A Machine-Learning Approach for Classifying Defects on Tree Trunks using Terrestrial LiDAR
2020
Nguyen, Van-Tho | Constant, Thiéry | Kerautret, Bertrand | Debled-Rennesson, Isabelle | Colin, Francis | SILVA (SILVA) ; AgroParisTech-Université de Lorraine (UL)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE) | Extraction de Caractéristiques et Identification (imagine) ; Laboratoire d'InfoRmatique en Image et Systèmes d'information (LIRIS) ; Université Lumière - Lyon 2 (UL2)-École Centrale de Lyon (ECL) ; Université de Lyon-Université de Lyon-Université Claude Bernard Lyon 1 (UCBL) ; Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon) ; Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS)-Université Lumière - Lyon 2 (UL2)-École Centrale de Lyon (ECL) ; Université de Lyon-Université de Lyon-Université Claude Bernard Lyon 1 (UCBL) ; Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon) ; Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS) | Laboratoire d'InfoRmatique en Image et Systèmes d'information (LIRIS) ; Université Lumière - Lyon 2 (UL2)-École Centrale de Lyon (ECL) ; Université de Lyon-Université de Lyon-Université Claude Bernard Lyon 1 (UCBL) ; Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon) ; Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS) | Applying Discrete Algorithms to Genomics and Imagery (ADAGIO) ; Department of Algorithms, Computation, Image and Geometry (LORIA - ALGO) ; Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA) ; Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA) ; Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)
International audience
Afficher plus [+] Moins [-]anglais. Three-dimensional data are increasingly prevalent in forestry thanks to terrestrial LiDAR. This work assesses the feasibility for an automated recognition of the type of local defects present on the bark surface. These sin-gularities are frequently external markers of inner defects affecting wood quality, and their type, size, and frequency are major components of grading rules. The proposed approach assigns previously detected abnormalities in the bark roughness to one of the defect types: branches, branch scars, epi-cormic shoots, burls, and smaller defects. Our machine learning approach is based on random forests using potential defects shape descriptors, including Hu invariant moments, dimensions, and species. The results of our experiments involving different French commercial species, oak, beech, fir, and pine showed that most defects were well classified with an average F 1 score of 0.86.
Afficher plus [+] Moins [-]Mots clés AGROVOC
Informations bibliographiques
Cette notice bibliographique a été fournie par Institut national de la recherche agronomique
Découvrez la collection de ce fournisseur de données dans AGRIS