网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

基于实验型和工业型近红外光谱仪的木片材性预测建模对比研究

- ORCID：
梁龙 ^1,2
- ORCID：
吕娜娜 ¹
- ORCID：
吴珽 ^1,3
✉
- ORCID：
邓拥军 ¹
- ORCID：
沈葵忠 ¹
- ORCID：
房桂干 ^1,4
✉

1. 中国林业科学研究院林产化学工业研究所，江苏省生物质能源与材料重点实验室，江苏省林业资源高效加工利用协同创新中心，国家林业和草原局林产化学工程重点实验室，林木生物质低碳高效利用国家工程研究中心，江苏南京，210042； 2. 华南理工大学制浆造纸工程国家重点实验室，广东广州，510640； 3. 广西民族大学林产化学与工程国家民委重点实验室，广西林产化学与工程重点实验室，广西南宁，530006； 4. 山东华泰纸业股份有限公司，山东东营，257335

中图分类号： TS72

最近更新：2024-07-22

DOI：10.11980/j.issn.0254-508X.2024.07.002

摘要

本研究探讨了采用工业型光谱仪和实验型光谱仪建立近红外模型用于快速预测木片材性的可行性，分析对比不同光谱仪的建模效果。针对不同材性指标分析特点，通过光谱信号校正和特征波长筛选算法优化模型预测性能，建立适宜的建模方法。结果表明，基于工业型光谱仪建立的近红外模型对木片水分、基本密度、纤维形态等物理性能指标表现出更高的预测精度，而化学组分含量的预测精度与实验型光谱仪无显著差异。工业型光谱仪木片理化材性近红外模型适用于制浆原料品质评价和工业过程分析。

关键词

近红外光谱; 木片; 材性分析; 制浆造纸

木片是制浆造纸工业重要原材料，木片的材性品质直接影响制浆工艺条件和终端浆纸产品质量^[

1]。由于传统材性检测方法步骤繁琐、测试周期长、分析结果具有滞后性，无法满足工业生产需求。以近红外光谱为代表的新型快速检测技术得到广泛研究和应用，以期代替传统分析方法实现对制浆生产过程的在线监控^{[参考文献 2

百度学术}2]。近红外光谱（780~2 500 nm）能够表征木材化学组分、纤维形态结构等理化性质，且具有分析成本低、环境适应性强、测试方式简单灵活等优势，适用于对林木产品的材性进行快速检测评价^{[参考文献 3-4}3-4]。

作为一种光谱分析方法，选择合适的光谱仪对近红外分析结果的稳定性和准确性有着至关重要的作用。根据研究用途和应用场景，近红外光谱仪可分为实验型光谱仪和工业型光谱仪^[

5]。实验型光谱仪结构精密、光谱采集范围广、分辨率高，但对测试环境、维护保养要求较高，通常用于可行性验证、建模方法开发、模型性能优化等基础研究。工业型光谱仪主要应用于工业生产线，具有结实、耐用、防震、抗摔的特点，但仪器分辨率和光谱采集范围通常达不到实验型光谱仪水平^{[参考文献 6-7}6-7]。

笔者在前期研究中，采用实验型光谱仪建立近红外模型用于预测木片水分、基本密度、化学组分含量等材性指标，可获得较好的预测精度^[

8-11]。但受应用环境限制，实验型光谱仪不适宜直接部署在制浆工业生产线，而将基于实验型光谱仪建立的模型直接用于工业型光谱仪，也会因不同仪器的光谱信号差异导致模型分析结果存在一定偏差。因此，为了将近红外分析技术应用到实际工业生产中，还需进一步探究所建立的近红外分析方法对工业型光谱仪的适应性^{[参考文献 12

百度学术}12]。针对上述研究目的，本研究采用工业型光谱仪建立近红外模型预测木片材性，并与实验型光谱的建模效果进行对比。探究光谱预处理、波长范围、样品形态等建模因素对模型预测性能的影响。针对不同类型材性指标确定合适的近红外建模方法，开发木片材性快速检测专用设备，实现近红外分析技术在制浆原料品质评价领域的工业化应用。

1 实验

1.1　实验原料和设备

收集桉木、杨木和松木3种常用制浆木片原料共100份（桉木36份、杨木34份、松木30份）。每份木片样品经自然风干（水分10%~11%）后筛选出合格木片50 g，冷藏储存备用。

工业型光谱仪，IAS-Online-S100在线式近红外光谱分析仪，无锡迅杰光远科技有限公司；测试条件：波长范围950~1 700 nm，波长分辨率8 nm，光源功率100 W。实验型光谱仪，NIR2500近红外光纤光谱仪，上海复享光学股份有限公司；测试条件：波长范围900~2 500 nm，波长分辨率4 nm，光源功率9 W。

1.2　样品制备和材性分析

木片水分测定：将木片在去离子水中充分浸泡至饱水状态，然后在恒温恒湿条件（23 ℃、相对湿度50%）下自然风干，风干过程中每间隔一定时间记录1次木片质量，最后将木片干燥至绝干并记录绝干质量，按式(1)计算木片水分。

M C = \frac{W_{d}}{W_{m}} \times 100 %

（1）

式中，MC表示木片水分，%； W_d表示绝干木片质量，g；W_m表示含水木片质量，g。

基本密度测定：首先测量木片绝干质量，然后将木片浸泡至饱水状态，通过排水法测量木片饱水体积，按式(2)计算木片基本密度。

B = \frac{W_{d}}{V_{m}} \times 10^{- 3}

（2）

式中，B表示木片基本密度，kg/m³；V_m表示木片饱水体积，cm³。

纤维长度测定：将饱水状态木片沿轴向切成火柴棍大小，放入冰醋酸-过氧化氢溶液（1∶1，体积比）中，60 ℃水浴反应48 h。浸泡过后的样品经分散、洗涤处理后，采用Optest纤维质量分析仪（Optest equipment Inc.）测量纤维平均长度。

化学组分测定：化学组分包括木质素和综纤维素。将木片磨成木粉，并筛出粒径0.250~0.180 mm的木粉，分别按照GB/T 2677.8—1994《造纸原料酸不溶木素含量的测定》和GB/T 2677.10—1995《造纸原料综纤维素含量的测定》方法测定木质素含量和综纤维素含量。

1.3　光谱采集和模型建立

分别使用实验型光谱仪和工业型光谱仪采集木片光谱信号建立水分、基本密度、纤维长度预测模型。实验型光谱仪采样距离3 mm、波长范围1 100~2 300 nm、信号积分时间60 ms、单次采集扫描64次；工业型光谱仪采样距离5 cm，波长范围1 100~1 700 nm，信号积分时间60 ms，单次采集扫描64次。然后将木片粉碎成木粉，采集木粉近红外信号建立化学组分预测模型。实验型光谱仪采样距离5 mm，波长范围1 100~2 300 nm，信号积分时间60 ms，单次采集扫描32次；工业型光谱仪采样距离7 cm，波长范围1 100~1 700 nm，信号积分时间60 ms，单次采集扫描32次。每份样品重复取样3次，计算平均光谱信号。2种光谱仪采集的光谱信号如图1所示。

图1 木片近红外光谱信号

Fig. 1 NIR signal of wood chips

注图中R为反射率。

木片材性数据如表1所示，将所有样品划分为训练集（70个样）和测试集（30个样）。训练集用于偏最小二乘回归建模（PLS）和模型内部交叉验证（CV)，建模参数潜变量数（LVs）通过五折交叉验证法确定，测试集用于模型外部测试。采用均方根误差（RMSE)、决定系数（R²）和预测性能偏差比（RPD）等指标评价建模效果，具体计算方法见文献[

13]。数据处理和建模工作使用Matlab 2019b （The MathWorks，Natick，USA）软件完成。

表1 木片材性测试数据

Table 1 Properties of wood chips

材种	统计项	水分/%	基本密度/（kg∙m^-3）	纤维长度/μm	木质素/%	综纤维素/%
桉木	范围	9.52~56.98	320.77~621.16	580~913	24.42~28.75	65.52~73.54
桉木	平均值/标准差	32.84/15.71	457.18/66.86	726/85	26.85/1.23	70.71/1.86
杨木	范围	9.59~63.17	300.05~474.91	610~1032	19.41~26.78	70.03~78.56
杨木	平均值/标准差	36.32/17.21	396.25/40.40	763/119	24.88/1.75	72.12/1.99
松木	范围	10.02~60.35	315.05~589.06	1201~2423	26.02~34.16	63.52~71.83
松木	平均值/标准差	36.24/15.73	444.04/61.52	2132/334	28.60/2.40	68.70/2.81

2 结果与讨论

2.1　水分模型分析

木片中的水分在近红外波段的吸收信号比较明显，其中O—H倍频吸收主要集中在1 300~1 550 nm附近，而O—H合频吸收则分布在1 800~2 100 nm，因此可截取相关特征波段进行建模^[

14]。采用不同光谱仪建立的木片水分预测模型在表2中列出，由于近红外波段对水分变化非常敏感，不同模型均表现出较高的预测精度。采用实验型光谱仪建立的全波长模型RMSE_cv和RMSE_p分别为2.84%和2.66%，RPD值达5.56，特征波段模型的预测性能与全波段模型相比也并无显著差异。虽然O—H倍频吸收波段（1 300~1 550 nm）容易受碳水化合物吸收信号的干扰，但基于该波段的建模效果还要略优于合频吸收波段建模。工业型光谱仪的有效波长采集范围无法覆盖全波段，但其建模效果比实验型光谱仪更好，模型内部验证和外部测试的RMSE<1.7%，R²>0.98，RPD值达9.0以上。这是由于工业型光谱仪采用的光源功率高，辐射光斑及配套的光纤尺寸大，与实验型光谱仪相比，其采样深度更深、采样范围更广，尤其在分析木片这种具有一定厚度、尺寸不规则的样品时，工业型光谱仪对样品漫反射信号中的有效信息获取效率更高，虽然波长范围仅有1 100~1 700 nm，但该波段包含的O—H倍频吸收信息已足够用于建立精度较高的回归模型。因此在实际应用中，可直接采用工业型光谱仪建立木片水分预测模型用于监控造纸原料水分变化情况。

表2 基于实验型和工业型光谱仪建立的近红外模型对水分的预测性能

Table 2 Prediction performance of NIR models for moisture content based on the experimental and industrial spectrometers compositions

光谱仪	波长范围 /nm	LVs	内部验证		外部测试
光谱仪	波长范围 /nm	LVs	RMSE_cv/%	R $_{c v}^{2}$	RMSE_p/%	R $_{p}^{2}$	RPD
实验型	1 100~2 300	11	2.84	0.961 6	2.66	0.967 7	5.56
	1 300~1 550	10	2.85	0.960 8	2.59	0.969 4	5.71
	1 800~2 100	12	2.92	0.959 2	2.68	0.967 2	5.52
工业型	1 100~1 700	10	1.68	0.986 6	1.59	0.988 5	9.31
工业型	1 300~1 550	9	1.55	0.988 6	1.64	0.987 7	9.02

2.2　基本密度模型分析

木片基本密度是木片绝干质量和饱水体积的比值，因此木片在饱水状态时更能反映其基本密度信息，这在前期研究中已得到证实^[

10]。在本研究中分别采集饱水木片和风干木片的近红外光谱，经二阶导数处理后建立基本密度预测模型，结果如表3所示。工业型光谱仪的建模效果与实验型光谱仪相似，饱水木片光谱的模型预测均优于风干木片光谱。而工业型光谱仪对木片样品的光谱特征信息获取效率更高，采用相同波长范围建模（1 100~1 700 nm），其模型预测精度（RMSE_p=18.23 kg/m³）小于实验型光谱仪（RMSE_p=22.94 kg/m³）。

表3 基于实验型和工业型光谱仪建立的近红外模型对基本密度的预测性能

Table 3 Prediction performance of NIR models for basic density based on the experimental and industrial spectrometers

光谱仪	波长范围/nm	建模方法	LVs	内部验证		外部测试
光谱仪	波长范围/nm	建模方法	LVs	RMSE_cv/（kg·m^-3）	R $_{c v}^{2}$	RMSE_p/（kg·m^-3）	R $_{p}^{2}$	RPD
实验型	1 100~2 300	WS-PLS	8	22.79	0.850 1	20.65	0.839 2	2.49
		AD-PLS	7	26.13	0.799 8	25.43	0.756 1	2.02
		EPO-PLS	6	22.62	0.849 5	22.97	0.797 6	2.22
	1 100~1 700	WS-PLS	9	23.82	0.834 3	22.94	0.801 5	2.24
		AD-PLS	8	30.56	0.728 1	28.01	0.704 1	1.84
		EPO-PLS	6	25.17	0.816 4	26.01	0.740 5	1.96
工业型	1 100~1 700	WS-PLS	7	19.79	0.885 5	18.23	0.874 7	2.82
		AD-PLS	9	25.12	0.814 3	26.09	0.743 3	1.97
		EPO-PLS	6	20.88	0.872 3	21.03	0.830 3	2.43

注 WS-PLS 表示采用饱水木片光谱建模，AD-PLS表示采用风干木片光谱建模，EPO-PLS表示将饱水木片光谱经EPO校正水分后建模，以下同。

需要注意的是，虽然饱水木片光谱更适合预测木片密度，但光谱中有用信息主要来自近红外光与纤维结构通过折射、漫反射作用形成的物理信息以及与纤维化学组分通过特征吸收产生的化学信息，而饱水木片光谱中存在的大量水分冗余信息会严重干扰模型的稳健性。通过外部参数正交化算法（external parameter orthogonalization，EPO）消除光谱中的水分干扰信息，能够有效提高模型对样品水分变化的抗干扰能力，对工业型光谱仪采集的饱水木片光谱进行水分校正后建立EPO-PLS模型，该模型对测试集样品饱水光谱和风干光谱的RMSE_p为21.03 kg/m³、R $_{p}^{2}$ 为0.830 3、RPD值为2.43，能够满足工业分析的要求^[

15]。

2.3　纤维长度模型分析

纤维长度是评价纸浆强度性能的重要指标，分析造纸原料纤维性能，能够为原料品质评估、生产工艺调控提供重要参考依据。本研究分析对比木片水分状态和信号预处理对近红外预测纤维长度的影响，分析结果如表4所示。采用标准正态变换（SNV）、一阶导数变换（1 Der）和二阶导数变换（2nd Der）等预处理方法能够校正信号散射偏差，增强信号分辨率，改善模型预测精度。对实验型光谱仪采集的风干木片光谱进行一阶导数处理后获得了较好的建模效果，全波长模型（1 100~2 300 nm）对纤维长度的RMSE_cv和RMSE_p分别为92.88和89.38 μm，R $_{c v}^{2}$ 和R $_{p}^{2}$ 分别为0.966 4和0.948 0。饱水木片一阶导数光谱的建模效果与风干木片模型相近，表明木片水分状态对近红外预测纤维长度并无显著影响。

表4 基于实验型和工业型光谱仪建立的近红外模型对纤维长度的预测性能

Table 4 Prediction performance of NIR models for fiber length based on the experimental and industrial spectrometers

光谱仪	波长范围/nm	建模方法	预处理	LVs	内部验证		外部测试
光谱仪	波长范围/nm	建模方法	预处理	LVs	RMSE_cv/μm	R $_{c v}^{2}$	RMSE_p/μm	R $_{p}^{2}$	RPD
实验型	1 100~2 300	WS-PLS	SNV	6	150.83	0.911 8	127.93	0.893 5	3.06
			1st Der	8	93.50	0.964 5	92.25	0.944 6	4.25
			2nd Der	8	101.24	0.959 6	96.21	0.939 7	4.07
		AD-PLS	SNV	5	146.87	0.915 6	125.96	0.896 7	3.11
			1st Der	5	92.88	0.966 4	89.38	0.948 0	4.39
			2nd Der	6	97.79	0.962 2	108.49	0.923 4	3.61
	1 100~1 700	WS-PLS	SNV	5	150.83	0.911 8	137.93	0.876 2	2.84
			1st Der	7	93.50	0.964 5	104.25	0.929 3	3.76
			2nd Der	8	101.24	0.959 6	106.21	0.926 6	3.69
		AD-PLS	SNV	8	141.45	0.920 4	122.04	0.903 0	3.21
			1st Der	6	95.28	0.964 8	90.45	0.946 7	4.33
			2nd Der	8	101.28	0.958 9	102.85	0.931 1	3.81
工业型	1 100~1 700	WS-PLS	SNV	10	94.00	0.964 9	81.28	0.957 0	4.82
			1st Der	9	71.67	0.979 4	62.62	0.974 5	6.26
			2nd Der	7	77.94	0.975 4	78.70	0.959 7	4.98
		AD-PLS	SNV	9	99.69	0.961 1	78.97	0.959 4	4.96
			1st Der	7	70.33	0.980 4	61.47	0.975 4	6.38
			2nd Der	7	73.26	0.978 3	73.13	0.965 2	5.36

图2是全波长范围的建模权重系数，系数值越大表明该波段的特征吸收与纤维长度的相关性越强。由图2可知，重要特征波段主要集中在1 250~1 350、1 570~1 640、1 670~1 750 nm，这些特征吸收源于纤维素、木质素结构中O—H、C—H等含氢基团的倍频振动^[

14]。表明近红外光谱通过对纤维骨架结构主要成分的特征吸收响应实现对纤维形态指标的预测^{[参考文献 16

百度学术}16]。

图2 纤维长度近红外模型权重系数

Fig. 2 Weight coefficient of NIR model for fiber length

由于重要建模波长主要分布在近红外倍频吸收区（900~1 700 nm），因此基于部分波段（1 100~1 700 nm）建模的模型预测精度与全波段建模相比，并无显著差异，一阶风干木片模型RMSE_p和R $_{p}^{2}$ 分别为90.45 μm和0.946 7。而从工业应用角度考虑，把光学检测器件的波长范围从1 100~1 700 nm扩展到1 100~2 300 nm所耗费的设计加工成本将呈几何倍增加，如果基于1 100~1 700 nm波段的光谱信号能够满足分析精度要求，则将大大降低近红外光谱的工业应用成本。采用相同的波长范围，工业型光谱仪表现出比实验型光谱仪更好的建模效果。风干木片一阶导数光谱模型对测试集样品纤维长度的RMSEp为61.47 μm、R $_{p}^{2}$ 为0.975 4、RPD值为6.38，这也表明工业型光谱仪在分析木片纤维结构方面具有更大的优势。

2.4　化学组分模型分析

纤维素、半纤维素和木质素等化学组分在近红外光谱中有着丰富的特征吸收信号，但也存在谱图分辨率低、光谱冗余共线信息影响模型预测精度等问题^[

8]。本研究首先对原始光谱进行二阶导数变换，然后采用波长优选算法提取与综纤维素和木质素含量变化相关的特征波长进行建模，以提高建模效率和模型预测性能，建模结果如表5和表6所示。

表5 基于实验型和工业型光谱仪建立的近红外模型对木质素的预测性能

Table 5 Prediction performance of NIR models for lignin based on the experimental and industrial spectrometers

光谱仪	波长范围/nm	建模方法	LVs	内部验证		外部测试
光谱仪	波长范围/nm	建模方法	LVs	RMSE_cv/%	R $_{c v}^{2}$	RMSE_p/%	R $_{p}^{2}$	RPD
实验型	1 100~2 300	W-PLS	5	1.54	0.741 0	1.35	0.756 6	2.03
	1 100~2 300	CARS-PLS	4	1.05	0.875 9	0.93	0.884 5	2.94
	1 100~1 700	W-PLS	6	1.79	0.653 1	1.58	0.666 7	1.73
	1 100~1 700	CARS-PLS	4	1.23	0.827 5	1.08	0.844 3	2.53
工业型	1 100~1 700	W-PLS	8	1.63	0.709 6	1.41	0.734 5	1.94
工业型	1 100~1 700	CARS-PLS	5	1.15	0.858 1	0.98	0.871 8	2.79

注 W-PLS表示采用全波长光谱建模（下同），CARS-PLS表示采用经CARS算法筛选出的重要波长建模。

表6 基于实验型和工业型光谱仪建立的近红外模型对综纤维素的预测性能

Table 6 Prediction performance of NIR models for holocellulose based on the experimental and industrial spectrometers

光谱仪	波长范围/nm	建模方法	LVs	内部验证		外部测试
光谱仪	波长范围/nm	建模方法	LVs	RMSE_cv/%	R $_{c v}^{2}$	RMSE_p/%	R $_{p}^{2}$	RPD
实验型	1 100~2 300	W-PLS	7	1.76	0.732 2	1.81	0.683 0	1.78
	1 100~2 300	SPA-PLS	5	1.00	0.911 6	1.11	0.880 8	2.9
	1 100~1 700	W-PLS	8	1.98	0.654 8	1.85	0.668 8	1.74
	1 100~1 700	SPA-PLS	5	1.23	0.862 1	1.37	0.818 4	2.35
工业型	1 100~1 700	W-PLS	7	1.89	0.678 8	1.73	0.710 4	1.86
工业型	1 100~1 700	SPA-PLS	6	1.29	0.852 4	1.33	0.828 8	2.42

注 SPA-PLS表示采用经SPA算法筛选出的重要波长建模。

基于实验型光谱仪建立化学组分模型时，采用竞争自适应重加权采样算法（CARS）优化光谱中与木质素组分具有强相关性的特征波长，能够使全波段木质素模型的RMSE_p从1.35%降低到0.93%。而采用连续投影算法（SPA）能够有效解决综纤维素特征波长高冗余度的问题，使全波段综纤维素模型的RMSE_p从1.81%降低到1.11%。与全波段建模相比，采用1 100~1 700 nm波段建模时，部分光谱信息的丢失会导致模型预测精度略有较低。这是因为1 700~2 300 nm波段主要是含氢基团（C—H、O—H、N—H）的伸缩振动合频吸收区，与倍频吸收区相比，合频吸收强度更弱、信号解析复杂，对化学组分含量建模的作用有限，因此丢失该部分光谱信息未对建模效果造成严重影响。此外，由于木粉样品的均匀性得到改善，工业型光谱仪在光谱信息提取方面的优势并不明显，采用工业型光谱仪在相同波长范围的建模效果与实验型光谱仪相似，模型预测精度略低于全波段模型。但从仪器设备成本角度考虑，在满足分析精度要求的前提下，可以选择工业型光谱仪用于造纸原料化学组分的快速分析。

2.5　木片材性近红外快速检测设备

上述研究表明，在建立木片水分、基本密度、纤维长度等物理性能的近红外模型时，工业型光谱仪凭借高效的光谱信息获取能力可以表现出更优秀的建模效果；而在建立综纤维素和木质素含量等化学性能近红外模型时，工业型光谱仪与实验型光谱仪的建模效果也并无显著差异。因此工业型光谱仪适用于建立木片理化材性近红外模型，并能够满足工业过程分析的需求。

本研究基于工业型近红外光谱仪建立木片材性快速分析方法，并在此基础上研制开发木片材性近红外快速检测设备，该设备由光谱采集系统、样品输送系统及数据分析系统组成（图3）。首先采用工业型光谱仪采集木片光谱信号，数据分析系统自动读取光谱信号，在完成必要的光谱预处理和信号校正后，调用内置的近红外模型对各项材性指标进行预测，并实时显示预测结果。采用该设备对华东地区某造纸企业提供的杨木片（含10%杂木）进行材性分析，每分钟输出1次材性预测结果，同时取样测试实测值进行验证（图4）。结果表明，近红外模型预测值与实测值基本一致，能够准确反映原料材性变化情况，为生产原料高效管控及工艺参数智能调控提供基础数据支撑。

图3 木片材性近红外快速检测设备

Fig. 3 NIR fast measurement equipments for wood properties

图4 近红外模型预测值与实测值比较

Fig. 4 Comparison of predict values and test values of NIR model

3 结论

本研究通过建立近红外光谱模型实现对木片水分、基本密度、纤维长度、木质素含量、综纤维素含量等材性指标的快速预测分析，并探讨了光谱仪类型、光谱预处理、波长范围等对模型预测性能的影响。

3.1 木片理化性质的重要建模波长主要集中在1 100~1 700 nm波段，对木片光谱信号进行导数变换预处理和特征波长筛选，能够校正背景基线、提高谱峰分辨率，有助于改善模型预测性能。

3.2 与实验型光谱相比，工业型光谱仪对木片样品的光谱信息采集效率更高，对木片水分、基本密度、纤维形态等物理性能指标具有更好的建模效果。而在分析化学性能指标时，工业型光谱仪的建模效果与实验型光谱仪并无显著差异。因此工业型光谱仪更适用于建立木片理化材性近红外模型，用于制浆原料品质评价和工业过程分析。

参考文献

房桂干，沈葵忠，李晓亮. 中国化学机械法制浆的生产现状、存在问题及发展趋势［J］. 中国造纸， 2020，39（5）：55-62. [百度学术]

FANG G G， SHEN K Z， LI X L. Production Status and Development Trend of Chemi-mechanical Pulping in China ［J］. China Pulp & Paper， 2020，39（5）：55-62. [百度学术]

HANS G， ALLISON B. On-line characterization of wood chip brightness and chemical composition by means of visible and near-infrared spectroscopy ［J］. Holzforschung， 2021， 75（11）： 989-1000. [百度学术]

TSUCHIKAWA S， INAGAKI T， MA T. Application of near-infrared spectroscopy to forest and wood products ［J］. Current Forestry Reports， 2023，9： 401-412. [百度学术]

赵静远，熊智新，梁龙，等. 投影寻踪分类模型在常见造纸纤维原料综合评价中的应用［J］. 中国造纸学报， 2020，35（3）： 53-58. [百度学术]

ZHAO J Y， XIONG Z X， LIANG L， et al. Application of Projection Pursuit Classification Model in Comprehensive Evaluation of Common Papermaking Materials ［J］. Transactions of China Pulp and Paper， 2020，35（3）： 53-58. [百度学术]

DING F， BENAOUDIA M， BÉDARD P， et al. Wood chip physical quality definition and measurement［J］. Pulp and Paper Canada， 2005， 106（2）： 27-32. [百度学术]

HUANG H， YU H， XU H， et al. Near infrared spectroscopy for on/in-line monitoring of quality in foods and beverages： A review［J］. Journal of Food Engineering， 2008， 87（3）： 303-313. [百度学术]

TEIXEIRA D S C A， LOPO M， PÁSCOA R， et al. A review on the applications of portable near-infrared spectrometers in the agro-food industry［J］. Applied Spectroscopy， 2013， 67（11）： 1215-1233. [百度学术]

LIANG L， FANG G G， DENG Y J， et al. Determination of moisture content and basic density of poplar wood chips under various moisture conditions by near-infrared spectroscopy［J］. Forest Science， 2019， 65（5）： 548-555. [百度学术]

LIANG L， WEI L， FANG G G， et al. Prediction of holocellulose and lignin content of pulp wood feedstock using near infrared spectroscopy and variable selection［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， DOI： 10.1016/j.saa.2019.117515. [百度学术]

梁龙，吴珽，沈葵忠，等. 基于近红外光谱和水分校正算法的造纸木片基本密度预测［J］.光谱学与光谱分析， 2023， 43（8）： 2476-2482. [百度学术]

LIANG L， WU T， SHEN K Z， et al. Prediction of Basic Density of Wood Chips Using Near-infrared Spectroscopy and Moisture Content Correction Algorithm［J］. Spectroscopy and Spectral Analysis， 2023， 43（8）： 2476-2482. [百度学术]

吴珽，房桂干，梁龙，等. 近红外光谱法快速测定制浆杨木的材性［J］. 中国造纸， 2015，34（12）： 11-15. [百度学术]

WU T， FANG G G， LIANG L， et al. Rapid Prediction of Pulp Wood Properties by Near-infrared Spectroscopy Technique ［J］. China Pulp & Paper， 2015，34（12）： 11-15. [百度学术]

FAN W， LIANG Y， YUAN D， et al. Calibration model transfer for near-infrared spectra based on canonical correlation analysis［J］. Analytica Chimica Acta， 2008， 623（1）： 22-29. [百度学术]

褚小立. 化学计量学方法与分子光谱分析技术［M］. 北京：化学工业出版社， 2011： 75-78. [百度学术]

CHU X L. Molecular Spectroscopy Analytical Technology Combined with Chemometrics and Its Applications［M］. Beijing： Chemical Industry Press， 2011： 75-78. [百度学术]

SCHWANNINGER M， RODRIGUES J， FACKLER K. A review of band assignments in near infrared spectra of wood and wood components［J］. Journal of Near Infrared Spectroscopy， 2011， 19（5）： 287-308. [百度学术]

SANTOS A J A， ALVES A M M， SIMÕES R M S. Estimation of wood basic density of Acacia melanoxylon （R. Br.） by near infrared spectroscopy［J］. Journal of Near Infrared Spectroscopy， 2012， 20（2）： 267-274. [百度学术]

SHUKLA S R， SHASHIKALA S， SUJATHA M. Non-destructive estimation of fibre morphological parameters and chemical constituents of Tectona grandis L.f. wood by near infrared spectroscopy［J］. Journal of Near Infrared Spectroscopy， 2021， 29（3）： 168-178. CPP [百度学术]

基于实验型和工业型近红外光谱仪的木片材性预测建模对比研究

摘要

关键词

1 实验

1.1 实验原料和设备

1.2 样品制备和材性分析

1.3 光谱采集和模型建立

2 结果与讨论

2.1 水分模型分析

2.2 基本密度模型分析

2.3 纤维长度模型分析

2.4 化学组分模型分析

2.5 木片材性近红外快速检测设备