Reconhecimento de espécies florestais através de imagens macroscópicas

Abstract

Resumo: A identificação de espécies e uma necessidade primordial para as atividades de comércio e preservação de florestas. Entretanto, devido a escassez de dados e bases de imagens florestais, os estudos computacionais relacionados a esse tema são raros e recentes. Outros fatores que influenciam a raridade desses estudos estão relacionados a falta de técnicas computacionais comprovadamente eficazes para essa tarefa e ao custo para a aquisicão de imagens para a construção das bases e modelos computacionais, uma vez que equipamentos sofisticados e caros são utilizados. Tendo em vista esse contexto e com objetivo de minimizar os custos relacionados ao processo de identificação de espécies florestais, e proposta uma nova abordagem para essa tarefa, com a qual a identificação poderá ser realizada em campo e com equipamentos de baixo valor, agregando maior mobilidade e agilidade à execução dessa tarefa. Para avaliar e validar essa proposta, foram construídas duas bases de imagens macroscópicas a partir de amostras de madeira de especies florestais encontradas no território nacional, considerando dois metodos diferentes: abordagem tradicional em laboratório e abordagem em campo, sendo esta última, a proposta deste trabalho. Um protocolo modular baseado na estratégia de dividir para conquistar foi proposto, nele as imagens são divididas em subimagens, com o intuito de que problemas locais nao afetem a classificação geral da imagem. A partir delas, são extraídas informações de cor e textura que são utilizadas para a construcão de conjuntos de treinamento, teste e validação de classificadores. Para extração desses atributos são avaliadas diversas técnicas consagradas como análises de cor, GLCM, histograma de borda, Fractais, LBP, LPQ e Gabor. Apos a classificação de cada conjunto de atributos das subimagens, seus resultados passam por duas camadas de fusões (baixo e alto nível), para se chegar a decisão final de qual espécie a amostra pertence. Inicialmente, a avaliação experimental foi realizada com a base de imagens obtidas a partir da abordagem em campo uma vez que dessa maneira os resultados são mais conservadores devido à presenca de ruídos nos conjuntos de dados e ao não tratamento das amostras adquiridas. A taxa de reconhecimento obtida nessa etapa foi 95,82%. Após a validação do método proposto, os modelos de classificação foram reconstruídos e avaliados a partir da base de imagens criada com a abordagem tradicional em laboratório. Com esse novo modelo, a taxa de classificação foi de 99,49%. A partir da análise dos resultados, observa-se a viabilidade da abordagem proposta neste trabalho, que além de apresentar uma excelente taxa de classificação, muito próxima da obtida com técnicas mais sofisticadas e de alto custo, ainda agrega a mobilidade para a classificação de espécies em campo. Ressalta-se ainda, a construção e disponibilização das bases de imagens florestais, contribuindo, desta forma, para trabalhos futuros nesta área.

Abstract: Identifying species is a capital task related to the forestry commerce and preservations activities. However, due to the insufficiency of data and forestry image databases, studies concerning this subject are still rare and recent. Furthermore, the scarceness of these studies is enforced in the absence of effective computational techniques and the high costs involving image acquisition and models construction, since sophisticated and expensive equipment are needed. Regarding this context, we propose a new approach aiming at minimizing the costs involved in the automatic identification of forestry species, by which one can conduct this task in the field and using low cost equipment, aggregating at the same time, financial economy, mobility and agility. To evaluate the proposed approach we built two databases from samples of macroscopic images of wood species that can be found in the Brazilian territory. The databases were built using two different methods, namely standard laboratory approach and field approach, being the last one proposed in this research. A Divide-and-Conquer strategy was used to elaborate a modular protocol, where the images are divided into sub-images in order to avoid local factors influence during the image classification. Color and texture information are extracted from the images to form the training, test and validation sets used to evaluate the classifiers performance. Several techniques were used for the feature extraction, such as color analysis, GLCM, border histogram, fractals, LBP, LPQ and Gabor. After the classification of each feature set, the results are combined through two fusion layers (low and high level) to form the final image classification, assigning a specimen label to the current image example. The experimental evaluation was performed in two phases, first considering the field approach to build the image database and after, the standard laboratory approach. It is worth noting that using the field approach the results represent conservative estimates, since it might exists a high level of noisy in the dataset due to the fact that no preprocessing or filter was used to enhance the images. Nevertheless, the recognition rate achieved using this approach was 95.82%. Afterwards, the classification models were re-built using the dataset obtained with the standard laboratory approach, achieving 99.49% recognition rate. From these results, its is possible to conclude the feasibility of the proposed approach, which in spite of the high classification rate very close to the more sophisticated and expensive technique, decreases the cost and aggregates mobility (conducted in the field) to the task of forestry species classification. It is also worth to mention another important contribution of this research work, which is the construction of macroscopic forestry images databases, from now on available for future work in this research area.