1、引言

木质建筑是中国传统建筑类型之一，其主体框架构件使用木材作为材料。木材具有强吸湿性，长期处于湿润状态容易滋生真菌引起木材发生霉变甚至腐烂，降低建筑的稳定性、安全性和机械强度等结构性功能。因此，准确评估木材状态可以为建筑健康检测，木构件修复更换和预防保护提供数据支持。

目前，评估木材状态的主要方法为探测法，具体是指通过压力波对木材构件的木芯样本进行霉变检测，可实现木材严重霉变情况下的评估，但无法检测出木材的初始霉变状态。木材潮湿与正常状态下的不同介电常数值作为评估霉变初始状态的判定标准之一，主要检测方法是利用微波反射仪观察介电常数对反射系数的影响，实现霉变初始区域的预判，但该方法需专业人员进行操作且实验过程复杂。高光谱技术由于具有快速、无损、高效等特点，近年来应用广泛。BURUD等利用高光谱相机对木材表面的霉菌进行种类判别和覆盖量量化，证实了利用高光谱信息检测木材霉变的可行性。含水量作为木材霉变的主要影响因素之一，若超过纤维饱和点就会增加木材感染真菌的风险，因此预测木材的含水量可以为进一步评估霉变初始状态提供帮助。KOBORI等利用可见-近红外高光谱成像技术预测木材在自然干燥过程中的含水量，通过全光谱反射率建立木材含水量的预测模型，表明高光谱成像技术在监测木材含水量方面具有很大潜力。CHEN等采用特征变量选择算法提取木材高光谱数据的有效波长，建立了更稳定高效的木材含水量预测模型。但这些高光谱技术多数依赖被动光源（比如太阳、卤素灯），实验场景受到限制，不适用于建筑的现场检测评估。高光谱激光雷达系统（HSL）同时具有高光谱成像和激光雷达探测的优点，可以主动探测目标获取光谱信息和空间信息，目前已被应用于古建筑保护领域，实现了木材构件材料种类和使用年限的分类，但将其应用于木材状态评估方面的研究较少。

为准确检测评估木材的霉变与含水量，本文利用自研的101通道高光谱激光雷达系统主动获取光谱信息。首先利用地物光谱仪验证该系统光谱反射率的准确性，然后在实验室环境下利用HSL采集木材霉变发生发展过程的光谱信息，并获取木材不同含水量的光谱数据，分析木材正常、潮湿和霉变不同状态的光谱特征。最后基于不同特征波长选择算法对木材含水量的光谱反射率进行特征波长提取，分别建立偏最小二乘回归模型并选出预测性能最佳的模型。

2、实验部分

2.1 实验仪器

实验所使用的HSL系统的光谱范围为550nm ~ 1050nm，光谱分辨率为5nm。系统实物图如图1a所示，由发射单元、扫描控制单元和信号采集单元三个部分组成。通过超连续激光器主动发射宽谱段激光脉冲并利用声光可调谐滤波器在不同时刻发射出不同波长的激光信号。系统采用雪崩光电二极管和高速采集卡探测和记录回波信号，可同时获取目标的三维空间坐标和101个通道的全波形回波强度信息。

由于该HSL系统是原型机，因此利用莱森光学iSpecField-HH便携式手持地物光谱仪进行光谱准确性验证，如图1b。其波段范围为300nm ~ 1100nm，光谱分辨率为1nm，固定光源选取功率为2500W的卤素灯，镜头视场角为8°。

图1 仪器 （a）高光谱激光雷达系统; （b）地物光谱仪

2.2 实验样本

样本取自安徽省黄山市某木质建筑修缮现场，为修复损伤木构件的替换木材，均为表面无杂质、无损伤、无虫眼的健康原木。种类分别为香樟、水曲柳和白松，将白松样本截断成大小为4cmx3cmx3cm的木块。其中，香樟、水曲柳实验样本用于光谱准确性验证，白松样本用于木材的霉变发生发展过程的光谱变化特征分析和含水量预测。

2.3 光谱数据采集

首先扫描前将样本置于距激光器5m处，确保激光器射出的光源垂直入射被测样本，然后设置转台推扫间隔和扫描范围，对实验样本进行数据采集，最后在相同位置采集反射率为99%的漫反射参考白板的光谱数据。利用样本的回波信号强度响应数值和参考白板的回波信号强度响应数值，根据公式（1）计算每个扫描点的光谱反射率。HSL扫描一个点，即获得目标一组光谱数据。HSL测量的光谱反射率为：

图 9 高光谱舌图像光谱特征图

式中，λ表示波长，ρt（λ）表示目标物体的光谱反射率，ρs（λ）表示参考白板的光谱反射率，ft（λ）和fs（λ）分别表示目标物体和参考白板的回波信号强度响应数值。

完成HSL数据采集后，立即用地物光谱仪对样本同一位置进行数据采集。镜头位于样本垂直上方15cm处且测量过程中保持距离不变。由于地物光谱仪在工作时会产生暗电流，为消除其对测量数据的影响，每5分钟左右采集一次暗电流。在测量实验样本之前先进行白板校正，每10分种左右测量一次白板作为对比参照。每测量一次，共采集五组光谱数据。

2.4 含水量测量

根据国家现行标准，首先将30块白松样本浸没水中48小时以吸收充足水分，然后利用HSL采集每个样本的光谱数据，并立即使用精密电子分析天平（上海力辰邦西ES2055B，精度0.001g）测其质量。随后将样本放入100℃的电热恒温干燥箱（上海精宏DHG-9001A），每隔30分钟采集一次光谱数据和样本质量，重复十次，共采集300组样本数据。最后利用恒温干燥箱将所有白松样本烘干48小时至恒重（最后两次称量之差不超过实验样本质量的0.5%）。样本含水量由下式计算所得：

式中， Mc表示样本含水量，Mi表示第i次称重的样本质量，M0表示样本干重。

以2：1的比例随机选取200组数据作为校正集，预测集数量为100组，表1为样本集划分结果。其中校正集Mc范围为8.3792% ~ 97.3527%，预测集Mc范围为11.6189% ~ 94.6487%，当校正集Mc范围大于预测集Mc范围时，有利于建立稳定的预测模型。

表1 样本集划分及含水量

3、方法

3.1 特征波长选择算法

3.1.1 竞争性自适应加权采样算法

竞争性自适应加权采样算法（CARS）基于蒙特卡洛采样结合偏最小二乘法，输入全光谱数据，选取重要性较大的波长，多次迭代得到多个不同波长子集，根据交叉验证选取均方根误差最小的波长子集。

3.1.2 连续投影算法

连续投影算法（SPA）基于投影操作，对原始光谱矩阵进行投影，选取最大投影的向量作为特征波长，多次迭代后选取均方根误差最小的波长子集。

3.1.3 竞争性自适应重加权采样-连续投影算法

竞争性自适应重加权采样-连续投影算法（CARS-SPA）组合算法首先通过CARS算法淘汰全光谱信息中的无关变量，然后再利用SPA对CARS初次选择的特征波长进行二次有效特征波长选择。

3.2 模型建立与评价标准

偏最小二乘回归（plsr）是一种用于定性或定量的建模方法，可建立光谱反射率与木材含水量之间的回归模型，实现光谱反射率对木材含水量的快速预测。

为了评估PLSR模型性能，采用相关系数R 2和均方根误差（RMSE）作为评价标准，R 2和RMSE分别表示实验样本含水量真实值和预测值之间的决定系数和偏差，若模型的R 2值越高，RMSE值越低，则预测精度越高。其中，校正集均方根误差（RMSEC）和预测集均方根误差（RMSEP）分别用于评价模型不同数据集的预测精度。

4、结果与分析

4.1 HSL光谱准确性验证

图2a和图2b分别表示香樟、水曲柳通过HSL和地物光谱仪所测得的光谱反射率曲线。为保证波长范围的一致性，地物光谱仪选取与HSL相同的光谱范围。

图2 HSL与地物光谱仪反射率对比 （a）香樟; （b）水曲柳

可以看出，两种仪器测量得到的光谱反射率曲线趋势大体一致，但在 550nm ~ 595nm 和 950nm ~ 1050nm 波段范围内差异较大，主要是由系统光电探测器件非线性效应造成的。在 550nm ~ 595nm区间内的输出能量较小且与峰值之间的能量相差很大，950nm ~ 1050nm 范围内的量子效率较低，影响了光谱信号的获取。两者光谱反射率曲线在 595nm ~ 950nm 区间内一致性较高，证明 HSL测量的光谱数据是可靠的。为确保数据准确性，选取 595nm ~ 950nm 作为后续实验数据的分析范围，波段数量为72。

4.2 霉变发生发展过程的光谱分析

4.2.1 样本霉变发生发展的过程

为分析木材霉变发生发展过程的光谱变化，在实验室环境下对同一块白松样本的同一区域进行四个月的间隔性光谱测量（实验室位于安徽省合肥市）。7、8、9月正处江淮地区梅雨季节，木材易发生霉变，光谱测量时间分别为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。第一次测量的是未经任何处理的正常白松样本，然后将其浸没水中4小时，取出沥净后测其潮湿状态的光谱数据视为第二次光谱测量。随后将其继续浸没水中48小时至吸收足够水分，置于实验室无阳光照射的地砖上，待其自然生长成表面附霉菌状态。实验样本的霉变腐烂状态属于原木断面边腐，如图3a所示，进行第三次测量；37天后，样本表面霉菌状态如图3b所示，进行第四次测量，黑色框内为光谱测量区域。第五、六次测量区域的霉菌全部呈现绿斑状。

图 3 霉变样本 （a）第三次测量（霉变初步形成）; （b）第四次测量（霉变充分发展）

4.2.2 霉变发生发展的光谱变化

六次测量的光谱反射率如图4所示，可见，正常和潮湿状态下的光谱曲线波形相似，但潮湿状态的光谱反射率在595nm ~ 950nm波段范围内低于正常状态，这是因为两者之间木材的含水量不同，潮湿样本含有更多水分，其光谱反射率更低。当样本发生霉变后，光谱曲线发生明显变化，反射率在625nm ~ 800nm区间很低，且随波长增加无明显上升趋势，从800nm开始反射率随波长增加而上升。当霉菌颜色由白色变成绿色时（第三次测量到第四次测量），光谱反射率整体下降，但光谱曲线大致相同。对木材霉菌颜色发展成绿色时测量的第四、五、六次的光谱反射率进行比较分析，发现反射率无明显变化，这是因为霉菌为绿斑后呈稳定状态不再发展。

图 4 六次测量的光谱反射率曲线

4.3 含水量预测

4.3.1 不同含水量的光谱特征分析

为进一步分析光谱与木材含水量之间的关系，实验选取30块大小一样的白松样本，分别获取每个样本十组不同含水量的反射率。图5表示同一白松样本不同含水量的光谱反射率曲线。可以看出，在595 ~ 950nm范围内光谱曲线趋势大致相同，随着波长的增加反射率缓慢上升。对比高含水量（97.35%、80.00%、66.01%和61.99%）的光谱反射率曲线，发现含水量越高光谱反射率越低。但反射率在56.93% ~ 15.62%范围内差异很小，这是因为白松样本表面比内芯更容易烘干，当烘干到一定程度时，样本表面的含水量变化很小。

图 5 同一白松样本不同含水量的光谱反射率

4.3.2 光谱特征波长选择

为提高PLSR模型的预测精度和运行速度，采用CARS、SPA以及CARS-SPA组合算法进行特征波长选择，以达到消除冗余变量和提高预测模型性能的目的。

（1）基于CARS的特征波长选择

将蒙特卡洛样本数设置为50。图6a显示随着采样次数的增加被筛选出特征波长的数量不断减少，曲线下降的趋势从快到慢，表明选取特征波长的效率也从快到慢。从图6b可以看出交叉验证均方根误差（RMSECV）值在采样次数大于29后显然变大，表明第29次后的采样筛选过程中淘汰了一些与预测模型相关的有用变量。第4次（标记为实心红色方块）采样时RMSECV值达到最小，则将该次采样选取的波长作为确定Mc的特征波长，共53个波长。

图 6 CARS 选择特征波长 （a）特征变量的数量; （b）RMSECV 值

（2）基于 SPA 的特征波长选择

预先将需选取的特征波长数设置为 5 ~ 30，图 7a 表示 RMSE 值的变化曲线趋势图，可以看出，随着选取特征波长数量的增加 RMSE 值下降，虽然存在一定波动，但 N>10 以后下降趋势不明显。当选择 23 个波长时（标记为实心红色方块），RMSE 值达到最佳。图 7b 为选取的 23 个特征波长（标记为实心红色方块）。

图 7 SPA 选择特征波长 （a）RMSE 值; （b）选取的特征波长

（3）基于CARS-SPA的特征波长选择

首先采用CARS从全光谱信息中选择特征波长，然后对选取的波长利用SPA进行二次选择。图 8a表示当选择22个波长时（标记为实心红色方块），RMSE值达到最佳。图8b为选取的22个特征波长（标记为实心红色方块）。

图 8 CARS-SPA 选择特征波长 （a）RMSE 值; （b）选取的特征波长

4.3.3 建模评价

表2为全光谱反射率（FSR）和基于特征波长选择算法的木材含水量预测模型结果。可以看出，FSR建立的PLSR模型的Rp 2可以达到0.8822，说明利用全光谱信息可以实现 木材含水量的预测。对比分析不同特征波长选择算法的预测结果，发现基于CARS-SPA的PLSR模型（CARS-SPA-PLSR）预测能力最好，Rp 2提升至0.9073，RMSEP降低至0.7564，波长数量减少至22，模型的性能得到提升并减少了模型的运算量。CARS-PLSR模型的Rp 2可以达到0.9085，但其选取的特征波长较多，会降低模型的运行速度。SPA-PLSR模型的预测能力相对较差，是因为其提取的有效变量较少影响了模型的预测精度。

表2 不同特征波长选择算法的 PLSR 模型预测结果

5、结论

本文使用自研的HSL系统主动获取实验样本550nm ~ 1050nm的光谱信息，并利用地物光谱仪验证了该系统光谱数据的准确性。通过对白松样本发霉过程进行间隔性光谱测量，发现随着木材状态（正常、潮湿和霉变）的发展，光谱反射率越来越低，当霉变状态稳定时，光谱反射率无明显变化。同时观察到含水量较高的潮湿状态的光谱反射率低于正常状态。为进一步探究木材含水量与光谱之间的关系，实验共采集了300组不同含水量的全光谱数据，分别利用CARS、SPA以及CARS-SPA算法提取特征波长，并建立对应的木材含水量PLSR模型。结果表明，对比全光谱反射率建模，特征波长选择算法可以降低光谱数据维数，提高模型预测精度。其中，CARS-SPA-PLSR模型预测能力最好，Rp 2提升至0.9073，RMSEP降低至0.7564。因此，利用HSL系统主动探测获取的光谱信息可以对木材的霉变进行特征分析，并能较好的建立含水量预测模型，为高光谱在木质建筑检测评估的应用提供了技术支持和新方向。

便携式地物光谱仪iSpecField-NIR/WNIR

专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品，由于其操作灵活、便携方便、光谱测试速度快、光谱数据准确是一款真正意义上便携式地物光谱仪。

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。