Software for forest species recognition based on digital images of wood and deep learning techniques

Classifying forest species is an essential process for the correct management of wood and forest control. After cutting off the trunk of the tree, many of the characteristics of the species are lost and identifying them becomes a much more difficult task. In this context, an anatomical analysis of the wood becomes necessary by specialists who know very well the cellular structures in each species. However, such methodology approaches few automated techniques, making it a delayed and error-prone activity. These factors undermine environmental control and decisionmaking. The use of computer vision is an alternative to automatic recognition, since it allows the development of intelligent models which, from images, are able to detect features and perform a final classification. There are some techniques that are state of the art in Digital Image Processing and Artificial Intelligence, such as, for example, convolutional neural networks. These networks are deep learning techniques that consists of creating models from raw data (images, audios, etc.). In this technique, the minimum preprocessing is used in the images and, in the training process, these models are able to learn the convolutional filters to be applied in feature extraction process. In this way, this technique abstracts a lot from the pre-processing complexity existing in traditional approaches. This research addresses some experiments using traditional techniques and experiments using convolutional neural networks (the focus of the research). Two original datasets were used, one including macroscopic images and the other including microscopic images, for which three models were created: scale recognition, species recognition from macroscopic images and species recognition from microscopic images. The best models provide 100% recognition rates for the scale dataset, 98.73% for the macroscopic datasetand 99.11% for the microscopic dataset, which they were better results than the ones obtained for the respective datasets in related researches. Finally, a web software was developed as a final product, using the three best models.Classificar espécies florestais é um processo essencial para o correto manejo da madeira e controle florestal. Após o corte, perde-se muitas das características da espécie e a identificação torna-se uma tarefa bem mais difícil. Neste contexto, tornase necessário a análise anatômica da madeira, a qual é realizada por especialistas que conhecem muito bem as estruturas celulares presentes em cada espécie. Porém, tal metodologia aborda técnicas pouco automatizadas, tornando a atividade demorada e passível de erros. Estes fatores prejudicam o controle e tomada de decisões por parte dos órgãos ambientais. O uso de visão computacional é uma alternativa para o reconhecimento automatizado, pois permite a construção de modelos inteligentes que, a partir de imagens, são capazes de detectar características e realizar a classificação final. Existem algumas técnicas que são o estado da arte em Processamento Digital de Imagens e Inteligência Artificial, como por exemplo, as redes neurais convolucionais. Tais redes são técnicas de aprendizado profundo (Deep Learning) que consiste na construção de modelos a partir de dados brutos (imagens, áudios, etc.). Em outras palavras, utiliza-se o mínimo de pré-processamento nas imagens e, no processo de treinamento, estes modelos são capazes de aprender os filtros a serem aplicados para a extração das características. Desta forma, tal técnica abstrai muito da complexidade existente na fase de pré-processamento em abordagens tradicionais. Esta pesquisa aborda a realização de alguns experimentos utilizando técnicas tradicionais e experimentos utilizando redes neurais convolucionais (foco da pesquisa). Foram utilizadas duas bases, sendo uma composta por imagens macroscópicas e outra por imagens microscópicas, para as quais foram gerados três modelos: reconhecimento de escala, reconhecimento de espécies a partir imagens macroscópicas e reconhecimento a partir de imagens microscópicas. Os melhores modelos proporcionaram taxas de reconhecimento de 100% para a base de escala, 98,73% para a base macroscópica e 99,11% para a base microscópica, os quais superaram os resultados obtidos para as respectivas bases em pesquisas correlatas. Por fim, foi desenvolvido um software web como produto final, para o qual foram acoplados os três melhores modelos obtidos