Startsida
Hjälp
Sök i LIBRIS databas

     

 

Sökning: onr:t43cmsh7rk3d2902 > Using RGB images an...

Using RGB images and machine learning todetect and classify Root and Butt-Rot (RBR) in stumps of Norway spruce [Elektronisk resurs]

Ringdahl, Ola, 1971- (författare)
NB Nord Conference: Forest Operations in Response to Environmental Challenges, Honne, Norway, June 3-5, 2019. 
Ostovar, Ahmad (författare)
Talbot, Bruce (författare)
Puliti, Stefano (författare)
Rasmus, Astrup (författare)
Umeå universitet Teknisk-naturvetenskapliga fakulteten (utgivare)
Publicerad: 2019
Engelska.
Ingår i: Forest Operations in Response to Environmental Challenges.
Läs hela texten
Läs hela texten
  • E-bok
Sammanfattning Ämnesord
Stäng  
  • Root and butt-rot (RBR) has a significant impact on both the material and economic outcome of timber harvesting. An accurate recording of the presence of RBR during timber harvesting would enable a mapping of the location and extent of the problem, providing a basis for evaluating spread in a climate anticipated to enhance pathogenic growth in the future. Therefore, a system to automatically identify and detect the presence of RBR would constitute an important contribution in addressing the problem without increasing workload complexity for the machine operator. In this study we developed and evaluated an approach based on RGB images to automatically detect tree-stumps and classify them as to the absence or presence of rot. Furthermore, since knowledge of the extent of RBR is valuable in categorizing logs, we also classify stumps to three classes of infestation; rot = 0%, 0% < rot < 50% and rot ≥50%. We used deep learning approaches and conventional machine learning algorithms for detection and classification tasks. The results showed that tree-stumps were detected with precision rate of 95% and recall of 80%. Stumps without and with root and butt-rot were correctly classified with accuracy of 83.5% and 77.5%. Classifying rot into three classes resulted in 79.4%, 72.4% and 74.1% accuracy respectively. With some modifications, the algorithm developed could be used either during the harvesting operation to detect RBR regions on the tree-stumps or as a RBR detector for post-harvest assessment of tree-stumps and logs. 

Ämnesord

Agricultural and Veterinary sciences  (hsv)
Agricultural Science, Forestry and Fisheries  (hsv)
Forest Science  (hsv)
Lantbruksvetenskap och veterinärmedicin  (hsv)
Lantbruksvetenskap, skogsbruk och fiske  (hsv)
Skogsvetenskap  (hsv)
Engineering and Technology  (hsv)
Electrical Engineering, Electronic Engineering, Information Engineering  (hsv)
Robotics  (hsv)
Teknik och teknologier  (hsv)
Elektroteknik och elektronik  (hsv)
Robotteknik och automation  (hsv)
Signal Processing  (hsv)
Signalbehandling  (hsv)
Natural Sciences  (hsv)
Computer and Information Sciences  (hsv)
Computer Vision and Robotics (Autonomous Systems)  (hsv)
Naturvetenskap  (hsv)
Data- och informationsvetenskap  (hsv)
Datorseende och robotik (autonoma system)  (hsv)
data- och systemvetenskap  (umu)
computer and systems sciences  (umu)

Genre

government publication  (marcgt)
Inställningar Hjälp

Titeln finns på 1 bibliotek. 

Övriga bibliotek (1)

Ange som favorit
Om LIBRIS
Sekretess
Blogg
Hjälp
Fel i posten?
Kontakt
Teknik och format
Sök utifrån
Sökrutor
Plug-ins
Bookmarklet
Anpassa
Textstorlek
Kontrast
Vyer
LIBRIS söktjänster
SwePub
Sondera
Uppsök

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

Copyright © LIBRIS - Nationella bibliotekssystem

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy