Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion

要約

近年、木材種の識別において多くの進歩が見られます。
DNA 分析、近赤外 (NIR) 分光法、リアルタイム直接分析 (DART) 質量分析などの方法は、細胞と組織の形態に関する長年確立されている木材の解剖学的評価を補完します。
ただし、これらの方法のほとんどには、コストが高い、データ解釈に熟練した専門家が必要である、専門的に参照できる優れたデータセットが不足しているなど、いくつかの制限があります。
したがって、これらの方法のほとんど、そして確かに木材の解剖学的評価は、人工知能に基づくツールの恩恵を受ける可能性があります。
この論文では、畳み込みニューラル ネットワーク (CNN) を使用した 2 つの転移学習手法を、さまざまな方向からのセクションを含み、さまざまな顕微鏡倍率で表示されたマルチビューのコンゴ樹種データセットに適用します。
効率的かつ正確な木材種の識別のために、Global Average Pooling (GAP) と Aggregated Deep Activation Maps (RADAM) のランダム エンコーディングという 2 つの特徴抽出方法を詳しく調査します。
私たちの結果は、さまざまなデータセットと解剖学的セクションで優れた精度を示し、他の方法の結果を上回っています。
私たちの提案は木材種の識別における大きな進歩を表しており、森林生態系の保護をサポートし、持続可能な林業実践を促進するための強力なツールを提供します。

要約(オリジナル)

In recent years, we have seen many advancements in wood species identification. Methods like DNA analysis, Near Infrared (NIR) spectroscopy, and Direct Analysis in Real Time (DART) mass spectrometry complement the long-established wood anatomical assessment of cell and tissue morphology. However, most of these methods have some limitations such as high costs, the need for skilled experts for data interpretation, and the lack of good datasets for professional reference. Therefore, most of these methods, and certainly the wood anatomical assessment, may benefit from tools based on Artificial Intelligence. In this paper, we apply two transfer learning techniques with Convolutional Neural Networks (CNNs) to a multi-view Congolese wood species dataset including sections from different orientations and viewed at different microscopic magnifications. We explore two feature extraction methods in detail, namely Global Average Pooling (GAP) and Random Encoding of Aggregated Deep Activation Maps (RADAM), for efficient and accurate wood species identification. Our results indicate superior accuracy on diverse datasets and anatomical sections, surpassing the results of other methods. Our proposal represents a significant advancement in wood species identification, offering a robust tool to support the conservation of forest ecosystems and promote sustainable forestry practices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google