近红外光谱与连续投影算法：针叶材节子缺陷高效识别

本文主要探讨了基于近红外光谱（Near Infrared Spectroscopy, NIRS）和连续投影算法（Successive Projection Algorithm, SPA）的针叶材表面节子缺陷识别技术。近红外光谱作为一种无损检测方法，被用于木材质量评估，尤其是对于木材内部结构如节子（knots）的识别，因为节子可能影响木材的强度和美观度，对木材加工行业的分级和定价至关重要。 研究者首先对比了不同光谱预处理方法（如一阶导数、二阶导数等）和建模策略（如最小二乘支持向量机, Least Squares Support Vector Machine, LS-SVM）对节子识别效果的影响。实验结果显示，一阶导数光谱结合LS-SVM在识别单一树种和混合树种板材节子时表现出最佳性能。这意味着通过这种组合，能够更有效地提取和区分节子特征。 接着，研究者针对混合树种板材，构建了一种通用的节子识别模型，利用连续投影算法对特征波长进行优化。连续投影算法在此过程中发挥了关键作用，它从众多的光谱变量中筛选出15个关键波长，仅占总波长的0.87%，这显著减少了模型复杂性，提高了模型的预测精度。实验验证了LS-SVM模型简化后的表现，其在测试集上的敏感性、特异性以及识别准确率分别达到了0.990、0.954和97.44%，这显示出该方法在实际应用中的高效和准确性。 这篇论文展示了如何通过近红外光谱和连续投影算法对针叶材表面节子进行快速且精确的识别，这对于提升木材加工的自动化水平，减少人工检验成本，以及确保产品质量控制具有重要意义。同时，连续投影算法作为特征选择工具，证明了其在简化模型和增强预测能力方面的作用。这些成果对于推动木材工业的智能化和可持续发展具有积极的推动作用。