View in EDS

Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales.

Saved in:
Bibliographic Details
Title: Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales.
Alternate Title: Cutting tools to optimize classification parameters of timber species with convolutional neural networks.
Authors: Centeno, Thonny Behyker1 71906318@continental.edu.pe, Ferreira, Cassiana1 calves@continental.edu.pe, Inga, Janet Gaby1 jingag@continental.edu.pe, Vélez, Andrés1 andres.velez.e@gmail.com, Huacho, Raul1 raulhuacho26@gmail.com, Vidal, Osir Daygor1 osir.vidal@gmail.com, Moya, Sthefany Madjory1 sthefanymmoya@gmail.com, Reyes, Danessa Clarita1 73086825@continental.edu.pe, Goytendia, Walter Emilio1 waltergoytendia@gmail.com, Ascue, Benji Steve1 70041331@continental.edu.pe, Tomazello-Filho, Mario2 mtomazel@usp.br
Source: Revista de Biología Tropical. ene-dic2023, Vol. 71 Issue 1, p1-17. 17p.
Abstract (English): Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the "Tramontina" knife to be durable, however, it loses its edge easily and requires a sharpening tool, the "Pretul" retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the "Ubermann" knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics. [ABSTRACT FROM AUTHOR]
Abstract (Spanish): Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo "Tramontina" es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil "Pretul" es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo "Ubermann" es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión. [ABSTRACT FROM AUTHOR]
Copyright of Revista de Biología Tropical is the property of Universidad de Costa Rica and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
Database: MedicLatina
FullText Text:
  Availability: 0
Header DbId: lth
DbLabel: MedicLatina
An: 177827162
AccessLevel: 6
PubType: Academic Journal
PubTypeId: academicJournal
PreciseRelevancyScore: 0
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales.
– Name: TitleAlt
  Label: Alternate Title
  Group: TiAlt
  Data: Cutting tools to optimize classification parameters of timber species with convolutional neural networks.
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Centeno%2C+Thonny+Behyker%22">Centeno, Thonny Behyker</searchLink><relatesTo>1</relatesTo><i> 71906318@continental.edu.pe</i><br /><searchLink fieldCode="AR" term="%22Ferreira%2C+Cassiana%22">Ferreira, Cassiana</searchLink><relatesTo>1</relatesTo><i> calves@continental.edu.pe</i><br /><searchLink fieldCode="AR" term="%22Inga%2C+Janet+Gaby%22">Inga, Janet Gaby</searchLink><relatesTo>1</relatesTo><i> jingag@continental.edu.pe</i><br /><searchLink fieldCode="AR" term="%22Vélez%2C+Andrés%22">Vélez, Andrés</searchLink><relatesTo>1</relatesTo><i> andres.velez.e@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Huacho%2C+Raul%22">Huacho, Raul</searchLink><relatesTo>1</relatesTo><i> raulhuacho26@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Vidal%2C+Osir+Daygor%22">Vidal, Osir Daygor</searchLink><relatesTo>1</relatesTo><i> osir.vidal@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Moya%2C+Sthefany+Madjory%22">Moya, Sthefany Madjory</searchLink><relatesTo>1</relatesTo><i> sthefanymmoya@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Reyes%2C+Danessa+Clarita%22">Reyes, Danessa Clarita</searchLink><relatesTo>1</relatesTo><i> 73086825@continental.edu.pe</i><br /><searchLink fieldCode="AR" term="%22Goytendia%2C+Walter+Emilio%22">Goytendia, Walter Emilio</searchLink><relatesTo>1</relatesTo><i> waltergoytendia@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Ascue%2C+Benji+Steve%22">Ascue, Benji Steve</searchLink><relatesTo>1</relatesTo><i> 70041331@continental.edu.pe</i><br /><searchLink fieldCode="AR" term="%22Tomazello-Filho%2C+Mario%22">Tomazello-Filho, Mario</searchLink><relatesTo>2</relatesTo><i> mtomazel@usp.br</i>
– Name: TitleSource
  Label: Source
  Group: Src
  Data: <searchLink fieldCode="JN" term="%22Revista+de+Biología+Tropical%22">Revista de Biología Tropical</searchLink>. ene-dic2023, Vol. 71 Issue 1, p1-17. 17p.
– Name: Abstract
  Label: Abstract (English)
  Group: Ab
  Data: Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the "Tramontina" knife to be durable, however, it loses its edge easily and requires a sharpening tool, the "Pretul" retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the "Ubermann" knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics. [ABSTRACT FROM AUTHOR]
– Name: Abstract
  Label: Abstract (Spanish)
  Group: Ab
  Data: Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo "Tramontina" es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil "Pretul" es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo "Ubermann" es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión. [ABSTRACT FROM AUTHOR]
– Name: AbstractSuppliedCopyright
  Label:
  Group: Ab
  Data: <i>Copyright of Revista de Biología Tropical is the property of Universidad de Costa Rica and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.)
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=lth&AN=177827162
RecordInfo BibRecord:
  BibEntity:
    Identifiers:
      – Type: doi
        Value: 10.15517/rev.biol.trop..v71i1.51310
    Languages:
      – Code: spa
        Text: Spanish
    PhysicalDescription:
      Pagination:
        PageCount: 17
        StartPage: 1
    Titles:
      – TitleFull: Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales.
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Centeno, Thonny Behyker
      – PersonEntity:
          Name:
            NameFull: Ferreira, Cassiana
      – PersonEntity:
          Name:
            NameFull: Inga, Janet Gaby
      – PersonEntity:
          Name:
            NameFull: Vélez, Andrés
      – PersonEntity:
          Name:
            NameFull: Huacho, Raul
      – PersonEntity:
          Name:
            NameFull: Vidal, Osir Daygor
      – PersonEntity:
          Name:
            NameFull: Moya, Sthefany Madjory
      – PersonEntity:
          Name:
            NameFull: Reyes, Danessa Clarita
      – PersonEntity:
          Name:
            NameFull: Goytendia, Walter Emilio
      – PersonEntity:
          Name:
            NameFull: Ascue, Benji Steve
      – PersonEntity:
          Name:
            NameFull: Tomazello-Filho, Mario
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 01
              M: 01
              Text: ene-dic2023
              Type: published
              Y: 2023
          Identifiers:
            – Type: issn-print
              Value: 00347744
          Numbering:
            – Type: volume
              Value: 71
            – Type: issue
              Value: 1
          Titles:
            – TitleFull: Revista de Biología Tropical
              Type: main
ResultId 1