Identificación del cilindro nudoso en imágenes Tc de trozas de Pinus radiata: Estudio comparativo

Abstract

El objetivo de este estudio fue comparar la precisión de los algoritmos de máxima verosimilitud (MV) y otro basado en redes neuronales artificiales (RNA), en la identificación del cilindro nudoso a partir de imágenes TC (Tomografía Computarizada) de trozas podadas de pino radiata (Pinus radiata D.Don). Para este fin, treinta trozas podadas fueron seleccionadas y luego escaneadas en un escáner médico multi-slice de rayos X (Tomografía Computarizada). Del total de imágenes TC obte-nidas del escáner, 270 fueron seleccionadas para este estudio. Estas imágenes TC fueron clasificadas utilizando ambos algoritmos y los mapas temáticos obtenidos de este proceso, fueron posteriormente filtrados utilizando un filtro median de 7 x 7. Los resultados de la evaluación cuantitativa indicaron que el cilindro nudoso puede ser identificado con una precisión de 98.5 % y 96.3 % utilizando el clasificador MV y RNA, respectivamente. Aunque ambos algoritmos presentaron elevados valores de precisión para identificar el cilindro nudoso, el análisis estadístico de estos resultados arrojo dife-rencias significativas entre ambos valores de precisión; por lo tanto se concluye que el algoritmo de máxima verosimilitud presenta un mejor desempeño que el algoritmo basado en redes neuronales artificiales, en la identificación del cilindro nudoso en imágenes TC de trozas de pino radiata (Pinus radiata D.Don).

Abstract

The aim of this study was to compare the accuracy of both the maximum likelihood classifier (ML) algorithm and another one based on an artificial neural networks classifier (ANN) algorithm for knotty core identification in CT images of pruned radiata pine (Pinus radiata D. Don) logs. For this purpose, thirty pruned radiata pine logs were chosen and then scanned in an X-ray multi-slice medical scanner (Computed Tomography (CT)). From the total CT images obtained, a sample of 270 CT images was selected for this study. Th is CT images were classified using both methods and the thematic map obtained aft erwards, were filtered by a 7 x 7 median filter. Quantitative assessment results showed that knotty core can be identified with 98.5 % and 96.3 % accuracy by using the ML and ANN classifiers respectively. Although both algorithms showed a high capacity level to detect knotty core statistical analysis showed significant differences among those accuracy values; this is an indication that the maximum likelihood classifier algorithm shows a better performance compared to the algorithms based on artificial neural networks for knotty core identification in CT images of radiata pine logs.