Puesta a punto y evaluación de un procedimiento de cubicación de pilas de madera mediante redes neuronales y visión artificial

Abstract

[ES] Como parte de una tendencia global hacia la automatización, la implementación de algoritmos para la detección y cubicación de trozas de madera apilada ha suscitado el interés entre la comunidad científica y técnica en los últimos años. Entre las técnicas aplicables para tal fin, las Redes Neuronales Artificiales (ANN) ofrecen grandes posibilidades de uso. En este trabajo se entrenó la Red Neuronal Convolucional Mask R-CNN en una base de datos de 418 imágenes de trozas apiladas en camiones. Ello permitió detectar y segmentar las trozas individualmente, con lo cual se obtuvo una estimación de la sección de sus testas. Tras esto, se evaluó su precisión en varios escenarios, eliminando predicciones progresivamente a fin de determinar en qué escenario el error cometido por el modelo fue mínimo. Además, se estudió cómo la forma de las trozas, su tamaño y su número afectaron al desempeño del modelo. Finalmente, se identificaron buenas prácticas para aplicar estas técnicas en condiciones operativas, considerando que las imágenes deben ser tomadas perpendicularmente a las pilas de madera y sin oclusiones severas. Los resultados de este trabajo muestran que las Redes Neuronales Convolucionales (CNN) poseen un gran potencial para la estimación automática del volumen de madera de trozas apiladas, siendo capaces de igualar e incluso superar a otras técnicas consideradas como lo último.

[EN] The use of algorithms to automatically detect log piles and measure their volume has recently spiked scientists' and technicians' interest as part of a global trend towards automation. In that regard, Artificial Neural Networks (ANN) stand out given their potential use. In this study, the Convolutional Neural Network Mask R-CNN was trained on a dataset comprised of 418 images of log piles stacked on trucks. This allowed for the detection and segmentation of each log individually, as well as for the estimation of log end's surface. After that, its performance was tested under several scenarios, in which predictions were progressively removed to identify which scenario provided the minimum error. Furthermore, the relationship between logs' end shape, size and number, and model performance was assessed. Finally, best practices were identified when using these techniques under operational conditions, meaning images must be taken perpendicularly to timber stacks, avoiding any severe occlusion. These results show the great unexplored potential of Convolutional Neural Networks (CNN) for estimating the wood volume of timber stacks, matching, and even surpassing other techniques considered state-of-the-art.