Loading...
Publication
Cork oak production estimation using a mask‐RCNN
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 45.4 MB | Adobe PDF |
Authors
Abstract(s)
Cork is a highly versatile natural material with various applications, including its use as an insulator in construction. To ensure sustainable management of cork oak forests, forest owners must accurately determine when to harvest the cork by periodically calculating the cork volume. However, the traditional method for this calculation is labor-
intensive and time-consuming. This study aims to streamline the process of calculating the trunk area of a cork oak, which correlates with the cork production potential. By automating this calculation, it becomes possible to estimate the volume of cork that can be harvested before the stripping process. The research utilizes advanced techniques such as a deep neural network called Mask R-CNN, combined with machine learning algorithms. A dataset of images featuring cork oak trees was created, incorporating targets with known dimensions placed on the tree trunks. The Mask R-CNN
model was trained to recognize these targets and accurately identify the regions of cork on the trunks. This allowed for the estimation of the cork area based on the known dimensions of the targets. The results demonstrate the effectiveness of the model in recognizing targets and tree trunks, achieving a mean average precision of 0.96 at an
intersection-over-union threshold of 0.7 (mAP@0.7). After obtaining the mask results, three machine learning models were trained to estimate the volume of cork based on the cork area and various biometric parameters of the tree. The results reveal that the best-performing model, utilizing the Support Vector Machine algorithm, achieved an error rate of only 0.15%. The other models utilizing the same algorithm recorded error rates of 8.75%, 2.96%, and 2.74% respectively, all of which are lower than the error
margins obtained using traditional methods.
A cortiça é um material natural muito versátil com várias aplicações, incluindo a suautilização como isolante na construção. Para assegurar uma gestão sustentável dosmontados de sobreiro, os proprietários florestais devem determinar com exatidão omomento de extrair a cortiça, calculando periodicamente o volume de cortiça. No entanto,o método tradicional para este cálculo é trabalhoso e demorado. Este estudo tem como objetivo simplificar o processo de cálculo da área do tronco de um sobreiro, que se correlaciona com o potencial de produção de cortiça. Ao automatizar este cálculo, torna-se possível estimar o volume de cortiça que pode ser extraído antes do processo de descortiçamento. A investigação utiliza técnicas avançadas, como uma rede neuronal profunda chamada Mask R-CNN, combinada com algoritmos de machine learning. Foi criado um dataset de imagens de sobreiros, incorporando alvos com dimensões conhecidas colocados nos troncos das árvores. O modelo Mask R-CNN foi treinado para reconhecer estes alvos e identificar com precisão as regiões onde irá ser retirada a cortiça nos troncos. Os resultados demonstram a eficácia do modelo no reconhecimento de alvos e troncos de árvores, alcançando uma precisão média de 0,96 num threshold de intersecção-sobre-união de 0,7 (mAP@0.7). Depois de obter os resultados da máscara, foram treinados três modelos de machine learning para estimar o volume de cortiça com base na área da cortiça e em vários parâmetros biométricos da árvore. Os resultados revelam que o modelo com melhor desempenho, utilizando o algoritmo Support Vector Machine, obteve uma taxa de erro de apenas 0,15%. Os outros modelos, utilizando o mesmo algoritmo, registaram taxas de erro de 8,75%, 2,96% e 2,74%, respectivamente, todas elas inferiores às margens de erro margens de erro obtidas com os métodos tradicionais
A cortiça é um material natural muito versátil com várias aplicações, incluindo a suautilização como isolante na construção. Para assegurar uma gestão sustentável dosmontados de sobreiro, os proprietários florestais devem determinar com exatidão omomento de extrair a cortiça, calculando periodicamente o volume de cortiça. No entanto,o método tradicional para este cálculo é trabalhoso e demorado. Este estudo tem como objetivo simplificar o processo de cálculo da área do tronco de um sobreiro, que se correlaciona com o potencial de produção de cortiça. Ao automatizar este cálculo, torna-se possível estimar o volume de cortiça que pode ser extraído antes do processo de descortiçamento. A investigação utiliza técnicas avançadas, como uma rede neuronal profunda chamada Mask R-CNN, combinada com algoritmos de machine learning. Foi criado um dataset de imagens de sobreiros, incorporando alvos com dimensões conhecidas colocados nos troncos das árvores. O modelo Mask R-CNN foi treinado para reconhecer estes alvos e identificar com precisão as regiões onde irá ser retirada a cortiça nos troncos. Os resultados demonstram a eficácia do modelo no reconhecimento de alvos e troncos de árvores, alcançando uma precisão média de 0,96 num threshold de intersecção-sobre-união de 0,7 (mAP@0.7). Depois de obter os resultados da máscara, foram treinados três modelos de machine learning para estimar o volume de cortiça com base na área da cortiça e em vários parâmetros biométricos da árvore. Os resultados revelam que o modelo com melhor desempenho, utilizando o algoritmo Support Vector Machine, obteve uma taxa de erro de apenas 0,15%. Os outros modelos, utilizando o mesmo algoritmo, registaram taxas de erro de 8,75%, 2,96% e 2,74%, respectivamente, todas elas inferiores às margens de erro margens de erro obtidas com os métodos tradicionais
Description
Keywords
Gestão florestal Sobreiro Volume da cortiça Machine learning Mask R-CNN