木材是可再生的生物质材料,广泛应用于建筑、桥梁、家具等领域,但是由于对其力学特性缺乏足够了解,使其应用范围受到了限制。抗压弹性模量是木材应用的重要力学指标,传统的检测方法则是通过力学破化性实验完成测量,其具有条件苛刻、耗时长、以偏概全等缺点。随着现代传感技术的发展,木材力学强度的无损检测法得到了大力发展。目前主要的无损检测技术主要有:近红外光谱分析法、密度预测法、应力波法等。纤维角作为板材表面的重要特征,在很大程度上决定了板材的力学性能。通过构建板材纤维角分布特征与板材力学性能的模型,能够很好弥补当前主流木材力学强度无损检测中测量设备昂贵、操作复杂、方式局限等缺陷,拓展了板材力学无损检测方法。本文从针叶材管胞效应入手,设计了一套集光源发射、光斑采集与板材遍历为一体的纤维角检测平台,实现纤维角测量与纤维角分布的统计功能。针对设备搭建过程中相机相对于待测板材表面存在旋转导致光斑图像出现梯形变形的问题,采用了在待测表面设置特殊标记完成相机的姿态恢复,从而完成图像校正。在从激光光斑图像恢复板材纤维角的过程中,采用了高斯滤波核对图像高频信号进行抑制,通过梯度算子完成光斑边缘点的提取。在提取光斑最大变形指向的过程中,以椭圆方程作为模型,利用最小二乘法进行拟合。针对最小二乘对“离群点”敏感的缺陷,采用了随机采用一致性原则进行抽样拟合,以启发搜索的方式降低离群点对椭圆拟合的影响。由于脉冲激光光源发射功率存在跳动从而导致测量设备对同一点的不同次的测量值存在波动,该波动符合高斯分布,故选用均值滤波对最终拟合的纤维角度进行平滑。通过遍历板材得到板材纤维角分布,经过实验调优,最终确定了以板材正反两侧的纤维角均值、纤维角标准差、潜入系数作为输入,抗压弹性模量作为输出构建了 BP神经网络,完成板材纤维角分布预测抗压弹性模量的任务。在纤维角测量过程中,通过单点重复测量得到在最终的纤维角均值滤波器参数为20时,设备最大误差为0.65°。按照国家标准《GB-T-15777-1995》加工落叶松试样100个,应用检测平台采集纤维角分布后采用力学试验机获得抗压弹性模量;按照3:1的比例划分训练样本与测试样本;通过实验反复确定,在以两面纤维角均值、纤维角方差与潜入系数均值为输入,抗压弹性模量为输出构建6-15-4-1的前馈神经网络;以网络权值平方作为代价函数正则项,利用NAGD方法进行训练,网络精度能够达到90.8%,能够较好的完成板材抗压弹性模量预测任务。