Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales
Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se...
| Autores principales: | , , , , , , , , , , |
|---|---|
| Formato: | Online |
| Idioma: | spa |
| Publicado: |
Universidad de Costa Rica
2023
|
| Acceso en línea: | https://revistas.ucr.ac.cr/index.php/rbt/article/view/51310 |
| id |
RBT51310 |
|---|---|
| record_format |
ojs |
| institution |
Universidad de Costa Rica |
| collection |
Revista de Biología Tropical |
| language |
spa |
| format |
Online |
| author |
Centeno, Thonny Behyker Ferreira, Cassiana Inga, Janet Gaby Vélez, Andrés Huacho, Raul Vidal, Osir Daygor Moya, Sthefany Madjory Reyes, Danessa Clarita Goytendia, Walter Emilio Ascue, Benji Steve Tomazello-Filho, Mario |
| spellingShingle |
Centeno, Thonny Behyker Ferreira, Cassiana Inga, Janet Gaby Vélez, Andrés Huacho, Raul Vidal, Osir Daygor Moya, Sthefany Madjory Reyes, Danessa Clarita Goytendia, Walter Emilio Ascue, Benji Steve Tomazello-Filho, Mario Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| author_facet |
Centeno, Thonny Behyker Ferreira, Cassiana Inga, Janet Gaby Vélez, Andrés Huacho, Raul Vidal, Osir Daygor Moya, Sthefany Madjory Reyes, Danessa Clarita Goytendia, Walter Emilio Ascue, Benji Steve Tomazello-Filho, Mario |
| author_sort |
Centeno, Thonny Behyker |
| description |
Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo “Tramontina” es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil “Pretul” es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo “Ubermann” es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión. |
| title |
Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| title_short |
Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| title_full |
Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| title_fullStr |
Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| title_full_unstemmed |
Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| title_sort |
herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales |
| title_alt |
Cutting tools to optimize classification parameters of timber species with convolutional neural networks |
| publisher |
Universidad de Costa Rica |
| publishDate |
2023 |
| url |
https://revistas.ucr.ac.cr/index.php/rbt/article/view/51310 |
| work_keys_str_mv |
AT centenothonnybehyker cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT ferreiracassiana cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT ingajanetgaby cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT velezandres cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT huachoraul cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT vidalosirdaygor cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT moyasthefanymadjory cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT reyesdanessaclarita cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT goytendiawalteremilio cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT ascuebenjisteve cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT tomazellofilhomario cuttingtoolstooptimizeclassificationparametersoftimberspecieswithconvolutionalneuralnetworks AT centenothonnybehyker herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT ferreiracassiana herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT ingajanetgaby herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT velezandres herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT huachoraul herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT vidalosirdaygor herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT moyasthefanymadjory herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT reyesdanessaclarita herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT goytendiawalteremilio herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT ascuebenjisteve herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales AT tomazellofilhomario herramientasdecorteparaoptimizarparametrosdeclasificaciondeespeciesmaderablesconredesneuronalesconvolucionales |
| _version_ |
1822055491977609216 |
| spelling |
RBT513102024-10-29T21:43:35Z Cutting tools to optimize classification parameters of timber species with convolutional neural networks Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales Centeno, Thonny Behyker Ferreira, Cassiana Inga, Janet Gaby Vélez, Andrés Huacho, Raul Vidal, Osir Daygor Moya, Sthefany Madjory Reyes, Danessa Clarita Goytendia, Walter Emilio Ascue, Benji Steve Tomazello-Filho, Mario tropical trees; illegal timber; macroscopic images; machine learning; cutting tools; portable microscope árboles tropicales; madera ilegal; imágenes macroscópicas; aprendizaje automático; herramientas de corte; microscopio portátil Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the “Tramontina” knife to be durable, however, it loses its edge easily and requires a sharpening tool, the “Pretul” retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the “Ubermann” knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics. Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo “Tramontina” es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil “Pretul” es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo “Ubermann” es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión. Universidad de Costa Rica 2023-08-24 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf text/html application/epub+zip https://revistas.ucr.ac.cr/index.php/rbt/article/view/51310 10.15517/rev.biol.trop..v71i1.51310 Revista de Biología Tropical; Vol. 71 No. 1 (2023): Revista de Biología Tropical (Rev. Biol. Trop.): Continuous publication, 01 January - 31 December 2023; e51310 Revista de Biología Tropical; Vol. 71 Núm. 1 (2023): Revista de Biología Tropical (Rev. Biol. Trop.): Continuous publication, 01 January - 31 December 2023; e51310 Revista Biología Tropical; Vol. 71 N.º 1 (2023): Revista de Biología Tropical (Rev. Biol. Trop.): Continuous publication, 01 January - 31 December 2023; e51310 2215-2075 0034-7744 10.15517/rev.biol.trop..v71i1.2023 spa https://revistas.ucr.ac.cr/index.php/rbt/article/view/51310/56958 https://revistas.ucr.ac.cr/index.php/rbt/article/view/51310/56959 https://revistas.ucr.ac.cr/index.php/rbt/article/view/51310/56960 Copyright (c) 2023 Revista de Biología Tropical http://creativecommons.org/licenses/by/4.0 |