在木材干燥过程中，利用集成高光谱成像技术和数字图像关联方法同步监测木材的湿度和变形情况

《Industrial Crops and Products》：Simultaneous monitoring of moisture and deformation during wood drying using integrated hyperspectral imaging and digital image correlation

　　曾文鹏|Te Ma|土川悟|周嘉胜|曹林泉|稻垣哲也
日本名古屋大学生物农业科学研究生院，名古屋市千种区Furo-Cho 4648601

**摘要**
木材的解剖学异质性，特别是边材和心材之间的结构差异，会导致水分传输不均匀和收缩不同，从而常引发干燥引起的缺陷。为了阐明水分分布与机械变形之间的复杂耦合机制，本研究建立了一个结合了高光谱成像（HSI）和数字图像相关性（DIC）的集成监测框架。一个关键的技术挑战是传统碳基DIC散斑图案与近红外（NIR）水分分析之间的光学干涉问题，通过使用经过筛选的NIR透明油墨解决了这一问题。这种新颖的图案化方法能够在可见光谱中实现高对比度的应变跟踪，而不会干扰原有的光谱水分信号。在日本柏木（Chamaecyparis obtusa）上进行的实验表明，经过PLS校准的HSI模型在独立样本上达到了可靠的预测精度（R2 > 0.92，RMSE = 0.072）。共注册的时空分析显示，宏观变形受到非线性耦合机制的控制：虽然心材的初始含水量较低且收缩较大，但由于收缩开始的不同步，边材区域在干燥初期会经历瞬态拉伸应变。此外，在后期干燥阶段观察到了“应变反转”现象，这是由相对于纤维饱和点的累积水分损失历史驱动的。该框架旨在作为微观木材解剖结构与宏观干燥行为之间的方法论桥梁，为理解生长环尺度上的干燥诱导缺陷形成提供机制基础，并为未来针对大尺寸木材优化干燥工艺的工作奠定基础。

**1. 引言**
木材是一种可再生且环保的生物聚合物材料，广泛应用于建筑、家具和各种工程产品中。大多数木材应用的一个关键前提是适当的干燥处理，这能够显著提高其机械性能、尺寸稳定性和加工性（Simpson, 1983）。然而，干燥过程仍然难以控制。核心问题是水分去除自然会导致收缩。更糟糕的是，水分在材料中的迁移并不均匀，从而导致不均匀的收缩，最终产生变形。在不当的干燥条件下，这种变形可能表现为翘曲和裂纹等宏观缺陷，从而降低产品质量和产量（Pang, 2007）。

这种非均匀行为的主要解剖学原因是边材和心材之间的异质性。边材在生长季节早期形成，通常具有薄的细胞壁、较大的胞腔和较低的密度；而心材则在后期形成，其特征是较厚的细胞壁、较小的胞腔和较高的密度（Zhirnova等人，2021）。这些显著的微观结构差异决定了它们在干燥过程中的不同水分储存能力、传输路径和收缩反应。此外，这些组织之间的水分重新分布差异会导致空间上的水分含量（MC）场不均匀，进一步加剧了差异收缩和内部应力的发展（Fu和Lu，2026；Yin和Liu，2021）。因此，能够同时监测边材-心材尺度上水分分布和变形的方法对于阐明这些耦合机制至关重要，最终也有助于优化干燥过程控制。

在以往关于木材干燥诱导变形的研究中，最常用的技术包括切片法和叉刺测试（Zhan和Avramidis，2017）等破坏性方法。然而，这些方法通常只能提供有限区域的平均指标或定性趋势，无法捕捉干燥过程中变形的连续、空间分辨的演变。虽然也采用了基于应变计的测量方法，但其空间分辨率仍受到限制，因为它们仅局部测量样本的变形而非整个场（Tarmian等人，2009）。关于干燥应力测量的综合评论指出了这些实际限制，强调了使用离散测量点准确解释水分不均匀性的难度（Yin和Liu，2021）。随着光学计量学的进步，非接触式方法越来越多地被用于监测干燥变形。其中，数字图像相关性（DIC）被认为是一种特别有前景的技术。它能够在不机械扰动样本的情况下对木材表面进行全场、定量测量位移和应变，非常适合时间分辨监测（Kang等人，2011b）。以往的研究已经成功证明了DIC在捕捉木材复杂干燥应变场发展方面的可行性（Fu等人，2021；Liu等人，2023）。然而，仅凭变形数据不足以完全阐明其背后的水分驱动机制。在许多使用DIC的研究中，变形场通常作为干燥时间的函数进行分析，或与通过称重法确定的体积平均含水量（MC）相关联（Chai等人，2022；Kang等人，2011a）。这样的全局指标掩盖了水分分布的空间异质性——这是导致差异收缩的关键因素（Elustondo等人，2023）。因此，如果没有空间分辨的水分数据，很难将局部应变异常（例如边材与心材之间的差异）与引起它们的具体水分梯度直接联系起来。传统的含水量（MC）测量方法（如称重法）仅提供体积平均值，无法解决空间异质性问题。

近红外（NIR；波长范围：780–2500 nm）光谱已成为湿敏材料水分分析的标准工具。从物理上讲，NIR光谱依赖于基本分子振动的倍频和组合带对电磁辐射的吸收，特别是水分子的O–H伸缩振动，结合多变量校准，已被广泛用于生物量水分的定量评估（Tsuchikawa和Kobori，2015）。具体来说，高光谱成像（HSI）将成像与光谱结合，提供了样本表面上的空间分辨水分含量（MC）图。先前的工作已经证明了NIR-HSI和Vis-NIR在可视化和高精度预测水分含量分布方面的有效性（Kobori等人，2013；Ma等人，2020）。将空间分辨的水分含量感测与全场应变测量相结合，为量化MC-应变耦合提供了一种直接途径，并将边材-心材解剖学异质性与干燥诱导变形联系起来。然而，一个关键的技术挑战限制了这种同时采集：标准的DIC散斑图案通常使用碳黑基涂料或碳粉制成（Reu，2012）。这些碳质材料表现出强烈的宽带光吸收，延伸到近红外光谱区域（Yang等人，2018）。因此，这样的图案引入了显著的光谱伪影和基线偏移，从而干扰了准确预测水分所需的光谱特征。因此，在不降低基于NIR的水分建模精度的情况下实现高对比度DIC图案化仍然是一个重大障碍，尤其是在边材-心材尺度上有效共注册时间分辨HSI水分图与DIC导出的应变场的研究仍然有限。

在这项工作中，我们通过结合高光谱成像和数字图像相关性建立了一个集成框架。关键的是，我们通过使用经过筛选的NIR透明散斑图案克服了光学兼容性问题，从而能够在不干扰原有光谱水分信号的情况下实现高质量的应变跟踪。通过在共同的坐标系统中注册这两种模式，我们同时跟踪了干燥过程中的表面水分含量分布和全场应变演变。这个集成框架能够定量分析边材-心材依赖的水分异质性如何与不均匀收缩耦合，并阐明了导致宏观变形的复杂时空干燥应变演变。选择这种介观生长环尺度作为微观解剖学异质性与工业实践中观察到的宏观干燥缺陷之间的机制桥梁。

**2. 材料与方法**
**2.1. 材料**
实验材料是来自商业木材供应商的日本柏木（Chamaecyparis obtusa）边材。选择边材进行这项研究是为了最小化心材-边材差异带来的变异。边材区域是根据该物种淡黄色边材与红棕色心材之间的特征颜色差异视觉识别的；任何含有可见心材或过渡区的样本都被排除在外。原始材料由三块透明的矩形板材组成，尺寸为600 mm（纵向，L）× 30 mm（径向，R）× 30 mm（切向，T）。样本的平均 Oven-dry 密度为0.355 g/cm3，这与该物种的特征密度范围一致。这些板材经过视觉检查，排除了有可见缺陷或不规则处（如节疤、裂纹、纹理偏差）的区域。

首先使用带锯沿L方向将板材切割成30毫米厚的块状，然后加工成尺寸为30 mm（L）× 30 mm（R）× 3 mm（T）的薄样本。选择3毫米的厚度是为了尽可能减少厚度方向的热和水分梯度，并近似模拟一个准二维条件，以便进行耦合表面测量。L-R平面被选为观察表面，因为边材和心材带在这个平面上大致平行排列并且垂直于径向方向，提供了一个几何上明确定义的配置，便于直接比较边材和心材边界的水分和应变剖面。测量表面用P400砂纸打磨，以确保所有样本的表面粗糙度一致。

在湿润之前，样本在室内常温下存放一段时间，达到大约15%的平衡含水量（EMC）。为了获得高含水量样本，将样本完全浸入水中3天。由于浸入过程中没有使用真空处理，因此没有达到完全饱和。共准备了20个样本。其中16个样本用于校准和验证HSI水分预测模型。通过对每个样本大约11个水分梯度进行时间分辨测量，建立了全面的数据集，以捕捉水分的非线性光谱响应。剩下的4个独立样本接受了结合DIC和HSI的实验，以同时监测干燥过程中的变形和水分运动。

实验程序包括两个主要阶段：（1）HSI水分预测模型的校准，以及（2）使用耦合的HSI-DIC系统同时监测干燥过程中的水分和应变演变。整个实验工作流程如图1所示。

**2.2. HSI水分预测模型的校准**
**2.2.1. 高光谱图像采集**
使用VNIR/HSI相机（NH1，EBA Japan）采集高光谱图像，覆盖可见光到短波近红外范围（400–1000 nm），光谱分辨率为5 nm。探测器提供了640 × 480像素的空间分辨率。手动调整工作距离，以获得大约60 mm的水平视场（FOV），相当于0.094 mm/像素的平面空间采样。照明由500 W卤素工作灯（EARTH MAN，日本）提供，确保目标光谱范围内的足够辐射。相机具有内部扫描机制，允许在相机和样本保持静止的情况下进行高光谱扫描。扫描速度设置为65线/秒，曝光时间为15.35 ms，每个样本的总采集时间约为8秒。

进行辐射度校准，将原始强度值转换为相对反射率。在相同的照明条件下使用标准BaSO4参考面板获取白色参考图像，并在关闭光源的情况下获取黑色参考图像。像素n处的相对反射率Rλ,n根据公式（1）计算：
(1) Rλ,n = (Sλ,n ? Dλ,n) / (Wλ,n ? Dλ,n)
其中Sλ,n是样本的原始强度，Wλ,n是白色参考的原始强度，Dλ,n是黑色参考的原始强度。得到的反射光谱用于后续预处理和模型开发。为了确保校准阶段样本放置的一致性，在HSI平台上使用了物理标记。此外，每次扫描都进行了基于掩膜的感兴趣区域（ROI）提取，以确保仅使用来自木材表面的光谱数据。

**2.2.2. 干燥实验和水分测量**
水分浸渍后，每个样本被取出，表面轻轻拍干以去除可见的液态水，然后立即用HSI成像。为了考虑扫描过程中由于蒸发造成的质量损失，在每次高光谱采集前后立即称重每个样本。记录的平均质量作为该时间点的湿质量。

然后将样本在50°C的温度控制烤箱（DOV-300A，Azwan Co., Ltd.，日本）中干燥。在干燥过程中，每20分钟取出样本进行一次称重–HSI采集–称重序列。这个过程重复了九次，以覆盖整个干燥过程。完成时间序列测量后，所有样本在103°C下烘干48小时，以确定完全干燥后的质量md。参考含水量MCref是使用方程式(2)在干燥基础上计算得出的：(2)MCref=mb+ma2?mdmd2。2.3 PLS建模和统计分析尽管高光谱相机采集了400–1000 nm范围内的数据，但用于水分建模的光谱区域限制在700–970 nm之间。选择较低的截止波长（700 nm）是为了消除来自红色墨水斑点图案的光学干扰，这种墨水在可见光范围内有强烈的吸收，但在近红外（NIR）范围内具有高透明度。较高的截止波长（970 nm）是为了排除检测器灵敏度极限处的低信噪比（SNR）区域，同时确保捕捉到约970 nm处的显著水吸收峰（O–H键合的第二泛音）。通过称重测得的MC值作为参考响应，用于校准偏最小二乘（PLS）回归模型。预测变量是从每个高光谱图像的感兴趣区域（ROI）提取的平均近红外光谱。PLS非常适合光谱数据分析，因为它能够有效地处理相邻波长之间的共线性，并将高维预测变量空间简化为少量的潜在变量（LVs），同时最大化与响应变量的相关性（Wold等人，1984年）。在模型拟合之前，原始光谱经过标准正态变量（SNV）变换预处理，以减轻由木材表面物理变化引起的基线偏移和乘法散射效应（Ma等人，2022年）。数据集被随机划分为校准集（70%）和独立验证集（30%）。选择验证集是为了覆盖几乎整个MC范围，以确保对模型泛化能力的无偏评估。通过在校准集上使用10折交叉验证确定了LV的最佳数量。模型性能使用决定系数（R2）和均方根误差（RMSE）来评估，定义如下：(3)??R2=1?∑i=1nyi??i2∑i=1nyi??2(4)?RMSE=1n∑i=1n?i?yi2其中yi是参考MC，??i是预测MC，??是参考MC值的平均值，n是样本数量。2.3 使用耦合HSI-DIC系统同时监测干燥过程中的水分和应变演变2.3.1 斑点图案的制作为了生成一种高对比度的随机斑点图案用于DIC，同时不干扰基于NIR的水分预测，通过高光谱成像筛选了几种市售墨水。主要选择标准是这些墨水在NIR区域的高透射率，以减少对用于MC估计的光谱特征的干扰。基于这一筛选，选择了一种红色的白板标记笔芯墨水（WBMA-40RF-R，PILOT Corporation，日本）。选择红色墨水是因为它在NIR区域（700–970 nm）具有高透明度。使用雾化喷嘴将墨水施加到木材表面，形成适合高分辨率DIC分析的细小、随机的斑点图案。为了确保斑点图案不会阻碍表面蒸发，墨水以离散的雾化形式施加，而不是连续涂层，从而保持木材表面的自然水分扩散特性。2.3.2 实验设置和数据采集对于耦合的变形-水分监测实验，样品被放置在设定为50°C的温度控制加热板上进行加热。这种底部加热配置是为了保持从顶部表面同时进行HSI和DIC测量的无障碍光路。因此，该设置被设计为一个简化的实验模型，用于原位光学观察，而不是直接模拟工业上的双面对流干燥。由于样品厚度仅为3 mm，因此深度方向上的热阻非常小。这使得整个样品能够快速与加热阶段达到热平衡，从而在整个实验过程中保持表面温度稳定。加热板确保了样品宽度上的空间均匀加热。为了通过称重法跟踪水分损失，在加热组件下方放置了一个电子天平。实验前对天平进行过称量，并在整个干燥过程中连续记录质量变化。表面变形由一台工业相机（Alvium 1800 U-511c，Allied Vision Technologies GmbH，德国）记录，该相机配备了2464×2064像素的传感器分辨率，位于HSI相机正上方。高光谱图像的获取使用与模型校正部分描述相同的HSI系统和照明配置。DIC帧和HSI数据在干燥过程中以3分钟间隔同步获取。（图2）下载：下载高分辨率图像（180KB）下载：下载全尺寸图像图2. 同时监测系统的配置。所有实验都在封闭的暗室中进行，以消除高光谱图像获取过程中的环境光干扰，并防止外部气流到达样品表面。房间温度通过空调系统维持在23°C。该设置旨在近似一个简化的等温干燥环境，在这种环境中，水分去除主要由加热板的传导热传递驱动，而不是对流气流，从而在可重复的热边界条件下隔离水分-变形耦合。为了最小化来自照明源的潜在热贡献，卤素灯仅在每次HSI采集间隔期间（大约每个时间点8秒）激活，并在测量后立即关闭。在这种配置下，通过红外热成像对样品表面的热行为进行了表征，确认样品表面在放置到加热板上后迅速达到了空间均匀和时间稳定的状态（补充图S1）。2.3.3 DIC和HSI数据处理DIC图像序列使用开源软件Digital Image Correlation Engine（DICe）（Turner，2015）进行处理。DIC的基本原理是跟踪样品表面上独特随机灰度模式的位移。算法将ROI划分为小的、重叠的子区域，称为子集。通过最大化参考（未变形）子集和目标（变形）子集之间的相关系数，计算每个子集中心的位移向量（Kang等人，2011b）。相关系数计算使用24像素的子集大小和13像素的步长。从得到的位移场计算全场应变图。对于当前分析，得出了沿平面水平（x，径向）和垂直（y，纵向）方向的应变。DIC处理的详细逐步工作流程在补充图S2中说明。对于高光谱数据，每个像素光谱使用与模型开发中相同的流程进行预处理。然后应用校准后的PLS模型逐像素生成时间分辨的MC图。在同步测量后，样品被干燥至烤箱干燥状态。使用之前描述的基于称重的方法（方程式2）计算平均重力MC，并与从高光谱映射获得的像素平均MC进行比较，以验证测量精度。为了实现水分和变形场之间的直接点对点比较，进行了空间配准。矩形样品的四个物理角作为基准标记，在HSI图像和DIC坐标系统中手动识别。基于这些对应的控制点，计算了一个仿射变换矩阵，以校正空间分辨率、平移和轻微旋转的差异。然后使用这种仿射映射将HSI得到的MC图几何变换以匹配DIC应变场的密集网格。所有后处理步骤，包括光谱预处理、PLS建模、图像配准和统计分析，都是使用MATLAB（版本R2025b，The MathWorks, Inc.，美国马萨诸塞州纳蒂克）进行的。3. 结果和讨论3.1 NIR透明斑点图案的评估为了识别与基于NIR的水分感应兼容的斑点墨水，使用HSI系统筛选了几种市售墨水。主要选择标准是这些墨水在NIR区域（700–970 nm）的高透射率，以减少对用于MC预测的光谱特征的干扰。墨水透明度的评估所选墨水（Ink A）的光谱反射率如图3所示。Ink A在660–980 nm范围内的反射率接近于1，与标准白色参考物相当。这一观察表明该墨水在该区域的光学吸收最小；其高透明度确保了基底的固有反射特性不受影响。下载：下载高分辨率图像（118KB）下载：下载全尺寸图像图3. Ink A、Ink B和Ink C在400–1000 nm波长范围内的光谱反射率曲线。图4显示了使用Ink A喷涂生成的木材样品的随机斑点图案图像。虽然在可见光区域（550 nm）斑点清晰可见，但在近红外区域（850 nm）几乎不可见，完全暴露了下面的木材表面。这证实了墨水图案不会干扰基于NIR范围的高光谱成像的水分含量建模。在确认所选墨水的NIR透明度后，接下来介绍了基于HSI的水分预测模型的开发和验证。下载：下载高分辨率图像（172KB）下载：下载全尺寸图像图4. 在可见光（500 nm）和近红外（850 nm）照明下捕获的具有随机Ink A斑点图案的木材样品图像。(a) 可见光图像（500 nm）；(b) 近红外图像（850 nm）。3.2 HSI水分预测模型的开发图5a显示了不同水分含量下木材样品的原始平均反射光谱。随着MC的减少，整体反射强度增加（即光谱向上移动）。这种全局强度变化归因于水分和多孔木材结构中的水分依赖性光散射减少。具体来说，在干燥过程中，细胞腔和空隙中的自由水逐渐被空气取代。这一过程增加了内部界面的折射率对比度，从而增强了漫射散射。为了最小化这些物理变化效应（例如，散射和路径长度差异）对水分预测的影响，应用了标准正态变量（SNV）预处理（Rinnan等人，2009年）。如图5b所示，经过SNV校正后，950–970 nm范围内的水分相关光谱特征变得更加明显。在这个波长范围内，随着MC的减少，反射率增加，这与减弱的水分吸收一致。这一波长区域被广泛认为是与O–H键合的第二泛音振动相关的水分吸收特征（D’Andrea等人，2009年）。下载：下载高分辨率图像（272KB）下载：下载全尺寸图像图5. 不同水分含量下木材样品的平均NIR反射光谱及SNV预处理的效果。(a) 原始平均反射光谱；(b) 经SNV校正后的光谱。图6a显示了潜在变量（LVs）解释的累计方差百分比，随着PLS模型中包含的LV数量的增加而增加。这条曲线简洁地描述了光谱数据结构以及PLS实现的降维效果。前两个LV已经捕获了大约98%的光谱方差，表明NIR光谱中的主要系统变化与水分MC的变化密切相关。图6b显示了均方根误差（RMSE）作为LV数量的函数。确定最佳LV数量为2，此时模型已经实现了满意的预测精度。避免包括更高阶的LV，因为它们倾向于捕获随机光谱噪声而不是相关的化学信息。这种过拟合不仅会降低模型的稳健性，还会在随后的空间映射过程中引入不必要的噪声伪影。（Faber和Rajkó，2007年）图6c显示了SNV预处理后平均NIR光谱的PLS回归系数。O–H吸收带（950–970 nm）附近的波长区域显示出较大的绝对回归系数。这表明这些带对MC预测有显著贡献，与水分敏感的光谱吸收特征一致。下载：下载高分辨率图像（304KB）下载：下载全尺寸图像图6. PLS建模的结果用于水分预测。(a) 潜在变量解释的累计方差；(b) 潜在变量数量的RMSE函数；(c) PLS回归系数。图7a显示了一个散点图，比较了参考MC值与短波HSI模型预测的MC值。使用两个潜在变量（LVs），模型在校准集和验证集上都达到了0.92的决定系数（R2），验证集的RMSE为0.0724。数据点紧密分布在1:1线上，表明在整个样品范围内测量和预测的MC之间有很强的一致性。为了进一步验证斑点图案的NIR透明度，将校准模型应用于预测干燥实验期间带有图案样品的MC。预测的R2为0.98，RMSE为0.013（相关图见补充图S3）。与校准集相比，性能的提升可能归因于对单个样本中时间变化的跟踪，这有效地消除了样本间解剖异质性对近红外（NIR）信号的影响。这些结果定量证实了斑点模式不会对基于HSI的湿度测量引入显著偏差。下载：下载高分辨率图像（183KB）下载：下载全尺寸图像图7. HSI模型用于预测湿度的性能。(a) 校准集和验证集的预测湿度与参考湿度之间的对比；(b) 校准集和验证集的残差分布。图7b展示了校准集和验证集的残差分布。残差值集中在零附近，呈现出近似正态的对称分布。这表明模型误差主要是随机的，没有显著的系统偏差存在。总体而言，这些结果证实了HSI方法在测试条件下能够提供稳健的湿度测定性能。通过使用经过验证的PLS模型，通过对干燥过程中获得的时间分辨HSI数据进行逐像素应用，生成了空间分辨的湿度图。

3.3. 干燥过程中湿度分布的时空演变通过将建立的湿度预测模型映射到用于DIC和湿度测量的样本上，我们可以可视化干燥过程中湿度分布的时空演变。需要注意的是，尽管超光谱数据是实时采集的，但湿度值是通过将校准后的PLS模型应用于反射光谱来获得的。根据光谱学惯例，本研究中始终使用“预测”一词来指代这些模型得出的估计值，以将其与光谱强度的直接物理测量区分开来。图8a比较了通过重量法确定的平均湿度与随时间变化从HSI预测中得出的平均湿度。两条曲线之间的紧密吻合表明，该模型在超出校准数据集范围的情况下仍然具有很好的泛化能力，并能为独立样本提供准确的湿度估计。在50°C时，干燥曲线显示出最初较高的速率，随后逐渐减慢，这与木材中自由水主导向结合水主导的湿度去除过程一致（Koido等人，2025年）。

3.4. 通过DIC表征的全场应变演变与湿度绘图同时，DIC还捕捉到了全场表面变形情况，如下一节所述。图9a说明了径向（R）和纵向（L）方向上的应变随时间的变化，这两个方向分别对应于DIC分析中的x轴和y轴。在这两个方向上，应变都是负值，并且随时间增加，表明样本经历了宏观上的收缩。值得注意的是，两个方向的应变幅度有很大差异：径向应变是纵向应变的几倍。这种明显的各向异性与木材细胞壁的超微结构一致，其中纤维素微纤丝几乎平行于纵向轴线排列。因此，水分去除主要导致微纤丝方向（即R方向）的收缩，而纵向收缩则保持最小（Fu等人，2023年；Zeng等人，2026年）。因此，后续分析重点关注干燥过程中的R方向应变分布，如图9b所示。图中清晰地显示了干燥过程中湿度分布的可视化效果。在初期阶段，表面湿度在样本边缘处较高，在内部区域较低。这种模式与样本的湿润历史一致，即液体优先从外部边界吸收，而中心区域的渗透性较低。在初始表面湿度中也可以明显看到早材和晚材之间的对比。早材具有更高的孔隙率和更大的细胞腔体积，通常含有更多的自由水，在浸水中更容易被湿润。相比之下，晚材密度更大且渗透性更低，导致初始湿度较低（Zeng等人，2024年）。边缘主导的湿润效应与早材和晚材之间的异质性共同作用，使得最低初始湿度偏离了几何中心，位于映射图像的左侧晚材密集区域。为了客观解释这种湿度不对称的原因，对样本的横截面进行了微观解剖学研究（图7c）。使用Mork原则进行定量分割后发现，左侧“密集”区域中的晚材面积比例为24.5%，远高于正常区域的17.0%。如图7c中的40倍放大视图所示，厚壁晚材细胞的较高浓度减少了可用于储存水分的有效细胞腔体积。这种解剖学差异直接解释了最低初始湿度集中在晚材丰富区域的现象。随着干燥的进行，表面的整体空间异质性逐渐减小。鉴于样本尺寸较小以及木材的强烈解剖各向异性，预计水分重新分布将主要沿着纵向（L）方向发生（Comstock，1970年）。因此，表面湿度图中最显著的对比主要与早材和晚材的结构有关，而不是强烈的从边缘到中心的梯度。

3.5. 通过DIC表征的全场应变演变与湿度绘图同时，DIC还捕捉到了全场表面变形情况，如下一节所述。图9a展示了径向（R）和纵向（L）方向上的应变随时间的变化，这两个方向分别对应于DIC分析中的x轴和y轴。在这两个方向上，应变都是负值，并且随时间增加，表明样本经历了宏观上的收缩。值得注意的是，两个方向的应变幅度有很大差异：径向应变是纵向应变的几倍。这种明显的各向异性与木材细胞壁的超微结构一致，其中纤维素微纤丝几乎平行于纵向轴线排列。因此，水分去除主要导致沿着微纤丝方向的收缩（即R方向），而纵向收缩则保持最小。因此，后续分析重点关注干燥过程中的R方向应变分布，如图9b所示。图中明显可以看到早材和晚材之间的显著对比：晚材的收缩应变明显大于早材。这种差异归因于晚材更紧密的微观结构——其特征是更厚的细胞壁和更紧凑的排列——这导致在水分流失过程中更大的累积尺寸变化（Gao等人，2022年）。此外，在干燥早期阶段，左侧和右侧的收缩模式也存在不对称性；这种空间非均匀性将在下一节中讨论。

3.5. 水分-变形耦合的共注册分析为了进一步研究湿度分布与变形之间的关系，将DIC得到的应变场和HSI预测的湿度图注册到一个共同的坐标系统中。这使得可以在相同的空间位置和时间点上进行应变和湿度的逐点比较。（请参阅ESM_2.mp4以查看可视化共注册场的动画）由于年轮大致垂直于x轴，我们通过逐列平均将二维场简化为一维的x方向剖面。该过程提供了早材/晚材分界的代表性趋势，包括湿度和应变的变化。图10展示了三个代表性时间点（0分钟、30分钟和102分钟）的剖面，分别对应于初始状态、早期干燥和晚期干燥。在0分钟时（图10a），湿度剖面在空间上是异质的：最低湿度偏移到了左侧，而不是位于几何中心。这种偏移与早材和晚材分布的不均匀性以及浸水过程中的边缘主导湿润的共同效应一致，导致了初始阶段的左右不对称。正如预期的那样，此时早材的湿度高于晚材。

为了进一步研究水分分布与变形之间的关系，将DIC得到的应变场和HSI预测的湿度图注册到一个共同的坐标系统中。这使得可以在相同的空间位置和时间点上进行应变和湿度的逐点比较。（请参阅ESM_2.mp4以查看可视化共注册场的动画）由于年轮大致垂直于x轴，我们通过逐列平均将二维场简化为一维的x方向剖面。这种方法得到了早材/晚材分界的代表性趋势。图10展示了三个代表性时间点（0分钟、30分钟和102分钟）的剖面，分别对应于初始状态、早期干燥和晚期干燥。在30分钟时（图10b），出现了一个显著的特征：右侧早材区域的应变暂时变为正值，表明发生了局部拉伸变形。这种局部拉伸应变与整体收缩趋势相反，因此需要进一步解释。一个合理的机械解释是早材和晚材之间的应变不兼容性。由于晚材通常会产生更大的收缩，它可以对相邻的早材施加拉伸应力（Chai等人，2022年；Gao等人，2022年）。重要的是，共注册的湿度剖面显示，在此阶段晚材的湿度明显低于早材。先前的研究报告指出，日本柏木边材的FSP（自由水饱和度）往往超过软木通常接受的28-32%范围（技术和利用部门，1982年）。基于此，可以合理假设晚材区域——最初湿度较低——在这一阶段已经局部接近或低于其FSP阈值，而早材区域则保持在FSP以上。我们假设这种不对称的收缩开始，加上连续样本的机械约束，导致了早材区域观察到的局部拉伸应变。此外，初始湿度分布的左右不对称进一步放大了非均匀变形。左侧起始湿度较低，因此较早开始收缩并且收缩更快。由于连续样本内的运动学兼容性，这种差异性收缩会对右侧施加额外的拉伸载荷（Ou，1996年）。这种机制与早期观察到的左侧主导的收缩现象一致。随后，随着干燥过程进展到中间阶段（大约60分钟），早期观察到的显著湿度梯度和局部应变对比逐渐减弱，使得样本的收缩模式更加均匀。在102分钟时（图10c），应变场发生了显著的逆转。整个样本的径向应变主要变为负值，表明整体上发生了收缩，且与早期阶段相比空间异质性显著减少。最引人注目的是，之前表现出局部张力的右侧现在显示出最大的收缩幅度，甚至超过了左侧。这种“应变反转”与相对于FSP的累积水分损失历史有关的机制一致。我们假设，尽管右侧由于初始湿度较高而较晚进入收缩阶段，但一旦局部湿度降至FSP以下，它随后经历了更快的湿度下降，从而加速了收缩。这种解释得到了共注册湿度剖面的支持，这些剖面显示在30分钟到102分钟之间右侧的总湿度下降幅度大于左侧。据我们所知，这是首次利用HSI-DIC同时绘制这种由不对称水分历史驱动的收缩主导阶段转换的报告。总的来说，这些观察揭示了控制变形的主要机制的转变。在早期阶段，应变模式主要受初始湿度不对称性和早材与晚材的空间排列控制。然而，在后期阶段，水分重新分布的累积历史——特别是湿度降至FSP以下的时间和幅度——成为收缩异质性的主要驱动因素（Gao等人，2022年）。表面湿度场的逐渐均匀化反映在应变分布的相应均匀化上。本研究观察到的现象表明了一种潜在的表面检查启动机制，即时间和空间收缩积累的不均匀性在生长环界面产生了应力集中。虽然这里没有观察到宏观缺陷——可能是由于样本厚度有限（3毫米），从而最小化了内部约束——但在全尺寸木材中，这种差异性变形预计会更明显。应该注意的是，本研究没有进行直接的局部FSP测量，早材和晚材的FSP值可能略有不同。尽管如此，鉴于不同组织类型和不同干燥阶段观察到的湿度差异显著超过了报告的 hinoki 边材 FSP 变化范围，所提出的机制解释在物理上是一致的，并且对此不确定性具有鲁棒性。

为了评估解剖异质性与应变演变之间观察到的关系的可重复性，我们对多个独立样本进行了相同的分析。在所有重复实验中，关键的空间特征都得到了一致观察到，包括最低初始表面湿度在晚材丰富区域的定位以及特征性的非均匀径向应变演变（补充图S4）。在所有样本中，最低初始表面湿度都与相应的光学图像中识别的晚材密集区域共定位。此外，样本显示了明显的初始湿度不对称性和非均匀的应变演变模式，这些模式反映了主要分析结果，包括早期阶段的早期拉伸应变以及后期收缩幅度的左右反转。总体而言，这些结果证实了解剖结构、非均匀初始湿度分布与木材干燥过程中复杂变形模式之间的强相关性。应该注意的是，当前的实验配置采用了单侧热板加热方式，这与工业窑干条件不同，后者通常涉及双向对流气流。这种简化的设置是由于HSI–DIC系统的光学可访问性要求所必需的。虽然薄样品的几何形状（3毫米）可以最小化厚度方向上的温度梯度，但研究结果应在基于受控介观尺度模型的背景下进行解释，该模型研究侧重于机理理解，而非直接模拟工业过程。从这种受控配置中获得的机理洞察将为在更具工业代表性的条件下进行未来研究提供基础。

4. 结论

在这项研究中，我们建立了一个非破坏性的多模式监测框架，该框架将HSI与DIC相结合，以同时可视化木材干燥过程中的水分分布和全场应变演变。这种方法的一个关键创新是使用了经过筛选的 NIR 透明油墨，这种油墨能够在不干扰水分预测所需的光谱特性的情况下，为 DIC 实现高对比度的散斑图案。通过将 MC（水分含量）场和应变场注册到一个共同的坐标系统中，我们实现了对早材和晚材尺度上水分传输与机械变形之间耦合的点态定量分析。

实验结果证实了这种双传感器系统的稳健性。经过 SNV（光谱噪声去除）预处理并通过 PLS（偏最小二乘法）校准的 HSI 模型，无论散斑图案如何，都能实现高精度的水分预测；而 DIC 分析成功捕捉到了各向异性的收缩行为。基于这种综合分析，观察到早材和晚材之间存在明显的时空差异。晚材区域的初始水分含量始终较低，但收缩应变较大。至关重要的是，联合分析揭示了宏观干燥变形受到复杂的非线性耦合机制的支配。在早期干燥阶段，早材区域检测到了瞬态拉伸应变，这种现象归因于收缩的异步发生——即由于晚材的水分含量较低而较早收缩，以及由更硬、正在收缩的晚材所施加的机械约束。随着干燥进入后期阶段，由于初始较湿润区域的累积水分损失更大，发生了“应变反转”。

总体而言，这种 DIC–HSI 框架提供了一种直接的实验方法，可以量化由水分驱动的变形机制，并具有足够的空间分辨率来区分早材和晚材的效应。未来的工作将致力于使用更大尺寸的样品来验证这一假设，并研究在此应变反转阶段优化干燥时间表是否可以有效减少缺陷的形成。此外，还将尝试将现有的 HSI–DIC 框架扩展到更符合工业烘干条件的情况，例如对流气流加热和较高的干燥温度，以评估所识别机制的更广泛适用性。

**作者贡献声明**

Tetsuya Inagaki：撰写、审稿与编辑、方法论、研究、资金获取。
Wenpeng Zeng：撰写、审稿与编辑、原始草稿撰写、方法论、正式分析、数据管理、概念化。
Satoru Tsuchikawa：撰写、审稿与编辑、研究。
Te Ma：撰写、审稿与编辑、方法论、研究、资金获取。
Linquan Cao：资源提供、数据管理。
Jiasheng Zhou：撰写、审稿与编辑、方法论。