Visão computacional para identificação de espécies lenhosas em campo

Abstract

A identificação anatômica de espécies florestais é uma importante ferramenta para controle e fiscalização do comércio de madeira, principalmente por possibilitar a proteção de espécies vulneráveis. O recente aumento das exigências do mercado internacional de madeira e a plena evolução de áreas tecnológicas como machine learning e machine vision têm incentivado o desenvolvimento de sistemas inteligentes e automáticos para identificação de espécies lenhosas a partir de imagens da madeira. Neste trabalho, buscou-se desenvolver e avaliar um sistema de visão computacional com uso de um smartphone para a aquisição de imagens de amostras de madeira polidas manualmente com facas. Três bancos de imagens foram construídos, o primeiro contendo 2.000 imagens de 21 espécies e o segundo contendo 30.200 imagens de 40 espécies. O terceiro, também com 40 espécies, foi formado com 32.271 imagens obtidas com amostras de madeira umedecidas superficialmente. Três descritores de imagens foram avaliados: grey level coocurrence matrix, local binary patterns e grey level run length matrix. Também foram avaliadas diferentes configurações de resolução e níveis de cinzas das imagens. Um total de 49 classificadores estatísticos foram desenvolvidos usando-se support vector machines e avaliados em validações cruzadas aninhadas. A grande maioria dos classificadores testados apresentaram taxas de acerto superior a 90%, local binary patterns apresentou desempenho superior aos demais descritores de imagem e o umedecimento das amostras não apresentou melhora no desempenho da classificação. O sistema proposto foi capaz de alcançar uma taxa de acerto de 99,36%, superando os resultados obtidos em todos os trabalhos da literatura consultada. A metodologia simples usada neste trabalho, associada à elevada taxa de acerto, torna evidente o potencial para a automatização da identificação de madeiras com sistema de visão computacional em condições de campo