区域按ASTM定义指波长在780?2526nm范围内的电磁波。近红外光谱属于分子振动光谱，产生于共价化学键非谐能级振动，是非谐振动的倍频和组合频，位于可见光和中红外光区之间，适用于测定含C-H、N-H、O-H等基团的物质，由于不同基团产生的光谱吸收峰位置和强度都不同，根据Lambert-Beer吸收定律，吸收光谱会随着样品成分组成或结果的变化而产生变化。
[0005]近红外光谱技术主要包括近红外光谱仪、化学计量学软件和多元校正模型等。近红外光谱仪是用于采集被测样品近红外光谱的设备，化学计量学软件是用于关联光谱和样品性质的工具，而校正模型是用于反映样品光谱与性质之间对应关系的定量或定性工作曲线。近红外光谱技术的化学计量学方法主要涉及三方面内容:一是光谱预处理方法研究，对样本光谱进行预处理，减少以至于消除各种非目标因素对光谱造成的影响；二是光谱特征波长的选择与提取，有选择性地提取与分类目标有关的信息并抑制非相关特征和噪声的影响;三是近红外光谱校正方法研究，以期建立稳健、可靠、灵敏度高的校正模型。
[0006]近红外光谱仪采集的原始数据中除包含与样本化学结构相关的信息外，同时也包含会对谱图信息产生干扰的噪音信号，从而影响模型的建立和对未知样品的预测。因此，采用平滑处理进行噪声消除，提高信噪比；采用求导方法进行基线校正处理;采用正交信号校正进行光谱过滤，删除数据中不理想的系统变化，以提高模型的性能。
[0007]在近红外光谱分析过程中，当采用全波长范围建立模型时，计算量大，计算速度慢。而且由于在某些光谱范围样品的光谱信息很弱，或与样品的组成或性质不相关，引入这样的变量会导致所建模型的精度降低甚至发生错误。特征波长的选择与提取可以简化模型，更主要的是由于不相关或非线性变量的剔除，校正模型的预测率和稳定性提高了。无信息变量消除是一种基于偏最小二乘回归系数建立的波长提取算法，用于消除无信息变量的方法。该方法通过引入稳定性值来评价模型中每个变量的可靠性，从而进行选取。该方法已被广泛应用于光谱变量的选择，其中蒙特卡罗无信息变量消除方法效果最好。连续投影算法是在光谱矩阵中寻找含有最低限度的冗余信息的变量组，使得变量之间的共线性达到最小，最大程度地减少了信息重叠，简化了数学模型，广泛应用于样品波长的提取中。
[0008]在近红外光谱分析技术的实际应用中，有时只需知道样品的种类或产地等，并不需要知道样品中的组分含量，即定性分析问题，这时需要用到化学计量学中的模式识别法。极限学习机随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，在训练过程中只需设置隐含层中神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比，该方法学习速度快、泛化性能好。
[0009]综上，实现国内市场上主要的红木家具及非红木名贵硬木家具的快速鉴别，对保护消费者利益、促进红木家具市场的健康发展具有重要作用。
【发明内容】
[0010]本发明所要解决的技术问题是提供一种红木家具的近红外光谱识别方法，利用该方法能够准确地鉴别出红木家具的真伪。
[0011]为解决上述技术问题，本发明所采取的技术方案是:一种红木家具的近红外光谱识别方法，包括以下方法步骤:
⑴.家具样本的准备:选择标准的红木家具及非红木名贵硬木家具样本，样本包括檀香紫檀、巴里黄檀、交趾黄檀、大果紫檀、卢氏黑黄檀、微凹黄檀、苏拉威西乌木、安哥拉紫檀、非洲酸枝、桢楠这10种家具样本；
⑵.近红外光谱的采集:利用微型近红外光谱仪在样本表面的不同位置采集近红外光谱，包括每件家具的不同位置，光谱经过平均后转化为一条光谱代表一个样本;采集光谱范围在100nm—1650nm；
(3).光谱预处理:采用Savitzky-Golay卷积平滑法平滑高频噪声，提高信噪比，采用Savitzky-Golay卷积求导法对采集的近红外光谱出现的谱图偏移或漂移现象，以及光谱谱线重叠现象进行基线校正，采用正交信号校正消除光谱中与预测值无关的部分；
⑷.特征波长的选择与提取:采用蒙特卡罗无信息变量消除法和连续投影法进行特征波长的选择与提取；
(5).判别模型的建立:从红木家具及非红木名贵硬木家具中分别选择三分之二数量的样本构成建模用的训练集样本，建模与实际判别时的光谱预处理方法和特征波长点必须一致，分别建立极限学习机模型；
(6).判别模型的验证:调用建立的模型对剩余三分之一数量样本进行验证，判别正确率接近100%。
[0012]本发明的Savitzky-Golay卷积平滑法，平滑处理是消除噪声最常用的一种方法，其基本假设是光谱含有的噪声为零均随机白噪声，若多次测量取平均值便可有效地平滑高频噪声，提高信噪比。常用的信号平滑方法有移动平均平滑法和Savitzky-Golay卷积平滑法。本发明采用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。
[0013]本发明的Savitzky-Golay卷积求导法，由于仪器、样品背景及其他因素影响，采集的近红外光谱经常出现谱图偏移或漂移现象，且对于样品不同组分之间的相互干扰导致光谱谱线重叠的现象，可采用求导的方法进行基线校正处理。常用的光谱求导方法一般有两种:直接差分法和Savi tzky-Go lay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。
[0014]本发明的正交信号校正(OrthogonalSignal Correct1n, OSC)是 1998 年Wold等提出的一种光谱预处理方法，其基本思想是利用正交化方法，消除光谱中与预测值无关的部分，从而得到“纯净”的光谱。OSC主要用于光谱过滤，删除数据中不理想的系统变化如基线漂移等，以提高模型的性能。
[0015]本发明的蒙特卡罗无信息变量消除法，无信息变量消除是一种基于偏最小二乘(Partial Least Squares, PLS)回归系数建立的波长提取算法，用于消除无信息变量的方法。该方法通过引入稳定性值来评价模型中每个变量的可靠性，从而进行选取。该方法已被广泛应用于光谱变量的选择，其中蒙特卡罗无信息变量消除(MC-UVE)方法效果最好。
[0016]本发明的连续投影法(Successive Project1ns Algorithm, SPA)是在光谱矩阵中寻找含有最低限度的冗余信息的变量组，使得变量之间的共线性达到最小，最大程度地减少了信息重叠，简化了数学模型，广泛应用于样品波长的提取中。
[0017]本发明极限学习机模型，极限学习机(Extreme Learning Machine , ELM)随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，在训练过程中只需设置隐含层中神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比，该方法学习速度快、泛化性能好。
[0018]本发明采用上述技术方案所设计的红木家具的近红外光谱识别方法，通过采集红木家具及非红木名贵硬木家具样本，利用微型近红外光谱仪在每件家具样本表面的不同位置采集近红外光谱，经光谱预处理后，提取特征波长，通过多变量数据分析方法，分别建立真假红木家具的判别模型，利用建好的模型实现真假红木家具的快速无损鉴别。本发明提供的方法具有无损、高效、快速、便携、低成本、重现性好和准确率高等特点，适用于红木家具种类鉴别。
【附图说明】
[0019]图1表示10种红木家具及非红木名贵硬木家具的近红外光谱图；
图2表示本发明经特征波长选择与提取后的特征波长分布图。
【具体实施方式】
[0020]本发明红木家具的近红外光谱识别方法，包括以下方法:
(I).采用微型近红外光谱仪采集檀香紫檀、巴里黄檀、交趾黄檀、大果紫檀、卢氏黑黄檀、微凹黄檀、苏拉威西乌木、安哥拉紫檀、非洲酸枝、桢楠10种珍稀木材家具的光谱图并保存。在样本表面的不同位置采集近红外光谱，包括每件家具的不同位置，光谱经过平均后转化为一条光谱代表一个样本;采集光谱范围在100nm — 1650nm，这个区域的光谱信息主要与红木及非红木硬木的结构及化学组成有关，包括纤维素、半纤维素、木质素(木素)和抽提物等;如图1所不。
[0021]⑵.通过比较不同光谱预处理方法对建模精度的影响，最终选择最优预处理方法为Savi tzky-Golay平滑(SG平滑)、Savitzky-Golay I阶导数(SGl阶导)和正交信号校正。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+SGl阶导预处理后，光谱上的重叠吸收峰被放大，经SG平滑+SGl阶导+OSC预处理后，同一种类样本之间的差异明显减小。
[0022]近红外光谱仪采集的原始数据中除包含与样本化学结构相关的信息外，同时也包含会对谱图信息产生干扰的噪音信号，从而影响模型的建立和对未知样品的预测。因此，光谱数据预处理主要用于筛选数据、消除噪声和其他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。采用Savitzky-Golay卷积平滑法可有效地平滑高频噪声，提高信噪比。由于仪器、样品背景及其他因素影响，采集的近红外光谱经常出现谱图偏移或漂移现象，且对于样品不同组分之间的相互干扰导致光谱谱线重叠的现象，可采用Savi tzky-Go I ay卷积求导法进行基线校正处。正交信号校正(Orthogonal SignalCorrect1n, 0SC)就是利用正交化方法，消除光谱中与预测值无关的部分，从而得到“纯净”的光谱。OSC主要用于光谱过滤，删除数据中不理想的系统变化如基线漂移等，以提高模型的性能。
[0023](3).经蒙特卡罗无信息变量消除法和连续投影法提取特征波长后，特征数目将近减少97%，大幅压缩了波段数量，减小了光谱数据的存储量，提高了模型计算速度，如图2所不O
[0024](4).对每种家具建立极限学习机模型，极限学习机模型隐含层激励函数选择“Sigmoidal”函数，隐含层神经元个数为70，校正集正确率为100%，验证集正确率为100%。其中，极限学习机(Extreme Learning Machine , ELM)随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，在训练过程中只需设置隐含层中神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比，该方法学习速度快、泛化性能好。“Sigmoidal”函数(sigmoidal founct1n)是若f (x)以原点为点对称,则有f (_x)=_f (x),当选择“Sigmoidal”函数时，模型判别性能较稳定，判别精度也较高。
[0025]本发明采用微型近红外光谱采集样本的近红外光谱信号，用化学计量学方法进行鉴别。先采集一定数量的样本光谱用于建模，然后再对光谱进行预处理、提取特征波长，最后采用偏最小二乘判别法、簇类独立软模式法、支持向量机和极限学习机分别进行建模分析，通过实验判别结果确定最优建模方法。本发明不局限于上述所述的十种珍稀木材家具样本，对于其它种类的珍稀木材家具样本也同样适用。
【主权项】
1.一种红木家具的近红外光谱识别方法，其特征在于:包括以下方法步骤: ⑴.家具样本的准备:选择标准的红木家具及非红木名贵硬木家具样本，样本包括檀香紫檀、巴里黄檀、交趾黄檀、大果紫檀、卢氏黑黄檀、微凹黄檀、苏拉威西乌木、安哥拉紫檀、非洲酸枝、桢楠这10种家具样本； ⑵.近红外光谱的采集:利用微型近红外光谱仪在样本表面的不同位置采集近红外光谱，包括每件家具的不同位置，光谱经过平均后转化为一条光谱代表一个样本;采集光谱范围在100nm—1650nm； (3).光谱预处理:采用Savitzky-Golay卷积平滑法平滑高频噪声，提高信噪比，采用Savitzky-Golay卷积求导法对采集的近红外光谱出现的谱图偏移或漂移现象，以及光谱谱线重叠现象进行基线校正，采用正交信号校正消除光谱中与预测值无关的部分； ⑷.特征波长的选择与提取:采用蒙特卡罗无信息变量消除法和连续投影法进行特征波长的选择与提取； (5).判别模型的建立:从红木家具及非红木名贵硬木家具中分别选择三分之二数量的样本构成建模用的训练集样本，建模与实际判别时的光谱预处理方法和特征波长点必须一致，分别建立极限学习机模型； (6).判别模型的验证:调用建立的模型对剩余三分之一数量样本进行验证，判别正确率接近100%。
【文档编号】G01N21/359GK106092957SQ201610384194
【公开日】2016年11月9日
【申请日】2016年6月2日 公开号201610384194.9, CN 106092957 A, CN 106092957A, CN 201610384194, CN-A-106092957, CN106092957 A, CN106092957A, CN201610384194, CN201610384194.9
【发明人】寿国忠, 顾玉琦, 张雯雅, 王佩欣, 赵大旭, 陈浩
【申请人】浙江农林大学