Contagem de anéis e identificação de toras de madeira utilizando redes neurais profundas

Abstract

O Brasil atua extensamente no fornecimento de matéria prima para a indústria madeireira. Recentemente, esse fornecimento chegou ao valor de 160 milhões de metros cúbicos de madeira em toras produzidos apenas na silvicultura. Apesar do grande fornecimento, todo esse valor se concentra em um grupo mínimo e seleto de espécies de madeira. Essa concentração se deve, principalmente, à escassez de informações referentes a outras espécies de madeira. Neste sentido, o presente trabalho se propõe a desenvolver algoritmos de visão computacional, baseados em redes neurais profundas, que sejam capazes de identificar a posição da tora de madeira em uma imagem e estimar a quantidade de anéis de crescimento encontrados. Para realizar esta tarefa, o presente trabalho também envolve a adaptação de uma base de dados existente de identificação de toras e a criação de uma base de dados para contagem de anéis. A identificação de toras é feita através de redes neurais profundas baseadas em CNNs e Transformers para segmentação semântica. Os melhores resultados foram obtidos pela rede Swin que atingiu métricas mIoU e mAcc acima de 90 pontos em todos os testes. A contagem de anéis é feita pela família de redes neurais profundas ResNet, adaptadas para realizar a tarefa de regressão. Os melhores resultados foram apresentados por uma variação da ResNet34, com MSE de 195.29, MAE de 12.00 e R2-Score de 0.60. Todos os tempos de inferência, seja para segmentação semântica ou para contagem de anéis, ficaram abaixo da marca de 10 segundos. Dados os objetivos do projeto e os resultados obtidos, a conclusão do trabalho é que o emprego destas redes na tarefa de extrair características de toras de madeira é promissora e deve ser pesquisada mais a fundo.

Abstract: Brazil plays a significant role in supplying raw materials to the timber industry. Recently, this supply reached a value of 160 million cubic meters of timber logs produced solely in forestry. Despite the substantial supply, this value is concentrated in a minimal and select group of wood species. This concentration is primarily due to the scarcity of information regarding other wood species. In this context, the present work aims to develop computer vision algorithms based on deep neural networks capable of identifying the position of a timber log in an image and estimating the number of growth rings present. To accomplish this task, the present work also involves adapting an existing database for log identification and creating a new database for ring counting. Log identification is achieved through deep neural networks based on CNNs and Transformers for semantic segmentation. The best results were obtained with the Swin network, achieving mIoU and mAcc metrics above 90 points in all tests. Ring counting is performed by the family of deep neural networks ResNet, adapted for regression tasks. The best results were presented by a variation of ResNet34, with an MSE of 195.29, MAE of 12.00, and R2- Score of 0.60. All inference times, whether for semantic segmentation or ring counting, remained below the 10-second mark. Given the project?s objectives and the results obtained, the conclusion of the work is that the use of these networks in extracting features from timber logs is promising and should be further researched.