Towards sustainable North American wood product value chains, part 2: computer vision identification of ring-porous hardwoods
Notice bibliographique
Résumé
Wood identification is vitally important for ensuring the legality of North American hardwood value chains. Computer vision wood identification (CVWID) systems can identify wood without necessitating costly and time-consuming off-site visual inspections by highly trained wood anatomists. Previous work by Ravindran and colleagues presented macroscopic CVWID models for identification of North American diffuse porous hardwoods from 22 wood anatomically informed classes using the open-source XyloTron platform. This manuscript expands on that work by training and evaluating complementary 17-class XyloTron CVWID models for the identification of North American ring porous hardwoods — woods that display spatial heterogeneity in earlywood and latewood pore size and distribution and other radial growth-rate-related features. Deep-learning models trained using 4045 images from 452 ring-porous wood specimens from four xylaria demonstrated 98% five-fold cross-validation accuracy. A field model trained on all the training data and subsequently tested on 198 specimens drawn from two additional xylaria achieved top-1 and top-2 predictions of 91.4% and 100%, respectively, and images devoid of earlywood, latewood, or broad rays did not greatly reduce the prediction accuracy. This study advocates for continued cooperation between wood anatomy and machine-learning experts for implementing and evaluating field-operational CVWID systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».