Uso da inteligência artificial para identificação/distinção de madeiras com base em imagens macroscópicas

Abstract

Resumo: Nas últimas décadas o uso de imagens em conjunto com técnicas computacionais tem sido estudado para a identificação e distinção de madeiras. Os esforços mais recentes têm se concentrado no uso de redes neurais artificiais, aprendizado profundo e visão computacional para tarefas de classificação. Para compreensão desse cenário, uma revisão bibliométrica foi realizada utilizando uma combinação de várias palavraschave relacionadas à identificação de madeiras e identificação por visão computacional na plataforma Scopus, focando-se apenas em artigos científicos. Após a triagem, um total de 44 artigos foram analisados e o estado da arte deste tema construído. Neste universo, destacam-se como os principais produtores de conhecimento o Brasil e Estados Unidos, demonstrando a relevância não só pelo quantitativo de espécies comercializadas, mas também no desenvolvimento de técnicas e tecnologia. Além disso, destaca-se o uso de redes neurais convolucionais em diferentes configurações. Contudo, mesmo com o rápido desenvolvimento de ferramentas utilizando transfer learning, não foi identificado o uso de maneira expressiva de arquiteturas mais complexas e que exigem menor input do operador, como o YOLO, comumente utilizado para a detecção de objetos e já empregado na indústria madeireira para classificação de qualidade da madeira em indústrias. Em razão disso, foi testada a eficiência de YOLOv8 para a identificação/distinção de madeiras a partir de 5 bancos de dados de imagens macroscópicas transversais obtidas com diferentes equipamentos (celular, câmera digital, estereomicroscópio, microscópio USB), diferentes magnificações e preparo de superfície distintos (lixas de diferentes grãos, lâmina de micrótomo de deslize, corte não homogêneo com objeto cortante). Todos os testes performados com YOLOv8 apresentaram acurácia acima de 99% e métricas de desempenho que indicam positivamente a precisão, sensibilidade e capacidade preditiva dos modelos e algoritmo aplicado. Com um volume total de mais de 11 mil imagens, pode-se constatar o grande potencial de YOLOv8 para a identificação/distinção de madeiras por meio do modo de classificação do algoritmo. Esses resultados se destacam especialmente em razão das imagens terem sido obtidas com diferentes equipamentos, diferente magnificação e preparo de superfície distintos, indicando seu potencial para aplicação em sistemas mais complexos, robustos e universais de identificação/distinção já que sua acurácia não foi afetada (ou pouco afetada) pelas fontes mais comuns de variação. Ou seja, estes resultados podem indicar o YOLOv8 como uma alternativa viável para um sistema de identificação mundial aberto e alimentado por diversos especialistas, laboratórios e outras instituições credenciadas, que facilitaria a identificação de madeiras por leigos ou órgãos fiscalizadores de maneira mais rápida e menos onerosa.

Abstract: In recent decades, the use of images in combination with computational techniques has been studied for the identification and distinction of wood. The most recent efforts have focused on the use of artificial neural networks, deep learning and computer vision for classification tasks. To understand this scenario, a bibliometric review was carried out using a combination of various keywords related to wood identification and computer vision-based identification on the Scopus platform, focusing only on scientific articles. After screening, a total of 44 articles were analyzed and the state of the art of this topic was developed. In this context, Brazil and the United States stand out as the main producers of knowledge, demonstrating their relevance not only in terms of the number of commercialized species, but also in terms of techniques and technological development. In addition, the use of convolutional neural networks in different configurations stands out. However, even with the rapid development of tools using transfer learning, there has been no significant use of more complex architectures that require less input from the operator, such as YOLO, which is commonly used for object detection and is already used in the timber industry to classify wood quality. For this reason, the efficiency of YOLOv8 for identifying/distinguishing wood was tested using 5 databases of macroscopic cross-sectional images obtained with different equipment (cell phone, digital camera, stereomicroscope, USB microscope), different magnification and different surface preparation (sandpaper with different grits, sliding microtome blade, nonhomogeneous cut with sharp object). All the tests performed with YOLOv8 had an accuracy of over 99% and performance metrics that positively indicate the accuracy, sensitivity and predictive capacity of the models and algorithm applied. With a total volume of more than 11,000 images, there is a considerable potential in YOLOv8 for identifying/distinguishing wood using the algorithm's classification mode. These results stand out in particular because the images were taken with different equipment, different magnification and different surface preparation, indicating its potential for application in more complex, robust and universal identification/distinction systems, since its accuracy was not affected (or little affected) by the most common sources of variation. In other words, these results may indicate YOLOv8 as a viable alternative for an open global identification system fed by various experts, laboratories and other accredited institutions, which would facilitate the identification of wood by laypeople or inspection bodies in a faster and more cost-effective manner.