Comparación de algoritmos de aprendizaje supervisado para la clasificación automática de madera aserrada mediante procesamiento de imágenes digitales

Abstract

La certeza referente a la tala de manera ilegítima perseverante, el lavado de madera ilícita, la depravación sistemática y las exportaciones peruanas de madera ilegal es algo agobiante, lo cual abarca la erradicación de una forma ilícita de leño tanto como especies maderables que no se encuentran autorizadas, modificación y mercantilizar de leño de procedencia prohibida. En la actualidad el proceso para la identificación de madera es una actividad de suma importancia para las ciencias e industrias madereras, lo cual implica tanto a las propiedades orgánicas como propiedades físicas del leño, por lo tanto, el proceso de identificación se enfoca de manera exclusiva en la capacidad humana, que se basan en las diferentes características de la madera, como el color, la estructura y la textura. Debido a ello en esta investigación nos motiva a desarrollar una comparación de los algoritmos para una mejor clasificación de especies de madera, debido que la clasificación de especies o reconocimiento de patrones es un tema que va mejorando al pasar del tiempo, para dicho proceso se realizó el proceso de adquisición de las imágenes el cual sigue un protocolo estructurado y teniendo una configuración adecuada de la cámara. Se construyó la base de datos con las imágenes obtenidas previamente para luego ser filtradas y obtener características importantes mediante el Filtro de Gabor. Estas características que se obtienen de cada imagen las cuales sirven como alimentación para los clasificadores supervisados, mediante su entrenamiento. Existen diversos algoritmos de clasificación, para ello se realizó una evaluación de los mismos para determinar cuál es el mejor algoritmo frente al problema enfrentado. Se evaluaron algoritmos como SVM, KNN y la red neuronal VGG16. Posterior a dicha evaluación se determinó que la red neuronal VGG16 es mejor en precisión con un 98.33%, exhaustividad con un 98.00%, pero con un mayor tiempo de respuesta de 250.3s, mayor porcentaje en el consumo de recursos frente a los algoritmos SVM y KNN.