节子影响着实木板材力学性能, 如何准确刻画出节子在实木板材内部的形态, 进而计算出实木板材力学性能是一个具有应用价值的科学问题。 目前, 基于机器视觉的缺陷检测方法实现了实木板材表面缺陷检测与识别, 超声波检测方法可以判断出实木板材中缺陷的存在, X-ray虽然可以全面的掌握实木信息, 但其检测成本较高。 近红外光谱分析具有结构丰富, 测试方便、 无损快速的特点, 但是, 光谱中存在的冗余与非线性信息影响建模精准度, 提出一种基于Isomap和小波神经网络融合的节子倾角辨识方法, 利用Isomap完成光谱信息非线性降维, 运用小波神经网络建立节子边缘的物质成分与倾角间的非线性关联, 通过边缘多点倾角反演出节子在实木板材内部的形态。 首先, 采用Pablo提出的节子斜圆锥模型, 并结合图像处理提取实木板材表面的节子缺陷区域, 计算出相应中心位置; 提取节子边缘的多点位置, 采集光谱信息并完成基线漂移和去噪处理; 然后, 利用K-S划分校正样本集, 运用主成分与马氏距离结合剔除异常光谱; 接着, 运用Isomap方法设定降维数和邻近数, 通过PLS完成不同光谱维度的快速建模, 进而迭代出理想光谱特征; 最后, 应用具有局部信息优化能力的小波神经网络建立节子边缘光谱与该点倾角间的非线性关系, 构建出1个12输入、 1输出的网络模型, 并运用梯度修正网络参数; 将节子倾角预测结果输入Solidworks软件完成节子椎体形态的三维呈现。 实验采用落叶松实木板材作为对象, 选取并采集了40个节子的160组光谱数据, 通过测量上、 下表面节子的相对空间位置, 计算出边缘点倾斜角数值并进行建模分析, 实验结果表明: 采用S-G平滑与一阶导数进行光谱预处理, 得到的光谱轮廓更清晰、 吸收峰更明显; 采用Isomap特征降维方法, 选取非线性降维数d=12、 近邻数k=19时, SECV最小, 可以消除光谱信息的冗余数据; 采用小波神经网络建立的节子倾角非线性模型, 其预测相关系数为0.88, 预测标准差为7.65, 相对分析误差为2.14; 可以实现节子在实木板材内部的形态反演, 可以为力学性能预测提供定量化分析手段。

针对实木板材表面存在的活节、 死节、 裂纹与虫眼4类缺陷, 提出了基于近红外光谱分析的定性识别模型。 随机选取50个样本组成训练集, 30个样本组成测试集, 在室内温度20 ℃、 相对平均湿度50%环境下, 采用900~1 700 nm的近红外光谱仪采集样本表面光谱, 并利用SNV方法进行光谱数据预处理, 以消除固体颗粒大小、 表面散射及光程变化对漫反射光谱的影响； 然后, 采用偏二叉树双支持向量机(PBT-SVM)构建缺陷分类模型, 运用模拟退火算法(SA)对4类核函数、 参数及波长特征进行全局寻优； 寻优过程以97个波长吸收度为输入特征, 运用顺序前向法依次加入新特征, 当分类器准确率达到90%时, 得到核参数及波长特征； 最后, 通过确定的核函数、 参数与波长构建了缺陷分类模型, 并对测试样本集进行了分类验证。 实验结果表明, SNV预处理方法使相同缺陷的近红外光谱具有较好的一致性, 其中, 活节与死节光谱差异显著, 但死节、 裂纹与虫眼的光谱趋势相近； 当PBT-SVM分类器采用多项式核函数、 参数在γ=28.63, coef=18.69, d=1, C=12.03时, 缺陷识别效果最好, 裂纹和活节的识别率达到了100%, 虫眼为93.33%, 死节为93.33%, 平均准确率达到了96.65%, 平均识别时间仅为0.002 s。 利用近红外光谱分析的方法能够快速、 有效地完成4类实木板材缺陷的识别。