一种消除水分干扰的近红外光谱预测造纸木片基本密度的方法

摘要

本发明公开了一种消除水分干扰的近红外光谱预测造纸木片基本密度的方法。该方法包括如下步骤：采集造纸木片样品失水过程中的近红外动态光谱，并通过外部参数正交化算法(EPO)计算水分校正因子；采集造纸木片在饱水状态下的近红外光谱，并通过水分校正因子对饱水光谱进行水分校正，建立水分校正光谱与基本密度之间的偏最小二乘回归(PLS)模型；对待测样品光谱先进行水分校正，然后再将校正光谱输入模型，进行基本密度预测。该方法通过消除近红外光谱中的水分干扰信息建立稳健的木片基本密度预测模型，有效降低样品水分波动对预测结果的干扰，提高模型在复杂应用环境下的适应性和稳定性。

说明书

技术领域

本发明涉及光谱检测技术领域，具体涉及一种消除水分干扰的近红外光谱预测造纸木片基本密度的方法。

背景技术

基本密度是评价造纸木片制浆性能的一项重要材性指标。在生产设备体积一定的情况下，木片基本密度越大则产能越高，但密度过高的木片软化困难，药液浸渍不均匀，容易导致产品质量不稳定，增加生产成本。因此在制浆生产过程中，有必要对原料木片的密度进行监控，根据木片材性变化，合理调整工艺参数，以保证生产的稳定性。但传统的木材基本密度检测方法对实验条件要求高，测试周期长，无法满足快速批量检测的需求。

近红外光谱具有分析速度快、仪器简单、非破坏性、样品无需预处理等优势,是一种被普遍认可的快速检测技术，该技术在木材材性分析领域应用前景广阔，通过化学计量学方法对样品光谱和材性指标进行关联建模，能够实现对木材化学组分、纤维形态、物理性能多种指标的快速检测。由于近红外光谱对样品水分的特征吸收非常敏感，为避免水分变化的干扰，近红外模型的建立通常是在相对稳定的实验条件下进行，而且要求待测样品的状态与建模样品尽量保持一致。但在制浆造纸行业，木片原料来源复杂，采伐、运输、存储条件的不一致，造成木片水分含量波动较大，在对木片进行近红外分析时，光谱中大量的水分干扰信息会严重影响模型对样品基本密度的预测，限制了近红外技术在实际生产中的应用效果。

发明内容

为了解决木片水分变化对近红外分析的干扰，本发明提供了一种消除水分干扰的近红外光谱预测木片基本密度的方法，基于外部参数正交化算法有效消除光谱中的水分干扰信息，在不降低模型预测精度的同时，提高模型在复杂应用环境下的适用性和稳健性。该方法包括以下步骤：

(1)准备k个造纸木片样品，先将样品在烘箱中105℃烘至恒重，记录木片绝干质量(g)，再将样品在水中浸泡至饱和(即饱水状态)，采用排水法测定木片在饱水状态下的饱水体积(cm

(2)采集水分校正集中的一个样品在饱水状态下的近红外光谱，然后将木片放入烘箱，在35℃条件下缓慢烘干并监测木片水分含量，当木片水分每降低5％时采集一次近红外光谱，当木片水分不再变化时将烘箱温度升至105℃彻底烘干，使木片绝干状态(即水分含量为零)，然后采集绝干状态下木片的近红外光谱；选择水分校正集中的另一个样品，重复上述步骤，直至将水分校正集中所有样品从饱水状态到绝干状态过程中不同水分含量条件下的近红外光谱采集完成；最后将所有样品从饱水到绝干等不同水分条件下采集的光谱组成动态光谱数据集

(3)采集训练集中样品在饱水状态下的近红外光谱，即饱水光谱；通过水分校正因子对饱水光谱进行校正，得到水分校正光谱；然后对训练集样品的水分校正光谱和对应的基本密度值进行偏最小二乘回归建模(Partial least square regression,PLS)，建立水分校正基本密度预测模型。

(4)采集待测样品的近红外光谱，并通过水分校正因子进行校正，将得到的水分校正光谱输入步骤(3)中的水分校正基本密度预测模型中进行预测待测样品的密度。

步骤(1)中，所选用造纸木片样品应为杨木片、桉木片等常用阔叶材造纸木片，木片规格要求为长、宽≤30mm，厚度≤6mm。水分校正集样品数j约占样品总数k的六分之一，训练集样品数(k-j)应不低于50。

步骤(2)和步骤(3)中，进行木片近红外光谱采集的条件和方法为：光谱范围为1100-2300nm，积分时间为80ms，扫描次数为16次，在木片样品表面随机选择10个测量点采集漫反射信号，取平均值作为该样品原始近红外光谱。对原始光谱进行Savitzky-Golay卷积平滑、标准正态变换和一阶导数处理后，再进行后续计算。

进一步的，采用外部参数正交化算法计算水分校正因子并进行光谱水分校正的步骤如下：

(a)计算动态差异光谱

(b)对D的协方差矩阵进行奇异值分解USV

(c)确定EPO因子数g，获取V的前g列子矩阵V(m×g)，计算水分干扰信息矩阵

(d)计算水分校正因子P＝I-Q,I是单位矩阵。

(e)计算水分校正光谱X

所述步骤(3)建立水分校正基本密度预测模型时，通过留一交叉验证法对EPO因子数g和PLS潜变量数Lvs进行优化和确定。

所述步骤(4)采用均方根误差(Root mean square error,RMSE)和决定系数(Determination coefficients,R

式中，m是样品数，y

本发明的有益效果为：

饱水木片最接近于木片基本密度实际测量时的状态，因此在木片饱水状态下采集光谱更有利于建立基本密度预测模型，但光谱中的有用信息主要来自近红外光与木片纤维结构相互作用所加载的信息，此时光谱中大量水分特征吸收作为干扰信息会影响模型的预测性能，本发明利用EPO算法校正木片近红外光谱，在保留光谱有用信息的同时去除水分对光谱的影响，建立水分校正基本密度预测模型，对不同水分条件的样品均有较好的预测精度和稳定性。

对于样品水分对近红外模型的影响，现有解决方法主要是全局建模或分级模型，全局建模是将不同水分条件下采集的光谱共同用于建立全局模型，实现模型对水分变化的稳健性，分级建模是对水分差异大的样品分类独立建模，然后调用与待测样品水分接近的模型进行预测。但全局模型和分级模型的建模工作量巨大，样品制备和模型维护的成本较高。本发明通过对少量样品在不同水分条件下的光谱变化动态监测，计算水分校正因子，直接消除光谱中的水分干扰信息，与已有方法相比，制样和建模成本更低，模型的使用更加灵活方便。

附图说明

图1水分校正集样品在失水过程中的水分含量变化情况；

图2水分校正集样品在不同水分条件下的原始近红外光谱；

图3经过标准正态变换和一阶导数预处理后的光谱；

图4不同g和Lvs组合下的模型交叉验证均方根误差图；

图5水分校正因子矩阵图；

图6训练集饱水光谱水分校正效果图；

图7不同水分条件下的测试集光谱。水分条件：M1:62.15-67.11％；M2:48.31-56.00％；M3:32.11-46.80％；M4:31.50-42.22％；M5:19.05-22.92％；M6:9.48-10.17％

图8不同水分条件下的测试集水分校正光谱。水分条件：M1:62.15-67.11％；M2:48.31-56.00％；M3:32.11-46.80％；M4:31.50-42.22％；M5:19.05-22.92％；M6:9.48-10.17％；

图9饱水光谱基本密度预测模型对不同水分条件下测试集预测结果；

图10水分校正基本密度预测模型对不同水分条件下测试集预测结果。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。

1、样品制备：

本实例所采用的木材样品为107速生杨木，采自山东省济南市，树龄9年，平均胸径35cm。将杨木剥皮后加工成木片样品，木片规格20mm(纵向)×20mm(弦向)×5mm(径向)，共计80个。将所有样品在105℃下完全干燥，记录木片绝干质量(g)，然后再将样品在水中浸泡至饱和，采用排水法测定木片饱水体积(cm

从样品中随机抽取20个做测试集，用于检测模型预测性能。然后将其余60个样品按照基本密度从小到大排列，每间隔五个样品选择一个样品，共挑选10个样品作为水分校正集，用于计算水分校正因子，最后剩余50个样品作为训练集，用于建立基本密度预测模型。各样品集统计信息在表1中列出。

表1样品集基本密度统计信息

2、光谱采集和数据处理

水分校正集：采集样品在饱水状态下的近红外光谱，然后将木片放入烘箱，在35℃缓慢烘干并监测木片水分含量，当木片水分每降低5％时采集一次近红外光谱信号，当木片水分在35℃不再变化时，烘箱温度升至105℃将木片彻底烘干，采集绝干光谱。最后每个样品从饱水到绝干等不同水分条件下共采集14条动态光谱，将所有水分校正集样品的动态光谱组成数据集，利用外部参数正交化算法计算水分校正因子。

训练集：采集样品在饱水状态下的近红外光谱，基于偏最小二乘回归算法建立饱水光谱基本密度预测模型，然后对饱水光谱进行水分校正，建立水分校正基本密度预测模型，通过留一交叉验证法确定EPO因子数g和PLS潜变量数Lvs，以模型校正均方根误差(RMSEC)、模型校正决定系数(R

测试集：将饱水木片在恒温恒湿条件下(23℃，50％RH)自然风干，风干过程中每间隔一定时间(0h、5h、7h、10h、15h、20h)采集一次木片近红外光谱，并记录木片水分含量。最后共采集测试集样品在饱水到风干等6个不同水分条件下的光谱(M1至M6)。分别使用饱水光谱基本密度预测模型和水分校正基本密度预测模型对测试集样品进行预测，以模型预测均方根误差(RMSEP)、模型预测决定系数(R

3、结果与讨论

图1和图2分别是水分校正集样品在失水过程中的水分含量变化情况以及所采集的动态光谱。可以看到，木片整体光谱吸收信号与水分变化有较强相关性，水分越高，吸收信号越强，这主要是由于木片空隙中的水分增加了光的前向散射，提高了对近红外光的吸收率。为了改善基线漂移和谱峰重叠对光谱分析的干扰，对原始光谱进行标准正态变换和一阶导数处理，使光谱特征更加清晰。如图3所示，随木片水分降低，水分子的OH倍频特征吸收波段(1900-2100nm)有着规律性的显著变化。

对动态光谱数据集进行外部参数正交化计算，获取水分校正因子P，并基于训练集优化EPO主因子数g和PLS潜变量数Lvs，优化过程如图4所示，当g<3时，基于水分校正光谱建立的模型预测精度并未受到影响，表明此时光谱中只有水分干扰信息被消除，因此最终确定g＝2，Lvs＝3为最优建模参数。图5是g＝2时的水分校正因子P矩阵图，图中校正因子权重较高的区域主要集中在水分特征吸收波段，这证明EPO算法能够准确获取木片光谱中的水分干扰信息。

表2基本密度预测模型的建模效果

图6是对训练集饱水光谱进行水分校正的效果图，在饱水光谱中1400nm和1900nm波段被宽大的“水峰”占据，而经过水分校正后，水分吸收均被有效消除，同时在1500-1800nm波段，更多的特征吸收也被显现出来。为了评估水分校正对建模的影响，分别使用训练集饱水光谱和水分校正光谱建立基本密度预测模型，结果如表2所示。饱水光谱模型的校正均方根误差(RMSEC)和交叉验证均方根误差(RMSECV)分别为11.06kg·m

采用不同水分条件下采集的测试集样品光谱对模型的稳健性进行外部验证，结果如表3所示。由于近红外光谱对水分的高敏感性，木片水分的变化产生了较大的光谱差异，导致饱水光谱模型在预测不同水分条件下的测试集样品时，预测性能极不稳定(图7)。对于饱水状态的测试集样品，预测预测均方根误差(RMSEP)为12.42kg·m

表3基本密度预测模型对测试集样品的预测效果

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。