从光谱到化学图谱:利用SWIR高光谱成像技术无损预测金丝木中的纤维素、半纤维素和木质素含量
《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:From spectra to chemical maps: SWIR hyperspectral imaging for non-destructive prediction of cellulose, hemicellulose, and lignin in golden-thread wood
【字体:
大
中
小
】
时间:2026年06月14日
来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3
编辑推荐:
齐一聪|曲一辰|马文博|罗晓|唐书琪|张寅中国四川成都610041,西南民族大学建筑与设计学院摘要对木材化学成分进行准确、无损的评估对于评价珍贵沉香木的质量和利用价值至关重要,但传统的化学分析方法具有破坏性,且无法描述空间异质性。本研究采用短波红外高光谱成像技术(900–1700
齐一聪|曲一辰|马文博|罗晓|唐书琪|张寅中国四川成都610041,西南民族大学建筑与设计学院摘要对木材化学成分进行准确、无损的评估对于评价珍贵沉香木的质量和利用价值至关重要,但传统的化学分析方法具有破坏性,且无法描述空间异质性。本研究采用短波红外高光谱成像技术(900–1700纳米),对沉香和缅甸沉香的纤维素、半纤维素及木质素含量进行预测与分布绘制。研究系统评估了光谱预处理、波长选择以及回归建模策略,并构建了一种级联型CNN–Transformer模型,用于整合局部吸收特征与长距离光谱依赖关系。全谱SNV数据最有利于纤维素含量的预测,而SPA筛选出的波长则能提升半纤维素和木质素含量的预测精度。最优模型分别为:用于纤维素预测的SNV-CNN-Transformer模型(R2p=0.6784,RPD=1.7867),用于半纤维素预测的SPA-SNV-CNN-Transformer模型(R2p=0.7719,RPD=2.1213),以及用于木质素预测的SPA-SNV-CNN-Transformer模型(R2p=0.7973,RPD=2.2503)。像素级预测图进一步展示了这三种成分在木材横截面上的空间分布情况。这些结果表明,结合CNN–Transformer模型的短波红外高光谱技术为珍贵沉香木的无损化学评估与空间特性分析提供了一种有效方法。引言“金丝木”是指一类因耐用性和美观性而被广泛用于传统建筑、修复工程以及高端木制品的高价值木材[1]。在实际应用中,这一术语并非严格的植物学分类,通常涵盖几类颜色、质地和材质特性相似的珍贵木材,包括沉香(樟科)和绿檀(木兰科),后者常被称为“缅甸沉香”[2]。尽管这些木材被归为同一商业名称,但由于物种来源和材质构成的差异,其性能和利用价值可能存在差别。因此,对其关键材质特性进行客观表征,对于质量评估、资源利用以及相关保护工作具有重要意义。先前的研究表明,木材的力学性能、耐久性和稳定性与细胞壁化学成分及超微结构密切相关。木质素含量的变化会显著影响纤维层面的抗拉性能和抗机械变形能力[3],而基因改造研究则揭示了木质素含量与超微结构排列对宏观力学性能的协同影响[4]。此外,纤维素-半纤维素网络的空间排列对于调控木质建筑材料的刚性、吸湿性及尺寸稳定性起着关键作用[5]。所有这些研究都表明,对纤维素、半纤维素和木质素进行定量表征,对于理解性能差异以及基于性能的高价值建筑用材评估与利用具有重要意义。然而,尽管传统湿化学分析方法的分析精度很高,但其具有破坏性、劳动强度大,且不适合用于结构和古建用途中珍贵木材的高通量或原位分析[6]。因此,亟需快速、无损且定量的方法,以便对金丝木进行数字化表征与性能评估。由于具备快速和无损的特性,光谱技术已被广泛应用于农产品和林产品的质量评估中[7][8][9]。在木材研究中,近红外光谱和拉曼光谱等基于点的数据分析方法结合多元分析技术,已展现出对木材物理和化学性质进行定量预测的潜力[10][11]。不过,这类方法通常只能提供局部或平均信息,难以有效捕捉木材固有的空间异质性,除非大幅增加采样密度。为此,能够同时获取光谱信息和空间信息的高光谱成像技术逐渐受到重视,被用于分析具有异质性的木材材料。高光谱成像技术可同时获得连续的光谱响应和像素级的空间信息,为结构-光谱分析提供了有力依据[12][13][14]。以往的研究已将高光谱成像技术应用于木材密度预测、水分迁移监测、横截面密度绘制,以及密度、微纤丝角等相关结构参数的高空间分辨率表征。例如,袁等人通过特征修正和选择方法提升了绿色木材密度的预测精度[15],马等人则利用近红外高光谱技术追踪了木材干燥过程中的水分迁移行为[16]。Chambi-Legoas基于高光谱成像技术构建了局部加权PLSR模型,用于预测桉树的横截面密度分布[17]。Schimleck等人则在环境干燥和空气干燥条件下开发了全谱及基于遗传算法优化的PLSR密度预测模型,研究结果表明特征选择并未显著提升模型的预测精度[18]。马等人则利用短波红外高光谱成像技术和SilviScan数据,对日本柳杉的木材密度、微纤丝角及相关物理结构参数进行了高空间分辨率建模,实现了年轮尺度上的性能分布表征[19][20]。这些研究都证明了高光谱成像技术在描述木材内部异质性方面的潜力。然而,目前大多数基于高光谱成像的木材研究主要聚焦于物理性质和结构参数,而对于珍贵木材中主要细胞壁化学成分的高精度预测和空间映射研究仍相对不足。由于纤维素、半纤维素和木质素的SWIR吸收特征往往因OH、CH和CO振动响应的相似性而出现重叠,因此利用高光谱成像技术进行可靠的生化预测仍然面临挑战。此外,木材的异质性、表面粗糙度、含水率变化以及光散射效应都可能引入与化学成分无关的光谱变化。高光谱数据的高维性和高度相关性,以及化学检测样本的有限性,进一步加剧了建模的复杂性并增加了过拟合的风险。因此,传统机器学习方法在捕捉非线性光谱响应和复杂的结构-化学关系方面存在局限[21][22]。为应对这些挑战,深度学习方法越来越多地被引入高光谱数据分析领域,基于CNN的模型能够自动提取局部光谱或光谱-空间特征,而与Transformer相关的架构则有助于建模光谱带之间的长距离依赖关系[23][24]。除了针对特定任务的模型外,近年来的基于人工智能的高光谱研究还探索了大规模的光谱-空间表示学习以及模型引导的可解释学习方法。例如,SpectralGPT展示了预训练的生成式Transformer模型在遥感场景理解方面的潜力[25],而LRR-Net则说明了如何将低秩表示展开为可用于高光谱异常检测的可解释深度网络[26]。这些研究表明,高光谱成像建模正朝着更强的表示学习和更高的可解释性方向发展。不过,目前的许多进展都是为遥感分类、分割或异常检测而开发的,而木材生化预测则仍属于小样本回归问题,且木质纤维素的吸收特征较为弱且存在重叠。鉴于此,本研究采用了CNN-Transformer回归框架。与传统化学计量模型相比,CNN-Transformer模型能够在单一回归框架内同时学习局部光谱模式以及远距离光谱带之间的依赖关系。这种设计非常适合用于短波红外高光谱数据,因为有用的预测信息可能分布在多个波长区域。随着模型复杂度的提升,可解释性也变得愈发重要。SHAP等可解释性分析方法能够帮助识别对模型输出贡献最大的波长区域,从而判断模型结果是否与已知的光谱特征一致[27]。基于以上考虑,本研究利用900–1700纳米范围的短波红外高光谱成像技术,对金丝木中的纤维素、半纤维素和木质素进行了无损预测。与以往主要关注木材物理或结构性质的基于高光谱成像的研究不同,本研究着眼于主要的细胞壁化学成分,并分析了它们的大致空间分布。研究首先通过光谱预处理和波长选择方法,减少了非化学因素带来的干扰以及冗余的光谱信息,随后构建了结合局部光谱特征提取与长距离依赖关系的CNN–Transformer回归模型。此外,还运用SHAP分析方法,确定了对模型预测贡献最大的波长区域。最后,通过生成像素级预测图,直观展示了这三种成分在木材横截面上的空间分布格局。样本准备本研究共收集了196份金丝木样本,其中包括来自中国四川的100份沉香样本,以及来自缅甸的96份缅甸沉香样本。这些样本均取自约30年生的人工成熟树木。心材木板在胸高位置(1.3米)被切割下来,然后在实验室条件下加工成4×4×4厘米的立方体样本(见图1)。光谱采集本研究采用了900–1700纳米范围的短波近红外高光谱成像系统,对样本进行成像和分析。木材化学成分的基本统计分析表1展示了两种沉香品种中木质素、纤维素和半纤维素的含量统计数据。沉香的纤维素含量为33.41±0.90%,半纤维素含量为13.90±0.68%,木质素含量为35.77±1.13%。相比之下,缅甸沉香的纤维素含量更高(35.18±0.78%),半纤维素含量也更高(15.84±0.76%),而木质素含量则低于沉香(32.54±0.66%)。这些数据表明,两种沉香在化学成分上存在显著差异。结论本研究证明,结合短波红外高光谱成像技术与CNN–Transformer回归模型,可实现对沉香类木材中纤维素、半纤维素和木质素的無损预测。预测效果因成分而异:使用全谱SNV-CNN–Transformer模型对纤维素的预测精度处于中等水平(R2p=0.6784,RPD=1.7867),而使用SPA-SNV-CNN–Transformer模型则能获得更高的定量精度,分别用于预测半纤维素(R2p=0.7719)和木质素(R2p=0.7973)。作者贡献声明齐一聪:概念构思、研究实施、资金申请、初稿撰写;曲一辰:数据整理、论文审阅与编辑;马文博:方法设计、软件应用;罗晓:模型验证、软件应用;唐书琪:研究实施、模型验证、软件应用、初稿撰写;张寅:研究实施、正式分析、方法设计。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金青年科学基金[52308038]、国家民族事务委员会高等教育教学改革研究项目[23022]、西南民族大学教育教学研究与改革项目[23018]、西南民族大学引进人才科研启动基金[16011231031]以及西南民族大学中央高校基本科研业务费[ZYN2024002]的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号