Установление породы древесины по спектрам диффузного отражения в ближней инфракрасной области с применением линейного дискриминантного анализа

Представлен алгоритм исследования древесных материалов хвойных пород (Pinus sylvestris L., Pinus sibirica Du Tour, Larix decidua Mill., Abies alba L. и Picea abies (L.) Karst.) методом спектроскопии в ближней инфракрасной области. Древесина представляет собой сложный органический материал, состоящий из целлюлозы, гемицеллюлозы, лигнина и экстрактивных веществ. Данные соединения генерируют полосы поглощения в ближней инфракрасной области, в основном представляющие собой обертоны и полосы комбинации функциональных групп O-H, N-H и C-H. Определены оптимальные способы коррекции рассеяния с учетом специфики исследуемых образцов. На основе применения линейного дискриминантного анализа предложена методика по автоматическому установлению видовой принадлежности древесины по спектрам диффузного отражения в ближней инфракрасной области, а также определены ключевые параметры, достаточные для проведения процедуры классификации. Полученные LDA-модели показали высокую предсказательную способность, общая средняя точность классификации достигала 97,6 %. Следует констатировать, что метод спектроскопии в ближней инфракрасной области подходит для решения задач, связанных с установлением видовой принадлежности древесины, является эффективным инструментом для разделения древесных пород.

1. Toscano P., Iannotta N., Scalercio S. Botanical and Agricultural Aspects: Agronomic Techniques and Orchard Management. In: Muzzalupo I., Micali S. (Eds.). Agricultural and Food Biotechnologies of Olea europaea and Stone Fruits. Bentham, 2015. P. 3–73. https://doi.org/10.2174/9781608059935115010004

2. Ohyama M., Baba K., Itoh T. Wood Identification of Japanese Cyclobalanopsis Species (Fagaceae) Based on DNA Polymorphism of the Intergenic Spacer between trnT and trnL 5′ exon // Journal of Wood Science. 2001. Vol. 47. No. 2. P. 81–86. https://doi.org/10.1007/BF00780554

3. Sharma V., Yadav J., Kumar R., Tesarova D., Ekielski A., Mishra P. On the Rapid and NonDestructive Approach for Wood Identification Using ATR-FTIR Spectroscopy and Chemometric Methods // Vibrational Spectroscopy. 2020. Vol. 110. 103097. https://doi.org/10.1016/j.vibspec.2020.103097

4. Kanayama H., Ma T., Tsuchikawa S., Inagaki T. Cognitive Spectroscopy for Wood Species Identification: Near Infrared Hyperspectral Imaging Combined with Convolutional Neural Networks // Analyst. 2019. Vol. 144. No. 21. P. 6438–6446. https://doi.org/10.1039/C9AN01180C

5. Adedipe O.E., Dawson-Andoh B., Slahor J., Osborn L. Classification of Red Oak (Quercus rubra) and White Oak (Quercus alba) Wood Using a Near Infrared Spectrometer and Soft Independent Modelling of Class Analogies // Journal of Near Infrared Spectroscopy. 2008. Vol. 16. No. 1. P. 49–57. https://doi.org/10.1255/jnirs.760

6. Manley M., Baeten V. Spectroscopic Technique: Near Infrared (NIR) Spectroscopy. In: Modern Techniques for Food Authentication. 2nd ed. Academic Press, 2018. P. 51–102. https://doi.org/10.1016/B978-0-12-814264-6.00003-7

7. Aenugu H.P.R., Kumar D.S., Srisudharson N.P., Ghosh S., Banji D. Near Infra Red Spectroscopy – An Overview // International Journal of ChemTech Research. 2011. Vol. 3. No. 2. P. 825–836.

8. Хох А.Н., Звягинцев В.Б. Установление видовой принадлежности древесины хвойных пород с помощью спектроскопии в ближней инфракрасной области // Вопросы криминологии, криминалистики и судебной экспертизы. 2020. № 1. С. 161–167.

9. Paul L.C., Suman A.A., Sultan N. Methodological Analysis of Principal Component Analysis (PCA) Method // International Journal of Computational Engineering & Management. 2013. Vol. 16. No. 2. P. 32–38.

10. Boedeker P., Kearns N.T. Linear Discriminant Analysis for Prediction of Group Membership: A User-Friendly Primer // Advances in Methods and Practices in Psychological Science. 2019. Vol. 2. No. 3. P. 250–263. https://doi.org/10.1177/2515245919849378

11. Tharwat A., Gaber T., Ibrahim A., Hassanien A.E. Linear Discriminant Analysis: A Detailed Tutorial // AI Communications. 2017. Vol. 30. No. 2. P. 169–190. https://doi.org/10.3233/AIC-170729