Identificación del cilindro nudoso en imágenes TC de trozas podadas de Pinus radiata utilizando redes neuronales artificiales

Abstract

La factibilidad de identificar el cilindro nudoso en imágenes de tomografía computarizada de rayos X (TC) de trozas podadas de pino radiata (Pinus radiata D. Don), fue evaluada utilizando un método de clasificación supervisada basado en Redes Neuronales Artificiales (RNA). El proceso de clasificación consideró también la identificación de la zona libre de defectos y nudos. Treinta trozas podadas de pino radiata fueron escaneadas en un escáner médico multi-slice de rayos X, donde las imágenes TC resultantes fueron obtenidas cada 5 mm. Un total de 270 imágenes TC fueron clasificadas utilizando la técnica Redes Neuronal Artificial y los mapas temáticos resultantes, fueron filtrados con un filtro de mediana de 7 x 7. La precisión del proceso de clasificación de las imágenes TC fue obtenida a partir de una matriz de confusión y el estadístico Kappa. Los resultados indicaron que el cilindro nudoso puede ser identificado y separado con una precisión de 92.7%, mientras que para la precisión global se obtuvo un valor de 85.0%. Tras filtrar los mapas temáticos, los valores de precisión aumentaron a 96.3% y 92.3% para el cilindro nudoso y la precisión global, respectivamente. Los valores Kappa fueron de 0.607 y 0.764 para los mapas temáticos y mapas temáticos filtrados, respectivamente. Estos valores indicaron que existe un fuerte grado de conformidad entre los datos de referencia y el proceso de clasificación. Los resultados sugieren que es factible aplicar RNA como procedimiento de clasificación para identificar el cilindro nudoso en imágenes TC de trozas podadas de pino radiata.

Abstract

The feasibility of identifying Knotty core in images of X-ray computed tomography (CT) of pruned radiata pine logs (Pinus radiata D. Don), was evaluated using a supervised classification method based on artificial neural networks (ANN). The classification process also considers the identification of the clear wood and knots. Thirty pruned radiata pine logs were scanned in a multislice scanner medical X-ray, where the resulting CT images were obtained every 5 mm. A total of 270 CT images were classified using the ANN, and the resulting thematic maps were filtered with a median filter of 7 x 7. The accuracy of the classification process of the CT images was obtained from a confusion matrix and Kappa statistics. The results indicated that the Knotty core can be identified and separated with an accuracy of 92.7%, while for the overall accuracy was obtained a value of 85.0%. After filtering thematic maps, the precision values increased to 96.3% and 92.3% for the defective core and overall accuracy, respectively. Kappa values were 0.607 and 0.764 for thematic maps and thematic maps filtered, respectively. These values indicate that there is a strong degree of agreement between reference data and classification process. The results suggest that it is feasible to apply artificial neural networks as classification procedure to identify the Knotty core in CT images of pruned radiata pine logs.