Imaged based identification of colombian timbers using the xylotron: a proof of concept international partnership
Identificación de maderas colombianas utilizando el Xylotron: Prueba de concepto de una colaboración internacional
Resumen (en_US)
Field deployable computer vision wood identification systems can play a key role in combating illegal logging in the real world. This work used 764 xylarium specimens from 84 taxa to develop an image data set to train a classifier to identify 14 commercial Colombian timbers. We imaged specimens from various xylaria outside Colombia, trained and evaluated an initial identification model, then collected additional images from a Colombian xylarium (BOFw), and incorporated those images to refine and produce a final model. The specimen classification accuracy of this final model was ~ 97%, demonstrating that including local specimens can augment the accuracy and reliability of the XyloTron system. Our study demonstrates the first deployable computer vision model for wood identification in Colombia, developed on a timescale of months rather than years by leveraging international cooperation. We conclude that field testing and advanced forensic and machine learning training are the next logical steps.
Resumen (es_ES)
Sistemas de identificación automatizada de maderas pueden fortalecer la lucha contra el tráfico ilegal de maderas. Este trabajo utilizó 764 especímenes de xilotecas, correspondientes a 84 taxones, para desarrollar un modelo de identificación para 14 especies comerciales de Colombia. Se comenzó colectando imágenes de especímenes provenientes de xilotecas fuera de Colombia, que se utilizaron para entrenar y evaluar un modelo inicial. Se colectaron imágenes adicionales provenientes de una xiloteca Colombiana (BOFw), que se utilizaron para refinar y producir el modelo final. La capacidad de reconocimiento de este modelo fue del ~97%, demostrando que incluir muestras locales aumenta la precisión y confiabilidad del sistema [XyloTron]. Este estudio presenta el primer modelo de vision computarizada para identificación de maderas en Colombia, desarrollado en una escala de tiempo corta y bajo cooperación internacional. Concluimos que pruebas en campo y capacitación forense y en aprendizaje automatizado, son los siguientes pasos lógicos a seguir.
Descargas
Referencias
Covima. (2020). Minambiente. (V.2.9.4)[mobile software]
de Andrade, B.G., Basso, V.M. & de Figueiredo Latorraca, J.V. (2020). Machine vision for field-level wood identification. IAWA Journal, 1-18.
https://doi.org/10.1163/22941932-bja10001.
Devries, T. & Taylor, G.W. (2017). Improved regularization of convolutional neural networks with cutout. arXiv e-prints, abs/1708.04552.
Dormontt, E.E., Boner, M., Braun, B., Breulmann, G., Degen, B., Espinoza, E., Gardner, S., Guillery, P., Hermanson, J.C., Koch, G., Lee, S.L., Kanashiro, M., Rimbawanto, A., Thomas, D., Wiedenhoeft, A.C., Yin, Y., Zahnen, J. & Lowe, A.J. (2015). Forensic timber identification: It’s time to integrate disciplines to combat illegal logging. Biological Conservation, 191, 790–798.
https://doi.org/10.1016/j.biocon.2015.06.038
Especies Maderables 2. (2016). Kudos Ltda. (V.0.1.3)[mobile software]
Filho P.L.P., Oliveira L.S., Nisgoski S. & Britto A.S. (2014). Forest species recognition using macroscopic images. Machine Vision and Applications, 25, 1019–1031.
https://doi.org/10.1007/s00138-014-0592-7
He K., Zhang X., Ren S. & Sun J. (2016). Deep residual learning for image recognition. En: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778.
ttps://doi.org/10.1109/CVPR.2016.90
Hermanson J.C. & Wiedenhoeft A.C. (2011). A brief review of machine vision in the context of automated wood identification systems. IAWA Journal, 32(2), 233–250.
https://doi.org/10.1163/22941932-90000054
IDEAM. (2020). Resultados de monitoreo de deforestación, 2019. Retrieved from: http://www.ideam.gov.co/documents/10182/105413996/presentacionbalancedeforestacion2019/7c9323fc-d0a1-4c95-b1a1-1892b162c067
Khalid M., Lee E.L.Y., Yusof R. & Nadaraj M. (2008). Design of an intelligent wood species recognition system. International Journal of Simulation System, Science and Technology, 9(3), 9–19.
López Camacho R., Pulido Rodríguez E.N., González Martínez R.O., Nieto Vargas J.E. & Vásquez M.Y. (2014). Maderas. Especies comercializadas en el territorio CAR. Guía para su identificación. Bogotá D.C.: Editorial Universidad Distrital Francisco José de Caldas.
Lowe A.J., Dormontt E.E., Bowie M.J., Degen B., Gardner S., Thomas D., Clarke C., Rimbawanto A., Wiedenhoeft A.C., Yin Y. & Sasaki N. (2016). Opportunities for improved transparency in the timber trade through scientific verification. BioScience, 66(11), 990–998.
https://doi.org/10.1093/biosci/biw129
Pan S.J. & Yang Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
https://doi.org/10.1109/TKDE.2009.191
Quirk J.T. (1980). Wood anatomy of the Vochysiaceae. IAWA Bulletin, 1(4), 172–179.
https://doi.org/10.1163/22941932-90000717
Ravindran P. & Wiedenhoeft A.C. (2020) Comparison of two forensic wood identification technologies for ten Meliaceae woods: computer vision versus mass spectrometry. Wood Science and Technology. https://doi.org/10.1007/s00226-020-01178-1
Ravindran P., Costa A., Soares R. & Wiedenhoeft A.C. (2018). Classification of CITES-listed and other neotropical Meliaceae wood images using convolutional neural networks. Plant Methods, 14, 25. https://doi.org/10.1186/s13007-018-0292-9
Ravindran P., Ebanyenle E., Ebeheakey A.A., Abban K.B., Lambog O., Soares R., Costa A. & Wiedenhoeft A.C. (2019). Image based identification of Ghanaian timbers using the XyloTron: Opportunities, risks and challenges. En: M. De-Arteaga, T. Afonja, A. Coston (eds.). Proceedings of NeurIPS 2019 Workshop on Machine Learning for the Developing World: Challenges and Risks of ML4D. arXiv:2001.00249.
Ravindran P., Thompson B.J., Soares R.K. &Wiedenhoeft A.C. (2020) The XyloTron: Flexible, Open-Source, Image-Based Macroscopic Field Identification of Wood Products. Frontiers in Plant Science, 11, 1015.
https://doi.org/10.3389/fpls.2020.01015
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A.C. & Fei-Fei L. (2015). ImageNet large scale visual recognition challenge. International Journal of Computer Vision, 115(3), 211–252.
https://doi.org/10.1007/s11263-015-0816-y
Souza, D.V., Santos, J.X., Vieira, H.C., Naide, T.L., Nisgoski, S. & Oliveira, L.E.S. (2020). An automatic recognition system of Brazilian flora species based on textural features of macroscopic images of wood. Wood Science and Technology, 54, 1065–1090.
https://doi.org/10.1007/s00226-020-01196-z
Wiedenhoeft, A.C., Simeone, J., Smith, A., Parker-Forney, M., Soares, R., Fishman, A. (2019). Fraud and misrepresentation in retail forest products exceeds U. S. forensic wood science capacity. PLoS ONE, 14(7), e0219917.
https://doi.org/10.1371/journal.pone.0219917
WWF-Colombia-Programa Subregional Amazonas Norte & Chocó Darién. (2013). Maderas de Colombia. Retrieved from: www.wwf.org.co/?213040/Maderas-de-Colombia
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
Colombia Forestal está bajo una licencia Creative Commons - 4.0 Colombia License.
2.png)
La Universidad Distrital Francisco José de Caldas conserva los derechos patrimoniales (copyright) de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia anteriormente mencionada.
Institución de Educación Superior sujeta a inspección y vigilancia por el Ministerio de Educación Nacional
Acuerdo de creación N° 10 de 1948 del Concejo de Bogotá Acreditación Institucional de Alta Calidad - Resolución N° 23096 del 15 de diciembre del 2016
