你相信吗？竟然可以通过高光谱成像技术检测铜！

《Waste Management》：Wood you believe it—Detecting copper with hyperspectral imaging

　　马克西姆·德凯格尔（Maxime Dekegeleer）、弗雷德里克·德罗（Frederik De Roo）、扬·维尔瓦伦（Jan Verwaeren）、乔里斯·范阿克（Joris Van Acker）、扬·范登布尔克（Jan Van den Bulcke）
根特-伍德实验室（UGent-Woodlab），环境系，Coupure Links 653，根特，9000，东佛兰德，比利时

**摘要**
提高木材资源的循环利用率并促进其级联利用是目前亟待解决的问题。尽管木材中含有大量可回收材料，但它们仍被视为不可回收物。要实现这一目标，关键在于能够识别并管理其中的无机木材防腐剂，尤其是铜基防腐剂。本研究采用高光谱成像（可见近红外和短波红外）技术与人工智能相结合的方法，来检测和评估处理过的木材中的铜浓度范围。为此，研究人员使用了六种木材物种，共收集了1320个样本作为代表性数据集。这些样本包括未经处理的木材以及分别用三种无机铜基防腐剂和两种有机防腐剂处理过的木材，每种防腐剂都应用了多种浓度，以确保模型的稳健性。研究评估了三种模型类型：支持向量分类器（SVC）、偏最小二乘判别分析（PLS-DA）和卷积神经网络（ResNet18）。虽然PLS-DA被作为基线模型，但其线性特性无法有效捕捉高光谱信号中的强非线性特征，导致分类效果不佳。相比之下，SVC和ResNet18模型的准确率均超过了90%，这凸显了非线性方法在处理复杂光谱模式时的优势。作为研究探索的一部分，还使用了ResNet18模型进行了“分布外”（Out-of-Distribution, OOD）泛化测试，以探讨不同木材物种和处理方式对光谱响应和模型行为的影响。测试中，某些木材物种或防腐剂类型被排除在训练集之外，仅用于评估。结果表明，模型性能显著依赖于训练数据集的构成，因此需要涵盖广泛的木材物种和防腐剂类型，以支持模型的稳健泛化能力。

**引言**
2022年和2023年，欧洲木材废料市场（尤其是用于从不可回收木材中回收能源的部分）经历了剧烈波动，主要原因是生物质发电厂对木材废料的需求突然增加。在这一时期，消费后木材废料中的可回收部分被大量用于能源生产，导致价格上涨和材料短缺，进而影响了可回收原料的供应（Taylor, 2022; Smedt, 2022; TOMRA Recycling, 2022）。尽管木材废料价格与能源价格之间的强相关性有所减弱，但价格仍保持在较高水平，这对欧盟提高消费后木材的再利用和高端回收目标构成了挑战（European Commission, 2016）。此外，欧盟还在2024年更新了废物运输规则，这些变化旨在推动欧盟内部的循环经济发展（Council of the European Union, 2024）。然而，由于木材废料在来源和化学成分上的多样性，多种障碍仍阻碍着高端木材回收的实现。

木材通常被认为不可回收，尤其是在受到重防腐剂或历史遗留保护涂料（如含铅涂料和氯化涂料）污染的情况下（Ikenze et al., 2024）。实际上，未经处理的木材、使用无铜的轻质有机溶剂防腐剂（LOSP）处理的木材以及现代涂料、清漆、着色剂或水性饰面处理的木材是可以回收的。重防腐剂通常仅在木材面临严重生物降解风险的情况下使用，例如长期潮湿或直接接触土壤的情况——这些情况对应于较高风险的使用等级3至5（E.N. 460, 2023, E.N. 335, 2013）。这类防腐剂可分为两大类：一类是基于重金属的处理方法（如铜铬砷（CCA）、铜铬硼（CCB）等系统；另一类是有机杀菌剂，如杂酚油和五氯苯酚（PCP）。在某些应用中，结构木材部件上也可能含有红色铅底漆。虽然这些处理方法有效，但它们会向木材中引入持久性和有毒化合物，使其不适合回收利用（Kessler, 2014; OSPAR Commission, 2001; European Commission, 2003）。由于这些物质的历史使用以及许多木质产品的较长使用寿命（通常数十年），这些污染物在未来几年内将越来越多地被处理（Khan et al., 2006; Jambeck et al., 2007; Jones et al., 2019），从而频繁进入木材废料回收链（Augustsson et al., 2017; Robey et al., 2018; Faraca et al., 2019）。

目前，木材废料的分类主要通过源头分离来实现（Krook et al., 2008），方法包括视觉检查（Schild and Cool, 2021）或根据其先前用途进行分类，后者通常参考欧洲废物目录（EWC）代码和EURAL分类标准（European Commission, 2000）。对于使用重防腐剂的应用（如铁路枕木、电线杆、桥梁木材和海洋桩基），这种分类方法效果较好（Solo-Gabriele et al., 2006; Krook et al., 2008; Robey et al., 2018）。例如，在铁路枕木等高风险工业应用中，通常会使用含有PCP和杂酚油等有害有机杀菌剂的木材，因此这种方法非常有效（Kurata et al., 2005; Solo-Gabriele et al., 2006; Faraca et al., 2019）。然而，对于园艺用木材，由于经常同时使用经过处理的软木和未经处理的热带硬木，仅凭先前用途进行分类的效果不佳。在这种情况下，通常依靠视觉检查来判断木材表面是否带有铜基防腐剂的特征绿色色调（Solo-Gabriele et al., 2006）。但Morrell (2015) 和 Schild and Cool (2021) 的研究表明，这种方法并不可靠。阳光照射下绿色色调的褪色可能是视觉识别方法效果不一致的原因之一（Solo-Gabriele et al., 2006）。近年来，随着铬酸铜（CCA）的禁用以及为保持类似杀菌效果而增加的铜含量（Zelinka, 2013），这一问题变得更加突出。随着铬和砷等传统污染物的逐步淘汰（Murphy et al., 2004; Jones et al., 2019），铜预计将成为判断木材是否可回收的关键因素。

目前尚无技术能够同时处理大量木材废料并区分可回收与不可回收的部分。以瑞典一家生物质发电厂为例，铜浓度范围从极低的几百万分之一（PPM）到超过1000 PPM不等（Edo et al., 2016）。这种巨大差异源于少量高度污染的碎片（称为“nuggets”），这些碎片不仅扭曲了平均浓度值，还导致了污染测量的空间、时间和批次间的显著变化，从而影响了木材废料的可靠表征，阻碍了循环经济的规模化发展（Pierre, 2024）。因此，木材废料通常被用于能源回收而非材料回收。在这种不确定性下，大多数利益相关者采取谨慎态度，将废物重新用于制造新产品。如果仍希望使用木材废料，必须通过电感耦合等离子体光学发射光谱（ICP-OES）等湿法实验室分析进行质量控制（I.S.O. 11885, 2007; E.N. 13656, 2020）。这种做法成本高昂且耗时，且由于木材废料的异质性，需要采集大量样本。随后，根据统计分析将木材废料分类为可回收或不可回收（United Nations Economic Commission for Europe, 2023）。未来理想的回收技术应具备可靠性和高处理速度。

为克服传统实验室方法的局限性，多项研究探索了快速、原位分析技术的潜力。基于便携式X射线荧光分析仪（p-XRF）在木材废料污染检测方面的成功应用（Blassino et al., 2002; Solo-Gabriele et al., 2004; Yasuda et al., 2006; Block et al., 2007; Jacobi et al., 2007; Hasan et al., 2011），Hasan等人尝试使用在线XRF原型设备。同时，激光诱导击穿光谱（LIBS）也被研究作为木材废料快速元素分析的替代技术（Moskal and Hahn, 2002; Martin et al., 2005; Gething et al., 2006; Aono et al., 2012）。尽管取得了积极成果，但XRF和LIBS尚未实现大规模工业应用。为解决这一问题，高光谱成像（HSI）作为一种有前景的替代技术出现，它提供了高吞吐量、非破坏性的表面分析能力，适用于自动化分选系统（Data Insights Market, 2025）。然而，针对木材废料污染特点的基础研究仍有限，这限制了其在该领域的广泛应用。

初步研究表明，HSI技术在木材废料分析中具有可行性，尤其是在检测化学处理方面。Feldhoff等人（1998）利用700–2200nm范围内的光谱数据区分了经过硫酸铜（II）、硼酸和三氧化砷处理的木材与未经处理的木材。在此基础上，So等人（2009）证明了CCA处理过的木材可与碱性铜季铵盐（ACQ）处理过的木材区分开来。十年后（Mauruschat et al., 2016），他们使用相同的方法对更多种类的防腐剂进行了更广泛的研究。

本文探讨了利用可见光和近红外（VNIR）及短波红外（SWIR）高光谱成像技术来检测经过铜处理的木材以及不同浓度的铜基防腐剂处理过的木材。主要目标是了解光谱响应在特定铜浓度范围内的变化趋势，重点关注处理强度的总体规律而非细微差异。这一基础性理解对于未来检测和去除高浓度污染物质至关重要。为此，研究评估了三种建模方法：传统的化学计量方法（PLS-DA）、机器学习模型（SVC）和深度学习架构（1D-ResNet18）。卷积神经网络（CNN）在化学光谱分析中应用日益广泛（Houhou and Bocklitz, 2021; Wang et al., 2022）。虽然ResNet最初是为2D图像数据开发的，但其核心原理可无缝应用于1D光谱分析，通过用沿光谱轴操作的1D卷积层替代2D卷积层来实现。与传统化学计量模型相比，CNN通常具有更高的预测性能（Acquarelli et al., 2017），并且减少了预处理的复杂性。Bjerrum等人（2017）证明CNN可以学习类似于传统预处理流程的转换方式，但这种方式更加数据驱动和任务特定。

除了整体分类性能外，本研究还探讨了数据集组成（如木材物种和处理方式的多样性）对模型学习稳健且通用光谱特征表示能力的影响。具体而言，我们假设模型区分不同处理水平的能力不仅取决于木材物种和防腐剂的多样性，还取决于训练数据中存在的物种-防腐剂组合的多样性。

**样本准备**
本研究使用的未经处理的木材物种包括苏格兰松（Pinus sylvestris，西欧）、杨树（Populus sp.，比利时）、云杉（Picea abies，比利时/法国）、阿夫泽利亚木（Afzelia sp.，非洲）、梅兰蒂木（Shorea sp.，马来西亚）和欧洲橡树（Quercus robur，法国）。部分样本还经过了压力处理。选择云杉和松树作为研究对象，因为它们占处理木材总量的绝大多数。