Multivariate prediction of wood surface features using an imaging spectrograph

Abstract

This paper presents a muitispectral system for evelution of linear algorithms for prediction of wood surface features important for automatic inspection of lumber. The selection of training samples, the imaging spectrograph scaning method, raw data representation, evaluation of linear algorithms and testing of performance is discussed. A possible on line implementation for high speed wood scanning with a smart sensor is outpointed. An example, showing the evolution of linear algorithms for prediction of compression wood in softwood species (Picea abies, Pinus sylvestris), is reported, showing verified 92–94% correct classification. It is shown that compression wood classification could be reduced to an uncomplicated linear model using just a few spectral components where the most important one is around the limit for visible light going to the Ultraviolet spectra. This almost univariate behaviour for the model is not the common behaviour for other wood surface features (Brunner et al., 1996; Hagman, 1995; Hagman, 1996).

Zusammenfassung

Diese Arbeit beschreibt ein Mehrkanalsystem zur Entwicklung eines linearen Algorithmus, der es gestattet, Eigenschaften von Holzoberflächen für eine automatische Gütesortierung von Schnittholz vorherzusagen. Die Auswahl von Testproben zum Kalibrieren des Systems, die Bilderzeugung durch Abrastern mit dem Bildspektrographen, die Darstellung der Rohdaten, die Beurteilung des linearen Algorithmus und die Eignung des Systems werden diskutiert. Die mögliche On-Line-Implementierung in ein Hochgeschwindigkeitsprüsystem für Schnittholz mit Hilfe eines schnellen Sensors wird aufgezeigt. Als Beispiel wird der lineare Algorithmus zur Vorhersage von Druckholzanteilen in Nadelholz (Picea abies, Pinus sylvestris) beschrieben, der eine 92–94% richtige Klassifizierung ermöglicht. Es konnte gezeigt werden, daß die Erkennung von Druckholz auf ein einfaches Modell reduziert werden kann, das nur wenige spektrale Komponenten erfordert, wobei die wichtigsten Wellenlängen im Bereich von der Grenze des sichtbaren Lichts bis zum UV-Bereich liegen. Dieses fast univariate Verhalten des Modells ist allerdings für die Bewertung anderer Oberflächeneigenschaften nicht der Fall.