利用高光谱激光雷达检测木材的霉变与含水量.pdf

为了快速无损地检测评估木材的霉变及含水量,利用高光谱激光雷达系统主动获取木材的高光谱数据,设计了一种分析霉变特征并建立含水量预测模型的方法。首先选取白松为样本,进行时长为 4 个月的间隔性测量,分析其霉变发生发展过程(正常、潮湿和霉变状态)的光谱特征变化;然后在分析样本不同含水量光谱特性的基础上,采用竞争性自适应重加权采样算法、连续投影算法及竞争性自适应重加权采样-连续投影组合算法提取特征波长;最后分别建立偏最小二乘回归预测模型。结果表明,正常状态的光谱反射率最高而霉变状态最低;当霉变状态稳定时,光谱反射率随时间变化缓慢并趋于稳定;基于竞争性自适应重加权采样-连续投影组合算法建立的模型预测性能最佳,预测集的相关系数和均方根误差分别为 0.9073 和 0.7564。利用高光谱激光雷达主动获取的高光谱信息可以评估木材的霉变并实现含水量预测,为木质建筑的快速无损检测提供了新思路。关键词:遥感;高光谱激光雷达;偏最小二乘回归;木材;霉变;含水量中图分类号:TP721.2 文献标志码:A doi:10.7510/jgjs.issn.1001-3806.2023.05.007Detection of mildew and moisture content in timber by hyperspectral LiDARLIU Lu1,SHAO Hui1,2,SUN Long1,2,CHEN Jie1,2,XU Heng1,2,HU Yuxia1,2,XIAO Xiao1,2(1.School of Electronic and Information Engineering,Anhui Jianzhu University,Hefei 230601,China;2.Anhui International Joint Research Center for Ancient Architecture Intellisencing and Multi-Dimensional Modeling,Anhui Jianzhu University,Hefei 230601,China)Abstract:In order to quickly and non-destructively detect and assess mildew and moisture content of timber,the hyperspectral data of timber was actively acquired by hyperspectral light detection and ranging(LiDAR),and a method was designed to analyze mildew characteristics and establish timber moisture content prediction model.Firstly,timber sample(white pine)hyperspectral data was measured at monthly intervals for four months,and the spectral characteristics of mildew occurrence and development(normal,wet and mildew state)were analyzed.Then based on analyzing the spectral characteristics of sample moisture content,competitive adaptive reweighted sampling,successive projections algorithm and competitive adaptive reweighted sampling-successive projections algorithm were employed to extract feature wavelength.Finally,prediction models were established with partial least squares regression respectively.The results show that,the spectral reflectance of normal state is highest and the mildews is lowest;when the mildew state is stable,the spectral reflectance changes slowly with time and tends to stabilize;and the model based on combined algorithm achieved the best predictive performance,the correlation coefficient and root mean square error of the prediction set are 0.9073 and 0.7564,respectively.The active acquisition of hyperspectral information by hyerspectral LiDAR can be used to assess mildew and predict timber moisture content,providing new ideas for rapid non-destructive detecting of wood buildings.Key words:remote sensing;hyperspectral LiDAR;partial least squares regression;timber;mildew;moisture content 基金项目:安徽省科技厅面上项目(2008085MF182);安徽省高校省级自然科学研究项目(KJ2021JD16;KJ2020A0471;KJ2021A0622);安徽省高校协同创新项目(GXXT-2021-028);安徽省古建筑智能感知与高维建模国际联合研究中心主任基金资助项目(GJZZX2021ZR02)作者简介:刘璐(1998-),女,硕士研究生,现主要从事激光雷达信号处理的研究。通讯联系人。E-mail:shaohui 收稿日期:2022-08-19;收到修改稿日期:2022-10-15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1。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,降低了建筑的稳定性、安全性和机械强度等结构性功能2。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,具体是第 47 卷 第 5 期刘 璐 利用高光谱激光雷达检测木材的霉变与含水量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3-5,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6-7,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 等人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8,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9。KOBORI 等人利用可见-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10。CHEN 等人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11。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(hy-perspectral LiDAR,HSL)系统同时具有高光谱成像和激光雷达(light detection and ranging,LiDAR)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12-13,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,本文作者利用自研的 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。1 实 验1.1 实验仪器实验中所使用的 HSL 系统的光谱范围为 550 nm1050 nm,光谱分辨率为 5 nm。系统实物如图 1a 所示,由发射单元、扫描控制单元和信号采集单元 3 个部 图 1 实验设备Fig.1 Experimental device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 3 维空间坐标和 101 个通道的全波形回波强度信息13。由于该 HSL 系统是原型机,因此利用莱森 i-SpecField-HH 便携式手持地物光谱仪进行光谱准确性验证,如图 1b 所示。其波段范围为 300 nm1100 nm,光谱分辨率为 1 nm,固定光源选取功率为 2500 W 的卤素灯,镜头视场角为 8。1.2 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 4 cm3 cm3 cm 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。1.3 光谱数据采集首先扫描前将样本置于距激光器 5 m 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(1)式计算每个扫描点的光谱反射率14。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:t()=ft()fs()s()(1)式中,表示波长,t()表示目标物体的光谱反射率,s()表示参考白板的光谱反射率,ft()和 fs()分别126激 光 技 术2023 年 9 月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15 cm 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 min 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 min 左右测量一次白板作为对比参照。每测量一次,共采集 5 组光谱数据。1.4 含水量测量根据国家现行标准15,首先将 30 块白松样本浸没水中 48 h 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 0.001 g)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 min 采集一次光谱数据和样本质量,重复 10 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 h 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:Mc(%)=Mi-M0M0 100%(2)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 21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Table 1 Sample set division and moisture contentdata setnumber of samplesmoisture content Mc/%maximumminimumaveragecalibration set20097.35278.379248.8346prediction set10094.648711.618948.41462 方 法2.1 特征波长选择算法2.1.1 竞争性自适应加权采样算法竞争性自适应加权采样算法(competitive adaptive reweighted sam-pling,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16。2.1.2连续投影算法连续投影算法(successive projections algorithm,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17-18。2.1.3 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19。2.2 模型建立与评价标准偏最小二乘回归(partial least squares regression,PLSR)是一种用于定性或定量的建模方法20,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 R2和均方根误差(root mean square error,RMSE)作为评价标准,R2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 R2值越高,RMSE 值越低,则预测精度越高21。其中,校正集均方根误差(root mean square error of calibration set,RMSEC)和预测集均方根误差(root mean square error of prediction set,RMSEP)分别用于评价模型不同数据集的预测精度,Rc2和 Rp2分别表示校正集和预测集的相关系数。3 结果与分析3.1 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。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 550 nm595 nm 和 950 nm1050 nm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 550 nm595 nm 区间内的输出能量较小且与峰值之间的能量相差很大,950 nm 1050 nm 范围内的量子效率较低,影响了光谱信号的获取22。两者光谱反射率曲线在 595 nm950 nm 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 595 nm950 nm 作为后续实验数据的分析范围,波段数量为 72。226第 47 卷 第 5 期刘 璐 利用高光谱激光雷达检测木材的霉变与含水量图 2 HSL 与地物光谱仪反射率对比Fig.2 Reflectance comparison between HSL and spectrometer3.2 霉变发生发展过程的光谱分析3.2.1 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 4 个月的间隔性光谱测量(实验室位于安徽省合肥市,经度:117.22505,纬度:31.74178)。79 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 2021-07-10 两个时间段、2021-07-19、2021-08-25、2021-09-26 和 2021-10-30。第 1 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 h,取出沥净后测其潮湿状态的光谱数据视为第 2 次光谱测量。随后将其继续浸没水中 48 h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 图 3 霉变样本a第 3 次测量(霉变初步形成)b第 4 次测量(霉变充分发展)Fig.3 Moldy sampleathe third measurement(initial formation of mildew)bthe fourth measurement(full development of mildew)状态属于原木断面边腐23,如图 3a 所示,进行第 3 次测量;37 d 后,样本表面霉菌状态如图3b 所示,进行第4 次测量,黑色框内为光谱测量区域。第 5、6 次测量区域的霉菌全部呈现绿斑状。3.2.2 霉变发生发展的光谱变化 6 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 595 nm950 nm 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 625 nm800 nm 区间很低,且随波长增加无明显上升趋势,从 800 nm 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 3 次测量到第 4 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 4、5、6 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 6 次测量的光谱反射率曲线Fig.4 Spectral reflectance curves of six measurements3.3 含水量预测3.3.1 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,实验中选取 30 块大小一样的白松样本,分别获取每个样本 10 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 图 5 同一白松样本不同含水量的光谱反射率Fig.5Spectral reflectance of the same white pine sample with different moisture content326激 光 技 术2023 年 9 月反射率曲线。可以看出,在 595 nm950 nm 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。3.3.2 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(root mean square error of cross-validation,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Fig.6 Feature wavelength selection based on CARS(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 530,图 7a表示 RMSE 值的变化曲线趋势图。可以看出,随着选 图 7 SPA 选择特征波长Fig.7 Feature wavelength selection based on SPA取特征波长数量的增加,RMSE 值下降,虽然存在一定波动,但特征波长数量大于 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)。(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 2 次选择。图 8a 表 图 8 CARS-SPA 选择特征波长Fig.8 Feature wavelength selection based on CARS-SPA426第 47 卷 第 5 期刘 璐 利用高光谱激光雷达检测木材的霉变与含水量示当选择 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)。3.3.3建模评价表 2 为全光谱反射率(full spec-trum reflectance,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 Rp2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,Rp2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 Rp2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Table 2 PLSR prediction results based on different feature wavelength se-lection algorithmsmodelnumber of wavelengthscalibration setprediction setRc2RMSECRp2RMSEPFSR-PLSR720.89160.82230.88220.8054SPA-PLSR230.85210.95140.86980.8913CARS-PLSR530.89150.89870.90850.7787CARS-SPA-PLSR220.89740.79030.90730.75644 结 论使用自研的 HSL 系统主动获取实验样本 550 nm1050 nm 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,共采集了 300 组不同含水量的全光谱实验数据,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,Rp2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,并能较好地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。参考文献1 KIM Y J,PARK S.Tectonic traditions in ancient chinese architec-ture,and their developmentJ.Journal of Asian Architecture&Building Engineering,2017,16(1):31-38.2 MVONDO R,MEUKAM P,JEONG J,et al.Influence of water con-tent on the mechanical and chemical properties of tropical wood spe-ciesJ.Results in Physics,2017,7:2096-2103.3 WANG X P,TEDER M,WACKER J.Condition assessment of the timber structures of a century-old industrial building using a nonde-structive inspection procedure J.Advanced Materials Research,2013,778:840-848.4 ROSS R J,WANG X P,SENALIK C A,et al.Nondestructive assess-ment of wood members from a historic viewing towerJ/OL.2022-08-15.https:/doi.org/10.2737/FPL-RN-349.5 ROSS R J,WANG X P,SENALIK C A,et al.Nondestructive assess-ment of wood members in a viewing tower in Potawatomi State ParkJ/OL.2022-08-15.https:/doi.org/10.2737/FPL-RN-366.6 BENI S,MAcCHIONI N,MANNUCCI M,et al.First trials for a mi-crowave reflectometric tool to survey decay in historic timber structuresJ.International Journal of Architectural Heritage,2015,9(5/8):665-673.7 BERTOLIN C,FERRI L D,GROTTESI G,et al.Study on the con-servation state of wooden historical structures by means of acoustic a-ttenuation and vacuum microbalanceJ.Wood Science and Technol-ogy,2020,54:203-226.8 BURUD I,GOBAKKEN L R,FL A,et al.Hyperspectral imaging of blue stain fungi on coated and uncoated wooden surfacesJ.Inter-national Biodeterioration&Biodegradation,2014,88:37-43.9 OSAWA T,MAEDA K,TSUNETSUGU Y,et al.Influence of sur-face checks on wood moisture content during wetting and re-dryingJ.European Journal of Wood and Wood Products,2019,77(4):681-689.10 KOBORI H,GORRETTA N,RABATEL G,et al.Applicability of VIS-NIR hyperspectral imaging for monitoring wood moisture content(MC)J.Holzforschung,2013,67(3):307-314.11 CHEN J,LI G.Prediction of moisture content of wood using modi-fied random frog and Vis-NIR hyperspectral imaging-sciencedirectJ.Infrared Physics&Technology,2020,105:1350-4495.12 SHAO H,CHEN Y,YANG Z,et al.Feasibility study on hyper-spectral LiDAR for ancient Huizhou-Style architecture preservationJ.Remote Sensing,2022,15:729-738.13 SHAO H,SA B N,LI W,et al.A design and implementation of full-waveform hyperspectral LiDAR for ancient architecture modelingJ.Infrared and Laser Engineering,2022,51(8):197-206(in Chinese).邵慧,撒贝宁,李伟,等.一种适用于古建筑建模的全波形高光谱激光雷达设计与实现J.红外与激光工程,2022,51(8):197-206.14 SHAO H,CAO Z,LI W,et al.Feasibility study of wood-leaf sepa-ration based on hyperspectral LiDAR technology in indoor circum-stancesJ.IEEE Journal of Selected Topics in Applied Earth Ob-servations and Remote Sensing,2022,15:729-738.15 GENERAL ADMINISR TRATIO OF QUALITY SUPERVISION,IN-SPECTION AND QUARANTIN OF THE PEOPEL S REPUBLIC 526激 光 技 术2023 年 9 月OF CHINA,STANDARDIZATION ADMINISTRATION OF THE PEOPEL S REPUBLIC OF CHINA.Method for determination of the moisture content of wood:GB/T 1931-2009S.Beijing:Peo-ples Publishing House,2009:1-8(in Chinese).中华人民共和国国家质量监督检验检疫总局中国国家标准化管理委员会.木材含水率测定方法:GB/T 1931-2009S.北京:人民出版社,2009:1-8.16 QIANG F,WANG Q Zh,HE J G,et al.Application of VIS/NIR hyperspectral imaging technology in non-destructive measurement of soluble solid content in Lingwu jujubeJ.Modern Food Science and Technology,2017,33(4):283-288(in Chinese).强锋,王芹志,何建国,等.基于 VIS/NIR 高光谱技术的灵武长枣 SSC 含量的无损检测研究J.现代食品科技,2017,33(4):283-288.17 HANG P J,LI Y H,YU Q J,et al.Classification of organic con-taminants in water discrimination systems developed by SPA and multi-classification SVM using UV-VIS spectroscopyJ.Spectros-copy and Spectral Analysis,2020,40(7):2267-2272(in Chi-nese).黄平捷,李宇涵,俞巧君,等.基于 SPA 和多分类 SVM 的紫外-可见光光谱饮用水有机污染物判别方法研究J.光谱学与光谱分析,2020,40(7):2267-2272.18 OUYANG A G,CAI H Zh,LI B,et al.Quantitative detection of benzoic acid in corn flour by terahertz spectroscopyJ.Laser Tech-nology,2020,44(4):478-484(in Chinese).欧阳爱国,蔡会周,李斌,等.玉米粉中苯甲酸的太赫兹光谱定量检测研究J.激光技术,2020,44(4):478-484.19 SUN J T,MA B X,DONG J,et al.Study on maturity discrimina-tion of Hami Melon with hyperspectral technology combined with characteristic wavelengths selection methods and SVMJ.Spectro-scopy and Spectral Analysis,2017,37(7):2184-2191(in Ch-inese).孙静涛,马本学,董娟,等.高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究J.光谱学与光谱分析,2017,37(7):2184-2191.20 WANG K Zh,TIAN J P,SUN T,et al.Rapid prediction model and method of Daqu acidity valueJ.China Brewing,2020,39(8):123-127(in Chinese).王开铸,田建平,孙婷,等.大曲酸度值的快速预测模型及方法研究J