引言

木質建筑是中國傳統建筑類型之一，其主體框架構件使用木材作為材料。木材具有強吸濕性，長期處于濕潤狀態容易滋生真菌引起木材發生霉變甚至腐爛，降低建筑的穩定性、安全性和機械強度等結構性功能。因此，準確評估木材狀態可以為建筑健康檢測，木構件修復更換和預防保護提供數據支持。

目前，評估木材狀態的主要方法為探測法，具體是指通過壓力波對木材構件的木芯樣本進行霉變檢測，可實現木材嚴重霉變情況下的評估，但無法檢測出木材的初始霉變狀態。木材潮濕與正常狀態下的不同介電常數值作為評估霉變初始狀態的判定標準之一，主要檢測方法是利用微波反射儀觀察介電常數對反射系數的影響，實現霉變初始區域的預判，但該方法需專業人員進行操作且實驗過程復雜。高光譜技術由于具有快速、無損、高效等特點，近年來應用廣泛。BURUD等利用高光譜相機對木材表面的霉菌進行種類判別和覆蓋量量化，證實了利用高光譜信息檢測木材霉變的可行性。含水量作為木材霉變的主要影響因素之一，若超過纖維飽和點就會增加木材感染真菌的風險，因此預測木材的含水量可以為進一步評估霉變初始狀態提供幫助。KOBORI等利用可見-近紅外高光譜成像技術預測木材在自然干燥過程中的含水量，通過全光譜反射率建立木材含水量的預測模型，表明高光譜成像技術在監測木材含水量方面具有很大潛力。CHEN等采用特征變量選擇算法提取木材高光譜數據的有效波長，建立了更穩定高效的木材含水量預測模型。但這些高光譜技術多數依賴被動光源（比如太陽、鹵素燈），實驗場景受到限制，不適用于建筑的現場檢測評估。高光譜激光雷達系統（HSL）同時具有高光譜成像和激光雷達探測的優點，可以主動探測目標獲取光譜信息和空間信息，目前已被應用于古建筑保護領域，實現了木材構件材料種類和使用年限的分類，但將其應用于木材狀態評估方面的研究較少。

為準確檢測評估木材的霉變與含水量，本文利用自研的101通道高光譜激光雷達系統主動獲取光譜信息。首先利用地物光譜儀驗證該系統光譜反射率的準確性，然后在實驗室環境下利用HSL采集木材霉變發生發展過程的光譜信息，并獲取木材不同含水量的光譜數據，分析木材正常、潮濕和霉變不同狀態的光譜特征。最后基于不同特征波長選擇算法對木材含水量的光譜反射率進行特征波長提取，分別建立偏最小二乘回歸模型并選出預測性能最佳的模型。

實驗部分

2.1 實驗儀器

實驗所使用的HSL系統的光譜范圍為550nm ~ 1050nm，光譜分辨率為5nm。系統實物圖如圖1a所示，由發射單元、掃描控制單元和信號采集單元三個部分組成。通過超連續激光器主動發射寬譜段激光脈沖并利用聲光可調諧濾波器在不同時刻發射出不同波長的激光信號。系統采用雪崩光電二極管和高速采集卡探測和記錄回波信號，可同時獲取目標的三維空間坐標和101個通道的全波形回波強度信息。

由于該HSL系統是原型機，因此利用萊森光學iSpecField-HH便攜式手持地物光譜儀進行光譜準確性驗證，如圖1b。其波段范圍為300nm ~ 1100nm，光譜分辨率為1nm，固定光源選取功率為2500W的鹵素燈，鏡頭視場角為8°。

圖1 儀器 （a）高光譜激光雷達系統; （b）地物光譜儀

2.2 實驗樣本

樣本取自安徽省黃山市某木質建筑修繕現場，為修復損傷木構件的替換木材，均為表面無雜質、無損傷、無蟲眼的健康原木。種類分別為香樟、水曲柳和白松，將白松樣本截斷成大小為4cmx3cmx3cm的木塊。其中，香樟、水曲柳實驗樣本用于光譜準確性驗證，白松樣本用于木材的霉變發生發展過程的光譜變化特征分析和含水量預測。

2.3 光譜數據采集

首先掃描前將樣本置于距激光器5m處，確保激光器射出的光源垂直入射被測樣本，然后設置轉臺推掃間隔和掃描范圍，對實驗樣本進行數據采集，最后在相同位置采集反射率為99%的漫反射參考白板的光譜數據。利用樣本的回波信號強度響應數值和參考白板的回波信號強度響應數值，根據公式（1）計算每個掃描點的光譜反射率。HSL掃描一個點，即獲得目標一組光譜數據。HSL測量的光譜反射率為：

圖 9 高光譜舌圖像光譜特征圖

式中，λ表示波長，ρt（λ）表示目標物體的光譜反射率，ρs（λ）表示參考白板的光譜反射率，ft（λ）和fs（λ）分別表示目標物體和參考白板的回波信號強度響應數值。

完成HSL數據采集后，立即用地物光譜儀對樣本同一位置進行數據采集。鏡頭位于樣本垂直上方15cm處且測量過程中保持距離不變。由于地物光譜儀在工作時會產生暗電流，為消除其對測量數據的影響，每5分鐘左右采集一次暗電流。在測量實驗樣本之前先進行白板校正，每10分種左右測量一次白板作為對比參照。每測量一次，共采集五組光譜數據。

2.4 含水量測量

根據國家現行標準，首先將30塊白松樣本浸沒水中48小時以吸收充足水分，然后利用HSL采集每個樣本的光譜數據，并立即使用精密電子分析天平（上海力辰邦西ES2055B，精度0.001g）測其質量。隨后將樣本放入100℃的電熱恒溫干燥箱（上海精宏DHG-9001A），每隔30分鐘采集一次光譜數據和樣本質量，重復十次，共采集300組樣本數據。最后利用恒溫干燥箱將所有白松樣本烘干48小時至恒重（最后兩次稱量之差不超過實驗樣本質量的0.5%）。樣本含水量由下式計算所得：

式中， Mc表示樣本含水量，Mi表示第i次稱重的樣本質量，M0表示樣本干重。

以2：1的比例隨機選取200組數據作為校正集，預測集數量為100組，表1為樣本集劃分結果。其中校正集Mc范圍為8.3792% ~ 97.3527%，預測集Mc范圍為11.6189% ~ 94.6487%，當校正集Mc范圍大于預測集Mc范圍時，有利于建立穩定的預測模型。

表1 樣本集劃分及含水量

3、方法

3.1 特征波長選擇算法

3.1.1 競爭性自適應加權采樣算法

競爭性自適應加權采樣算法（CARS）基于蒙特卡洛采樣結合偏最小二乘法，輸入全光譜數據，選取重要性較大的波長，多次迭代得到多個不同波長子集，根據交叉驗證選取均方根誤差最小的波長子集。

3.1.2 連續投影算法

連續投影算法（SPA）基于投影操作，對原始光譜矩陣進行投影，選取最大投影的向量作為特征波長，多次迭代后選取均方根誤差最小的波長子集。

3.1.3 競爭性自適應重加權采樣-連續投影算法

競爭性自適應重加權采樣-連續投影算法（CARS-SPA）組合算法首先通過CARS算法淘汰全光譜信息中的無關變量，然后再利用SPA對CARS初次選擇的特征波長進行二次有效特征波長選擇。

3.2 模型建立與評價標準

偏最小二乘回歸（plsr）是一種用于定性或定量的建模方法，可建立光譜反射率與木材含水量之間的回歸模型，實現光譜反射率對木材含水量的快速預測。

為了評估PLSR模型性能，采用相關系數R 2和均方根誤差（RMSE）作為評價標準，R 2和RMSE分別表示實驗樣本含水量真實值和預測值之間的決定系數和偏差，若模型的R 2值越高，RMSE值越低，則預測精度越高。其中，校正集均方根誤差（RMSEC）和預測集均方根誤差（RMSEP）分別用于評價模型不同數據集的預測精度。

4、結果與分析

4.1 HSL光譜準確性驗證

圖2a和圖2b分別表示香樟、水曲柳通過HSL和地物光譜儀所測得的光譜反射率曲線。為保證波長范圍的一致性，地物光譜儀選取與HSL相同的光譜范圍。

圖2 HSL與地物光譜儀反射率對比 （a）香樟; （b）水曲柳

可以看出，兩種儀器測量得到的光譜反射率曲線趨勢大體一致，但在 550nm ~ 595nm 和 950nm ~ 1050nm 波段范圍內差異較大，主要是由系統光電探測器件非線性效應造成的。在 550nm ~ 595nm區間內的輸出能量較小且與峰值之間的能量相差很大，950nm ~ 1050nm 范圍內的量子效率較低，影響了光譜信號的獲取。兩者光譜反射率曲線在 595nm ~ 950nm 區間內一致性較高，證明 HSL測量的光譜數據是可靠的。為確保數據準確性，選取 595nm ~ 950nm 作為后續實驗數據的分析范圍，波段數量為72。

4.2 霉變發生發展過程的光譜分析

4.2.1 樣本霉變發生發展的過程

為分析木材霉變發生發展過程的光譜變化，在實驗室環境下對同一塊白松樣本的同一區域進行四個月的間隔性光譜測量（實驗室位于安徽省合肥市）。7、8、9月正處江淮地區梅雨季節，木材易發生霉變，光譜測量時間分別為2021年7月10日、7月10日、7月19日、8月25日、9月26日和10月30日。第一次測量的是未經任何處理的正常白松樣本，然后將其浸沒水中4小時，取出瀝凈后測其潮濕狀態的光譜數據視為第二次光譜測量。隨后將其繼續浸沒水中48小時至吸收足夠水分，置于實驗室無陽光照射的地磚上，待其自然生長成表面附霉菌狀態。實驗樣本的霉變腐爛狀態屬于原木斷面邊腐，如圖3a所示，進行第三次測量；37天后，樣本表面霉菌狀態如圖3b所示，進行第四次測量，黑色框內為光譜測量區域。第五、六次測量區域的霉菌全部呈現綠斑狀。

圖 3 霉變樣本 （a）第三次測量（霉變初步形成）; （b）第四次測量（霉變充分發展）

4.2.2 霉變發生發展的光譜變化

六次測量的光譜反射率如圖4所示，可見，正常和潮濕狀態下的光譜曲線波形相似，但潮濕狀態的光譜反射率在595nm ~ 950nm波段范圍內低于正常狀態，這是因為兩者之間木材的含水量不同，潮濕樣本含有更多水分，其光譜反射率更低。當樣本發生霉變后，光譜曲線發生明顯變化，反射率在625nm ~ 800nm區間很低，且隨波長增加無明顯上升趨勢，從800nm開始反射率隨波長增加而上升。當霉菌顏色由白色變成綠色時（第三次測量到第四次測量），光譜反射率整體下降，但光譜曲線大致相同。對木材霉菌顏色發展成綠色時測量的第四、五、六次的光譜反射率進行比較分析，發現反射率無明顯變化，這是因為霉菌為綠斑后呈穩定狀態不再發展。

圖 4 六次測量的光譜反射率曲線

4.3 含水量預測

4.3.1 不同含水量的光譜特征分析

為進一步分析光譜與木材含水量之間的關系，實驗選取30塊大小一樣的白松樣本，分別獲取每個樣本十組不同含水量的反射率。圖5表示同一白松樣本不同含水量的光譜反射率曲線。可以看出，在595 ~ 950nm范圍內光譜曲線趨勢大致相同，隨著波長的增加反射率緩慢上升。對比高含水量（97.35%、80.00%、66.01%和61.99%）的光譜反射率曲線，發現含水量越高光譜反射率越低。但反射率在56.93% ~ 15.62%范圍內差異很小，這是因為白松樣本表面比內芯更容易烘干，當烘干到一定程度時，樣本表面的含水量變化很小。

圖 5 同一白松樣本不同含水量的光譜反射率

4.3.2 光譜特征波長選擇

為提高PLSR模型的預測精度和運行速度，采用CARS、SPA以及CARS-SPA組合算法進行特征波長選擇，以達到消除冗余變量和提高預測模型性能的目的。

（1）基于CARS的特征波長選擇

將蒙特卡洛樣本數設置為50。圖6a顯示隨著采樣次數的增加被篩選出特征波長的數量不斷減少，曲線下降的趨勢從快到慢，表明選取特征波長的效率也從快到慢。從圖6b可以看出交叉驗證均方根誤差（RMSECV）值在采樣次數大于29后顯然變大，表明第29次后的采樣篩選過程中淘汰了一些與預測模型相關的有用變量。第4次（標記為實心紅色方塊）采樣時RMSECV值達到最小，則將該次采樣選取的波長作為確定Mc的特征波長，共53個波長。

圖 6 CARS 選擇特征波長 （a）特征變量的數量; （b）RMSECV 值

（2）基于 SPA 的特征波長選擇

預先將需選取的特征波長數設置為 5 ~ 30，圖 7a 表示 RMSE 值的變化曲線趨勢圖，可以看出，隨著選取特征波長數量的增加 RMSE 值下降，雖然存在一定波動，但 N>10 以后下降趨勢不明顯。當選擇 23 個波長時（標記為實心紅色方塊），RMSE 值達到最佳。圖 7b 為選取的 23 個特征波長（標記為實心紅色方塊）。

圖 7 SPA 選擇特征波長 （a）RMSE 值; （b）選取的特征波長

（3）基于CARS-SPA的特征波長選擇

首先采用CARS從全光譜信息中選擇特征波長，然后對選取的波長利用SPA進行二次選擇。圖 8a表示當選擇22個波長時（標記為實心紅色方塊），RMSE值達到最佳。圖8b為選取的22個特征波長（標記為實心紅色方塊）。

圖 8 CARS-SPA 選擇特征波長 （a）RMSE 值; （b）選取的特征波長

4.3.3 建模評價

表2為全光譜反射率（FSR）和基于特征波長選擇算法的木材含水量預測模型結果。可以看出，FSR建立的PLSR模型的Rp 2可以達到0.8822，說明利用全光譜信息可以實現 木材含水量的預測。對比分析不同特征波長選擇算法的預測結果，發現基于CARS-SPA的PLSR模型（CARS-SPA-PLSR）預測能力最好，Rp 2提升至0.9073，RMSEP降低至0.7564，波長數量減少至22，模型的性能得到提升并減少了模型的運算量。CARS-PLSR模型的Rp 2可以達到0.9085，但其選取的特征波長較多，會降低模型的運行速度。SPA-PLSR模型的預測能力相對較差，是因為其提取的有效變量較少影響了模型的預測精度。

表2 不同特征波長選擇算法的 PLSR 模型預測結果

5、結論

本文使用自研的HSL系統主動獲取實驗樣本550nm ~ 1050nm的光譜信息，并利用地物光譜儀驗證了該系統光譜數據的準確性。通過對白松樣本發霉過程進行間隔性光譜測量，發現隨著木材狀態（正常、潮濕和霉變）的發展，光譜反射率越來越低，當霉變狀態穩定時，光譜反射率無明顯變化。同時觀察到含水量較高的潮濕狀態的光譜反射率低于正常狀態。為進一步探究木材含水量與光譜之間的關系，實驗共采集了300組不同含水量的全光譜數據，分別利用CARS、SPA以及CARS-SPA算法提取特征波長，并建立對應的木材含水量PLSR模型。結果表明，對比全光譜反射率建模，特征波長選擇算法可以降低光譜數據維數，提高模型預測精度。其中，CARS-SPA-PLSR模型預測能力最好，Rp 2提升至0.9073，RMSEP降低至0.7564。因此，利用HSL系統主動探測獲取的光譜信息可以對木材的霉變進行特征分析，并能較好的建立含水量預測模型，為高光譜在木質建筑檢測評估的應用提供了技術支持和新方向。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯黃宇