Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion

Autor(es)

Zielinski, Kallil M. ; Scabini, Leonardo ; Ribas, Lucas C. ; da Silva, Nubia R. ; Beeckman, Hans ; Verwaeren, Jan ; Bruno, Odemir M. ; De Baets, Bernard

• Tipo de documento: Artigo Científico
• Fonte: COMPUTERS AND ELECTRONICS IN AGRICULTURE; v. 231, p. 12-pg., 2025-01-20.

Resumo

Wood is a versatile and renewable resource, widely used across industries, yet the increasing demand has led to illegal logging with severe environmental, social, and economic consequences. To reduce illegal wood trade and its associated threats to biodiversity, robust methods for wood species identification and accurate datasets are crucial. In recent years, there have been significant advances in this area, but many current techniques face challenges such as high costs, the need for skilled experts for data interpretation, and the lack of good datasets for professional reference. Therefore, most of these methods, and certainly the wood anatomical assessment, may benefit from tools based on Artificial Intelligence. In this paper, we apply two transfer learning techniques with Convolutional Neural Networks (CNNs) to a multi-view Congolese wood species dataset including sections from different orientations and viewed at different microscopic magnifications. We explore two feature extraction methods in detail, namely Global Average Pooling (GAP) and Random Encoding of Aggregated Deep Activation Maps (RADAM), for efficient and accurate wood species identification. Our results indicate superior accuracy on diverse datasets and anatomical sections, surpassing the results of other methods. Our proposal represents a significant advancement in wood species identification, offering a robust tool to support the conservation of forest ecosystems and promote sustainable forestry practices. (AU)

• Processo FAPESP: 21/09163-6 - Ciência das redes para otimização de redes neurais artificiais em visão computacional
• Beneficiário: Leonardo Felipe dos Santos Scabini
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Processo FAPESP: 23/10442-2 - Aprendizado profundo para reconhecimento de padrões em dados multissensores e multidimensionais
• Beneficiário: Leonardo Felipe dos Santos Scabini
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 21/08325-2 - Análise de autômato de rede (network automata) como modelo para processos naturais e biológicos
• Beneficiário: Odemir Martinez Bruno
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 18/22214-6 - Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico
• Beneficiário: Osvaldo Novais de Oliveira Junior
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 22/03668-1 - Análise do Comportamento Dinâmico de Sistemas Complexos e Redes Neurais Artificiais em Visão Computacional e Inteligência Artificial
• Beneficiário: Kallil Miguel Caparroz Zielinski
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Processo FAPESP: 23/04583-2 - Reconhecimento de padrões em imagens baseado em redes neurais artificiais e sistemas complexos: da extração de descritores manuais ao aprendizado automático
• Beneficiário: Lucas Correia Ribas
• Modalidade de apoio: Auxílio à Pesquisa - Regular