有声小说下载,穿越小说排行榜,欢乐颂第二季

引言

木質(zhì)建筑是中國傳統(tǒng)建筑類型之一，其主體框架構(gòu)件使用木材作為材料。木材具有強(qiáng)吸濕性，長期處于濕潤狀態(tài)容易滋生真菌引起木材發(fā)生霉變甚至腐爛，降低建筑的穩(wěn)定性、安全性和機(jī)械強(qiáng)度等結(jié)構(gòu)性功能。因此，準(zhǔn)確評估木材狀態(tài)可以為建筑健康檢測，木構(gòu)件修復(fù)更換和預(yù)防保護(hù)提供數(shù)據(jù)支持。

目前，評估木材狀態(tài)的主要方法為探測法，具體是指通過壓力波對木材構(gòu)件的木芯樣本進(jìn)行霉變檢測，可實現(xiàn)木材嚴(yán)重霉變情況下的評估，但無法檢測出木材的初始霉變狀態(tài)。木材潮濕與正常狀態(tài)下的不同介電常數(shù)值作為評估霉變初始狀態(tài)的判定標(biāo)準(zhǔn)之一，主要檢測方法是利用微波反射儀觀察介電常數(shù)對反射系數(shù)的影響，實現(xiàn)霉變初始區(qū)域的預(yù)判，但該方法需專業(yè)人員進(jìn)行操作且實驗過程復(fù)雜。高光譜技術(shù)由于具有快速、無損、高效等特點(diǎn)，近年來應(yīng)用廣泛。BURUD等利用高光譜相機(jī)對木材表面的霉菌進(jìn)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(diǎn)就會增加木材感染真菌的風(fēng)險，因此預(yù)測木材的含水量可以為進(jìn)一步評估霉變初始狀態(tài)提供幫助。KOBORI等利用可見-近紅外高光譜成像技術(shù)預(yù)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(yù)測模型，表明高光譜成像技術(shù)在監(jiān)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(shù)據(jù)的有效波長，建立了更穩(wěn)定高效的木材含水量預(yù)測模型。但這些高光譜技術(shù)多數(shù)依賴被動光源（比如太陽、鹵素?zé)簦瑢嶒瀳鼍笆艿较拗疲贿m用于建筑的現(xiàn)場檢測評估。高光譜激光雷達(dá)系統(tǒng)（HSL）同時具有高光譜成像和激光雷達(dá)探測的優(yōu)點(diǎn)，可以主動探測目標(biāo)獲取光譜信息和空間信息，目前已被應(yīng)用于古建筑保護(hù)領(lǐng)域，實現(xiàn)了木材構(gòu)件材料種類和使用年限的分類，但將其應(yīng)用于木材狀態(tài)評估方面的研究較少。

為準(zhǔn)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(dá)系統(tǒng)主動獲取光譜信息。首先利用地物光譜儀驗證該系統(tǒng)光譜反射率的準(zhǔn)確性，然后在實驗室環(huán)境下利用HSL采集木材霉變發(fā)生發(fā)展過程的光譜信息，并獲取木材不同含水量的光譜數(shù)據(jù)，分析木材正常、潮濕和霉變不同狀態(tài)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(jìn)行特征波長提取，分別建立偏最小二乘回歸模型并選出預(yù)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(tǒng)的光譜范圍為550nm ~ 1050nm，光譜分辨率為5nm。系統(tǒng)實物圖如圖1a所示，由發(fā)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(xù)激光器主動發(fā)射寬譜段激光脈沖并利用聲光可調(diào)諧濾波器在不同時刻發(fā)射出不同波長的激光信號。系統(tǒng)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(biāo)的三維空間坐標(biāo)和101個通道的全波形回波強(qiáng)度信息。

由于該HSL系統(tǒng)是原型機(jī)，因此利用萊森光學(xué)iSpecField-HH便攜式手持地物光譜儀進(jìn)行光譜準(zhǔn)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?zé)簦R頭視場角為8°。

圖1 儀器（a）高光譜激光雷達(dá)系統(tǒng); （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(zhì)建筑修繕現(xiàn)場，為修復(fù)損傷木構(gòu)件的替換木材，均為表面無雜質(zhì)、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(zhǔn)確性驗證，白松樣本用于木材的霉變發(fā)生發(fā)展過程的光譜變化特征分析和含水量預(yù)測。

2.3 光譜數(shù)據(jù)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(shè)置轉(zhuǎn)臺推掃間隔和掃描范圍，對實驗樣本進(jìn)行數(shù)據(jù)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(shù)據(jù)。利用樣本的回波信號強(qiáng)度響應(yīng)數(shù)值和參考白板的回波信號強(qiáng)度響應(yīng)數(shù)值，根據(jù)公式（1）計算每個掃描點(diǎn)的光譜反射率。HSL掃描一個點(diǎn)，即獲得目標(biāo)一組光譜數(shù)據(jù)。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(biāo)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(biāo)物體和參考白板的回波信號強(qiáng)度響應(yīng)數(shù)值。

完成HSL數(shù)據(jù)采集后，立即用地物光譜儀對樣本同一位置進(jìn)行數(shù)據(jù)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(chǎn)生暗電流，為消除其對測量數(shù)據(jù)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(jìn)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(shù)據(jù)。

2.4 含水量測量

根據(jù)國家現(xiàn)行標(biāo)準(zhǔn)，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(shù)據(jù)，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(zhì)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(shù)據(jù)和樣本質(zhì)量，重復(fù)十次，共采集300組樣本數(shù)據(jù)。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(zhì)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(zhì)量，M0表示樣本干重。

以2：1的比例隨機(jī)選取200組數(shù)據(jù)作為校正集，預(yù)測集數(shù)量為100組，表1為樣本集劃分結(jié)果。其中校正集Mc范圍為8.3792% ~ 97.3527%，預(yù)測集Mc范圍為11.6189% ~ 94.6487%，當(dāng)校正集Mc范圍大于預(yù)測集Mc范圍時，有利于建立穩(wěn)定的預(yù)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(yīng)加權(quán)采樣算法

競爭性自適應(yīng)加權(quán)采樣算法（CARS）基于蒙特卡洛采樣結(jié)合偏最小二乘法，輸入全光譜數(shù)據(jù)，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(jù)交叉驗證選取均方根誤差最小的波長子集。

3.1.2 連續(xù)投影算法

連續(xù)投影算法（SPA）基于投影操作，對原始光譜矩陣進(jìn)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(yīng)重加權(quán)采樣-連續(xù)投影算法

競爭性自適應(yīng)重加權(quán)采樣-連續(xù)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(guān)變量，然后再利用SPA對CARS初次選擇的特征波長進(jìn)行二次有效特征波長選擇。

3.2 模型建立與評價標(biāo)準(zhǔn)

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(xiàn)光譜反射率對木材含水量的快速預(yù)測。

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

4、結(jié)果與分析

4.1 HSL光譜準(zhǔn)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(nèi)差異較大，主要是由系統(tǒng)光電探測器件非線性效應(yīng)造成的。在 550nm ~ 595nm區(qū)間內(nèi)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(nèi)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(qū)間內(nèi)一致性較高，證明 HSL測量的光譜數(shù)據(jù)是可靠的。為確保數(shù)據(jù)準(zhǔn)確性，選取 595nm ~ 950nm 作為后續(xù)實驗數(shù)據(jù)的分析范圍，波段數(shù)量為72。

4.2 霉變發(fā)生發(fā)展過程的光譜分析

4.2.1 樣本霉變發(fā)生發(fā)展的過程

為分析木材霉變發(fā)生發(fā)展過程的光譜變化，在實驗室環(huán)境下對同一塊白松樣本的同一區(qū)域進(jìn)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(qū)梅雨季節(jié)，木材易發(fā)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(jīng)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(tài)的光譜數(shù)據(jù)視為第二次光譜測量。隨后將其繼續(xù)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(tài)。實驗樣本的霉變腐爛狀態(tài)屬于原木斷面邊腐，如圖3a所示，進(jìn)行第三次測量；37天后，樣本表面霉菌狀態(tài)如圖3b所示，進(jìn)行第四次測量，黑色框內(nèi)為光譜測量區(qū)域。第五、六次測量區(qū)域的霉菌全部呈現(xiàn)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(fā)展）

4.2.2 霉變發(fā)生發(fā)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(tài)下的光譜曲線波形相似，但潮濕狀態(tài)的光譜反射率在595nm ~ 950nm波段范圍內(nèi)低于正常狀態(tài)，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(dāng)樣本發(fā)生霉變后，光譜曲線發(fā)生明顯變化，反射率在625nm ~ 800nm區(qū)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(dāng)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(fā)展成綠色時測量的第四、五、六次的光譜反射率進(jìn)行比較分析，發(fā)現(xiàn)反射率無明顯變化，這是因為霉菌為綠斑后呈穩(wěn)定狀態(tài)不再發(fā)展。

圖 4 六次測量的光譜反射率曲線

4.3 含水量預(yù)測

4.3.1 不同含水量的光譜特征分析

為進(jìn)一步分析光譜與木材含水量之間的關(guān)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(nèi)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(fā)現(xiàn)含水量越高光譜反射率越低。但反射率在56.93% ~ 15.62%范圍內(nèi)差異很小，這是因為白松樣本表面比內(nèi)芯更容易烘干，當(dāng)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(yù)測精度和運(yùn)行速度，采用CARS、SPA以及CARS-SPA組合算法進(jìn)行特征波長選擇，以達(dá)到消除冗余變量和提高預(yù)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(shù)設(shè)置為50。圖6a顯示隨著采樣次數(shù)的增加被篩選出特征波長的數(shù)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(shù)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(yù)測模型相關(guān)的有用變量。第4次（標(biāo)記為實心紅色方塊）采樣時RMSECV值達(dá)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(shù)量; （b）RMSECV 值

（2）基于 SPA 的特征波長選擇

預(yù)先將需選取的特征波長數(shù)設(shè)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(shù)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(dāng)選擇 23 個波長時（標(biāo)記為實心紅色方塊），RMSE 值達(dá)到最佳。圖 7b 為選取的 23 個特征波長（標(biāo)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(jìn)行二次選擇。圖 8a表示當(dāng)選擇22個波長時（標(biāo)記為實心紅色方塊），RMSE值達(dá)到最佳。圖8b為選取的22個特征波長（標(biāo)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(yù)測模型結(jié)果。可以看出，F(xiàn)SR建立的PLSR模型的Rp 2可以達(dá)到0.8822，說明利用全光譜信息可以實現(xiàn) 木材含水量的預(yù)測。對比分析不同特征波長選擇算法的預(yù)測結(jié)果，發(fā)現(xiàn)基于CARS-SPA的PLSR模型（CARS-SPA-PLSR）預(yù)測能力最好，Rp 2提升至0.9073，RMSEP降低至0.7564，波長數(shù)量減少至22，模型的性能得到提升并減少了模型的運(yùn)算量。CARS-PLSR模型的Rp 2可以達(dá)到0.9085，但其選取的特征波長較多，會降低模型的運(yùn)行速度。SPA-PLSR模型的預(yù)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(yù)測精度。

表2 不同特征波長選擇算法的 PLSR 模型預(yù)測結(jié)果

5、結(jié)論

本文使用自研的HSL系統(tǒng)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(tǒng)光譜數(shù)據(jù)的準(zhǔn)確性。通過對白松樣本發(fā)霉過程進(jìn)行間隔性光譜測量，發(fā)現(xiàn)隨著木材狀態(tài)（正常、潮濕和霉變）的發(fā)展，光譜反射率越來越低，當(dāng)霉變狀態(tài)穩(wěn)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(tài)的光譜反射率低于正常狀態(tài)。為進(jìn)一步探究木材含水量與光譜之間的關(guān)系，實驗共采集了300組不同含水量的全光譜數(shù)據(jù)，分別利用CARS、SPA以及CARS-SPA算法提取特征波長，并建立對應(yīng)的木材含水量PLSR模型。結(jié)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(shù)據(jù)維數(shù)，提高模型預(yù)測精度。其中，CARS-SPA-PLSR模型預(yù)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(tǒng)主動探測獲取的光譜信息可以對木材的霉變進(jìn)行特征分析，并能較好的建立含水量預(yù)測模型，為高光譜在木質(zhì)建筑檢測評估的應(yīng)用提供了技術(shù)支持和新方向。