컨벌루션 신경망을 사용하여 목재 코어 이미지에서 자동 수지 덕트 감지 및 측정

Aug 22, 2023

Scientific Reports 13권, 기사 번호: 7106(2023) 이 기사 인용

527 액세스

1 알트메트릭

측정항목 세부정보

수지 덕트의 구조와 특징은 Pinus 속의 나무 성장에 따른 환경 조건에 대한 귀중한 정보를 제공합니다. 따라서 수지 덕트 특성 분석은 연륜연대기에서 점점 더 일반적인 측정이 되었습니다. 그러나 확대된 목재 표면 이미지에 수천 개의 덕트를 수동으로 표시해야 하기 때문에 측정은 지루하고 시간이 많이 걸립니다. 이 프로세스의 일부 단계를 자동화하는 도구는 있지만 수지 덕트를 자동으로 인식 및 분석하고 해당 덕트가 속한 나무 나이테로 표준화하는 도구는 없습니다. 본 연구에서는 수지 덕트가 속한 나이테 면적을 기준으로 수지 덕트의 특성을 정량화하는 새로운 완전 자동 파이프라인을 제안합니다. 컨볼루셔널 신경망은 파이프라인의 기초가 되어 수지 덕트와 나이테 경계를 감지합니다. 또한 연속적인 링에 해당하는 연결된 구성 요소를 식별하기 위해 영역 병합 절차가 사용됩니다. 해당 덕트와 링은 다음으로 서로 관련됩니다. 파이프라인은 5가지 Pinus 종을 나타내는 74개의 나무 이미지에 대해 테스트되었습니다. 8000개가 넘는 나이테 경계와 거의 25,000개의 수지 덕트가 분석되었습니다. 제안된 방법은 민감도 0.85, 정밀도 0.76으로 수지 덕트를 검출한다. 나이테 경계 탐지에 해당하는 점수는 각각 0.92와 0.99입니다.

수지 덕트 또는 운하는 Pinus 속(및 Larix, Picea, Psuedotsuga 및 Shorea를 포함한 다른 속)의 나무의 특징입니다. 이들의 구조와 특성은 해당 나무 성장 연도의 환경 조건에 대한 귀중한 정보를 제공합니다. 예를 들어, 수지 덕트는 미국의 일부 Pinus 종에서 딱정벌레 및 가뭄으로 인한 사망률과 상관 관계가 있는 것으로 나타났습니다1,2. 또한 지역 기후 적응은 덕트 특성과 올레오레진을 통한 화학적, 물리적 방어 능력에 영향을 미칩니다3.

수지 덕트 분석이 연륜연대기에서 점점 더 일반적인 측정이 되었지만 귀중한 정보의 잠재적인 소스를 얻기가 어렵습니다. 그 이유는 레진 운하를 자동으로 인식하고 그들이 속한 나무 나이테와 관련하여 그 특성을 분석하는 도구가 없기 때문입니다. 신뢰할 수 있는 측정값을 얻으려면 수천 개의 덕트를 확대된 목재 표면 이미지에 수동으로 표시해야 합니다. 수지 덕트 측정의 시계열은 수동 방법을 사용하여 기록하기에는 지루하고 시간이 많이 걸립니다4. 측정 결과는 작업자의 기술과 인식에 따라 달라질 수 있습니다.

우리가 아는 한, 목재 이미지에서 수지 덕트의 시계열을 자동으로 감지, 측정 및 출력하는 방법은 없습니다. 그럼에도 불구하고, 수지 덕트의 검출 및 분석의 일부를 자동화하려는 시도가 이미 제안되었습니다. 이는 주로 수지 덕트 특성 분석을 부분적으로 자동화하는 ImageJ(또는 기타 소프트웨어)와 결합된 매크로의 반자동 도구입니다. 이러한 접근 방식에서는 수지 덕트를 수동으로 사전 선택하거나 간단한 이미지 처리 방법을 사용하여 수지 덕트를 감지해야 합니다. 그러나 기존의 이미지 처리 방법은 후보 수지 덕트와 나이테 경계를 안정적으로 감지하는 데 부적합한 경우가 많습니다. 나무 종이나 환경 조건과 같은 요인에 따라 달라질 수 있는 이러한 구조의 모양이 다양하기 때문에 임계값을 사용하여 특징 감지에 대한 정확한 규칙을 정의하는 것이 어렵습니다. 또한 나무껍질, 옹이 또는 목재 섬유와 같은 다른 목재 이미지 특징의 간섭으로 인해 기존 이미지 처리 알고리즘을 사용하여 특징 감지가 더욱 복잡해질 수 있으며, 이로 인해 감지 정확도가 낮아지고 감지가 누락되거나 거짓 긍정이 발생할 수 있습니다.

레진 근관을 식별하고 나이테 기반 통계 측정을 통해 그 특성을 정량화하는 최초의 반자동 방법은 Chen et al.5에 의해 제안되었습니다. 이 접근 방식은 연마된 목재 샘플의 가로 표면에 대한 컬러 스캔 이미지를 사용하고 수지 운하 선택을 위한 색상 제약 조건과 모양 기반 필터링을 통합합니다. 보고된 수지 근관 탐지율은 낮으며(68%) 여전히 광범위한 육안 검사와 허위 또는 누락된 수지 근관의 수동 교정이 필요합니다.

0\)) and background (\(i=0\)), such that \(\mathscr {D} = \big [\bigcup _{i=0}^L d_i\big ]\) and \({d}_i \cap {d}_j = \emptyset\) for \(i \ne j\). For this purpose, a pipeline sketched in Fig. 2 is proposed./p>t_L} \mathscr {B}_D(x,y) = 1\}\) to obtain regions of the highest resin-duct probabilities. The binarisation is performed adaptively via local thresholding to adapt to weaker (less evident) resin ducts. The local neighborhood of 25 \(\times\) 25 pixels of each pixel is considered to determine a threshold \(t_L\). This image subregion corresponds roughly to the area of size 0.278 mm\(^2\) and was determined through empirical analysis, considering the typical size of a resin duct. In particular, we observed that resin ducts in analyzed images have a diameter of approximately 20–30 pixels. Chosen patch size is, therefore, sufficiently large to differentiate between resin ducts and background while also being small enough to avoid being influenced by larger-scale variations in the image, such as changes in texture. It also allows obtaining the necessary statistics for threshold determination quickly. The threshold equal to the mean probability within the neighborhood increased by a small constant to increase noise resistance is applied to find the local maxima of resin-duct probabilities./p>

이전의: 탑승할 수 있는 최초의 전기 비행접시를 확인해 보세요. 다음: 새로운 Windows 업데이트로 인해 지원되지 않음

문의 보내기

보내다