基于微損探測的古建筑木構件常用樹種識別*

袁 霄 陳勇平,2 唐啟恒,2 郭文靜,2

(1.中國林業科學研究院木材工業研究所 北京 100091； 2.中國林業科學研究院林業新技術研究所 北京 100091)

木材樹種識別是古建筑木構件無損檢測和安全評估的重要內容(姜笑梅等， 2010； 李鑫， 2017)，因為樹種不同，材料的物理力學性能不同，其健康評價的基準也不同，若不明確樹種信息可能產生一定誤判； 同時，木材樹種識別也是木結構古建筑維修和保護的基礎性工作，通過樹種識別獲取木材名稱和材質參數，可為制定木結構古建筑保護方案及更換木構件提供選材依據，且樹種識別結果也可作為檔案信息或為科學研究服務(晉宏逵等， 2007； 曹靜等， 2019； 李世民等， 2019)。

1 材料與方法

1.1 試樣制備

選取落葉松(Larixsp.)、杉木(Cunninghamiasp.)、硬木松(Pinussp.)、軟木松(Pinussp.)、楊木(Populussp.)5種木結構古建筑常用木材樹種以及櫟木(Quercussp.)、核桃木(Juglanssp.)、水曲柳(Fraxinussp.)3種補充木材樹種為研究對象。將以上樹種木材加工成100 cm×50 cm×50 cm試樣，每樹種試樣8塊，以落葉松為例編號依次為落葉松-No1～落葉松-No8； 采集以上樹種且不同批的驗證木材，同樣加工成100 cm×50 cm×50 cm試樣，每樹種試樣2塊，以落葉松為例編號為落葉松-Y1、落葉松-Y2，試樣制備示意如圖1。選用木材均為氣干材，為與實際應用接軌，試樣含水率使用便攜式含水率測定儀進行檢測，落葉松、杉木、硬木松、軟木松、楊木、櫟木、核桃木和水曲柳試樣含水率均在8%～12%之間。

圖1 試樣制備Fig. 1 Sample preparation

1.2 數據采集

利用Resistograph 4452-P阻抗儀檢測試樣，檢測時微型探針沿木材年輪法線從邊材往心材方向探測，獲取相應的微損檢測曲線。根據現場實際檢測情況，為排除一些干擾因素，檢測曲線前后各去除5 cm，即檢測曲線有效分析范圍為探測深度的5～45 cm區間，如圖2。

圖2 數據采集Fig. 2 Data collection

1.3 曲線量化及基礎數據庫建立

描述數據曲線主要有2點： 一是曲線數值； 二是曲線走勢。

1.3.1 曲線數值量化 曲線數值采用整體均值和曲線占比2種方式量化。整體均值指對應橫坐標區間每隔1 cm讀取數值100個，5～45 cm區間共讀取數值4 000個，計算各對應數值求取平均值，并完善數據和曲線編號，以落葉松為例，編號落葉松-No1修改為落葉松-阻抗儀檢測平均值-No1。曲線占比指以顏色直方圖方式評估曲線在整幅圖像中的占比。顏色直方圖在許多圖像檢索系統中被廣泛采用，其描述的是不同色彩在整幅圖像中所占比例，并不關心每種色彩所處空間位置。曲線占比一定程度上反映峰谷變化幅度，對所有檢測曲線來說畫布大小不變，即整幅圖像像素點是一定的，而曲線可分成多個像素點，同等條件下峰谷變化越大像素點的接長越長，該顏色占比越高。考慮到顏色直方圖基于不同的顏色空間，而本研究檢索色彩較少，故采用Gray顏色直方圖。

1.3.2 曲線走勢量化 曲線走勢一定程度上反映圖像的紋理特征，故本研究曲線走勢采用紋理特征方式量化。紋理特征量化包括特征點選取、特征點主方向確定和特征點描述3個步驟。

1) 特征點選取： 在灰度圖像下建立一個Hessian二階偏導矩陣，求一定范圍內像素點的極值，選用二階標準高斯函數作為濾波器。高斯過濾是一種低通濾波，可除去圖像細節而保持整體不變。

建立的Hessian矩陣如下：

H(x,y,σ)=

對該矩陣進行運算：

若det(H)>0，則為極值點，對Hessian矩陣檢測到的極值設立一個閾值，若det(H)小于該閾值，則不計算； 若det(H)大于該閾值且比鄰近26個點響應值均大，則設為特征點。

2) 特征點主方向確定： 在以特征點為中心、以6s(s為特征點的尺度)為半徑的圓形區域內，對圖像進行Haar小波(邊長4s)響應運算。具體步驟為： 在以 6s為半徑的特征點鄰域范圍內，計算每個像素點x和y方向上的Haar小波響應值，并將其記為hx和hy； 以特征點為中心，對以 6s為半徑范圍內的像素點進行σ= 2s高斯加權，加權后的值分別表示在水平和垂直方向上的Haar小波響應值，記為Whx和Why； 采用大小為π/3的滑動窗口，計算窗口內水平和垂直方向的響應值總和，記為∑Whx和∑Why； 以步長5°左右旋轉滑動窗口，依次計算每個π/3窗口中的∑Whx和∑Why，找到最長矢量作為該特征點的方向。

3) 特征點描述： 以特征點為中心，沿主方向將20s×20s的圖像劃分成4×4個子區域，每個子區域利用尺寸2s的Haar小波模板進行響應計算，并統計響應值形成特征矢量。具體步驟為： 分別在 16 個子區域中計算每個像素點x和y方向上的Haar小波響應值并進行σ=3.3s的高斯加權平均，計為dx和dy； 將每個子區域中Haar小波響應值dx和dy分別相加，得到每個區域的響應值之和，記為∑dx和∑dy； 將每個子區域中Haar小波響應值dx和dy的絕對值相加，得到每個區域所有像素點的響應值絕對值之和，記為 ∑|dx|和∑|dy|； 將每個區域中的∑dx、∑dy、∑|dx|、∑|dy|組合成一個四維向量，16個子區域就得到一個 16×4=64 的特征向量，即為描述算子。

至此，整體均值、曲線占比和曲線走勢量化完成，形成無損檢測曲線基礎數據庫如圖3。

圖3 基礎數據庫Fig. 3 Basic database

1.4 比對算法

因已對曲線進行量化，故曲線之間的比較等同于2組數字之間的比較。

1) 曲線占比相似度算法： 假設Q代表待檢圖像，D代表數據庫圖像，HQ(k)和HD(k)分別為2幅圖像顏色直方圖，則2幅圖像之間的顏色匹配值P(Q,D)可借助相關系數算法來實現，即：

2) 曲線走勢相似度算法： 曲線走勢識別即找到曲線中具有典型代表性的局部特征，對該區域進行描述，并建立描述算子，通過描述算子進行相似度搜索。紋理特征比對算法經比較確定為Surf算法。Surf特征識別算法主要先找出特征點建立描述算子，后通過描述算子進行相似度比較。2個局部紋理描述算子的相似性度量，本研究采用歐式距離進行計算：

式中：Xik表示待檢圖像中第i個特征描述算子的第k個元素；Xjk表示標準圖像中第j個特征描述算子的第k個元素；n表示特征向量維數。

對待檢圖像上的特征點，計算其到標準圖像上所有特征點的歐氏距離，得到一個距離集合，對距離集合進行比較運算得到小歐氏距離和次小歐式距離。設定一個閾值0.7，當最小歐氏距離和次小歐式距離的比值小于該閾值時，認為特征點與對應最小歐氏距離的特征點是匹配的，否則沒有點與該特征點匹配。逐個度量待檢圖像中的描述算子，最后用匹配點數除以描述算子總數即曲線走勢相似度。為將繁瑣的計算比對過程轉化為直觀的界面，本研究采用自主研發的ImageCV圖像識別軟件，該軟件主要是以1.2中量化后的標準曲線信息為基礎數據，植入1.3中曲線數值和曲線走勢相似度算法進行待識別曲線的檢索和識別。

2 結果與討論

利用阻抗儀微損檢測曲線進行木材樹種識別不同于以往木材無損鑒定(劉紅清等， 2014； 李敏華等， 2012)，該方法主要基于數理統計和相似度分析理論，其樹種識別手段為固定區域范圍內的選擇性比對鑒定方法。識別原理可以簡述為： 通過建立木材微損檢測曲線中整體均值、曲線占比、區域走勢等關鍵參數與古建筑木構件常用樹種信息之間的映射關系，構建古建筑木構件常用樹種微損檢測信息數據庫，而后采集待識別木構件的微損檢測曲線，并將該微損檢測曲線與微損檢測信息數據庫中的各微損檢測曲線進行比對獲得樹種識別結果。

2.1 曲線與木材樹種信息的關系

不同樹種具有不同的阻抗儀檢測曲線形式，尤其當木材密度不同時表現得更為明顯。一般來說，當樹種不同且密度相差較大時，曲線數值和走勢差異明顯，如圖4。

圖4 密度差異顯著樹種的阻抗儀檢測曲線Fig. 4 Resistograph testing curves of wood species with significant density differences

這是因為密度與阻抗儀檢測值呈正相關，木材密度越大，其實體物質含量越多，微型探針刺入木材內部消耗的能量越大，阻抗儀檢測值越高。圖4中，櫟木木材實測密度約為0.86 g·cm-3，落葉松木材實測密度約為0.61 g·cm-3。

樹種不同但密度接近的木材，其阻抗儀檢測曲線也有一定差異，如圖5。

圖5 密度差異不顯著樹種的阻抗儀檢測曲線Fig. 5 Resistograph testing curves of wood species with similar density

由圖5可知，雖然二者密度接近(硬木松木材密度約0.46 g·cm-3，軟木松木材密度約0.42 g·cm-3)，但其阻抗儀檢測曲線形式有一定差異，可能是因為除密度外木材軟硬等其他材質特性也會影響阻抗儀檢測值，這一點從櫟木和落葉松的阻抗儀檢測值差值也可以看出。

2.2 曲線識別結果

為提高識別精度，本研究采用2種識別判定方法： 第1種識別模式，與待識別曲線比對，相似度最高曲線對應的樹種為樹種識別結果； 第2種識別模式，與待識別曲線比對，相似度較高8條曲線對應的樹種為樹種識別備選結果，備選結果中樹種占比最高的為樹種識別結果，若備選結果中樹種占比最高的出現2組或2組以上，則對8條曲線按相似度高低排序，排序號相加最低的為樹種識別結果。

從表1可以看出，無論何種識別模式，用于驗證的8組16個樣本曲線均可被準確識別； 但這并不能說明該識別方法的準確率為100%，首先數據庫樣本量目前并不足以涵蓋所有常用樹種以及各樹種所有的曲線組合，其次驗證樣本還需要根據實際情況進行不斷補充和完善。表1可以證明，利用阻抗儀微損檢測曲線進行樹種輔助鑒定的思路是可行的： 從小處看，一個建筑單體用材樹種是有限的，取樣產地也是有限的，通過前期建立的微損檢測曲線數據庫對待識別曲線進行比對分析得出鑒定結果是科學可行的； 從大處看，隨著數據庫逐漸完善，一個地區乃至全國木結構建筑就如同一個建筑單體一樣，其比對鑒定原理是相同的。當然，每次應用時根據前期調研結果和部分樣品分析，限定比對的適宜樹種，可縮小選擇范圍，提高識別精度； 而且，持續對部分未知樹種構件的比對結果進行傳統方法驗證，也可以完善該輔助技術。

表1 樹種識別結果Tab.1 Identification results of wood species

由表1同時可以看出，采用第2種模式進行識別時，相似度較高8條曲線對應的樹種并不是單一樹種(圖6)，這一定程度上說明可能會存在誤判風險。為了更好地分析，以落葉松-35-Y1為例，分別就整體均值、曲線占比和曲線走勢進行詳細比對說明。

從圖6可以看出，落葉松-35-Y1雖然被準確識別為落葉松，但在顏色相似度比較中，與其他樹種并無太大區別，如與落葉松-35-No3顏色相似度為99.99%，與楊木-29-No7顏色相似度為99.35%。這主要是因為檢測曲線所在圖像中背景色占比均超過90%，曲線占比差異在整體圖像中比率較小(圖7)，故顏色相似度較為接近僅表現為略有差異。

圖7 圖像背景分析Fig. 7 Background color analysis of image

從圖7可以看出，落葉松-35-No3檢測曲線所在圖像中背景色占比為92.99%，即曲線和輔助坐標占比為7.01%； 楊木-29-No7背景色占比為94.13%，即曲線和輔助坐標占比為5.87%。進一步去除輔助坐標的影響，落葉松-35-No3曲線占比為2.41%，楊木-29-No7曲線占比為1.18%，如圖8，2樹種曲線占比存在明顯差異，該過程相當于曲線拉伸，后續應對顏色直方圖算法進行修正。

圖8 曲線占比分析Fig. 8 Curves ratio analysis of image

從圖6也可以看出，落葉松-35-Y1與水曲柳-128-No5檢測曲線顏色相似度接近，這是因為水曲柳-128-No5背景色占比為92.48%，與落葉松-35-No3背景色占比極其接近，但水曲柳在初始的整體均值比較中與落葉松差異較大，如圖9所示(圖中3條曲線為示意的曲線拉伸效果，并非實際拉伸長度)，3樹種曲線在實際分析中存在較明顯差異。

圖9 曲線拉伸Fig. 9 Curves stretch

值得一提的是，硬木松-13-Y1和硬木松-14-Y2雖然均識別為硬木松，但在8條相似度較高曲線中僅有3條識別為硬木松，如硬木松-14-Y2識別中出現杉木、核桃木等樹種(圖10)，不可排除多樣品驗證時可能出現極大概率的誤判。為此，本研究就硬木松木材增加4條驗證曲線進行補充分析，其識別比例也多為3～4之間。究其原因主要是上述幾種木材現有的阻抗儀檢測值略接近且均較低，導致從整體均值、曲線占比和紋理特征難以明顯區分。

圖10 硬木松識別結果Fig. 10 Identification results of pine

對于此類情況，應對檢測曲線的獲取或在后期處理上進行適當調整，擴大差異，如圖11所示為后期調整的曲線。

圖11 曲線調整Fig. 11 Curves adjustment

從圖11可以看出，后期調整的曲線走勢略為明顯，據此本研究重建硬木松、杉木、核桃木和軟木松等密度相近木材的樹種數據庫，并以硬木松-14-Y2為例進行再次對比，但重建后數據庫比對效果并無明顯改觀。單純依靠后期處理無法解決問題，曲線調整應結合實際檢測過程進行，實際檢測過程中若部分曲線數值過低，應對儀器檢測速度進行實時調整，以增大探針能耗，相對提高阻抗儀檢測值，從而得出特征更為清晰的曲線。當然，曲線調整并非是調整個別樹種問題，需要綜合考慮整體數據庫的基準或建立多基準數據庫； 此外，對于某些樹種是否適用于此類方法也值得進一步探究。

綜上所述，利用微損檢測曲線進行古建筑木構件用材樹種識別是可行的，且不論對于一個特定的木結構古建筑來說，其用材樹種是相當有限的。若木材密度相差較大，可分析曲線高低直接區分； 若木材密度接近但曲線峰谷變化差異大，可根據曲線占比和曲線走勢區分； 若木材密度和曲線占比均接近，需綜合古建筑歷史記錄、木材取材信息以及其他特征加以確定。實際應用中，結合傳統取樣鑒定結果并將取樣構件的微損檢測曲線增列至數據庫，可提高識別精度。

3 結論

1) 以多基準的木材微損檢測曲線數據庫為基礎，通過待識別曲線的比對分析，可實現木結構古建筑常用落葉松、杉木、松木、楊木等木材樹種的初步鑒定。

2) 古建筑木構件用材樹種現場識別是一個長期性工作，需不斷應用-反饋-改進，未必所有用材樹種均適合此類分析方法，但隨著基礎數據庫、比對算法、適宜樹種、微損曲線特征的不斷完善，其鑒定可靠性將得以提高。

3) 古建筑木構件用材樹種現場識別是一種區域范圍內的選擇性鑒定方法，是針對文物建筑特點的一種適宜性保護識別技術，該技術無法取代傳統樹種微觀鑒定方法，但可作為傳統鑒定手段的有效補充。