Wood species identification by visual characterization of fibers

Kandidaatintyö tehtiin osana PulpVision-tutkimusprojektia, jonka tarkoituksena on kehittää kuvapohjaisia laskenta- ja luokittelumetodeja sellun laaduntarkkailuun paperin valmistuksessa. Tämän tutkimusprojektin osana on aiemmin kehitetty metodi, jolla etsittiin kaarevia rakenteita kuvista, ja tätä metodia hyödynnettiin kuitujen etsintään kuvista. Tätä metodia käytettiin lähtökohtana kandidaatintyölle. Työn tarkoituksena oli tutkia, voidaanko erilaisista kuitukuvista laskettujen piirteiden avulla tunnistaa kuvassa olevien kuitujen laji. Näissä kuitukuvissa oli kuituja neljästä eri puulajista ja yhdestä kasvista. Nämä lajit olivat akasia, koivu, mänty, eukalyptus ja vehnä. Jokaisesta lajista valittiin 100 kuitukuvaa ja nämä kuvat jaettiin kahteen ryhmään, joista ensimmäistä käytettiin opetusryhmänä ja toista testausryhmänä. Opetusryhmän avulla jokaiselle kuitulajille laskettiin näitä kuvaavia piirteitä, joiden avulla pyrittiin tunnistamaan testausryhmän kuvissa olevat kuitulajit. Nämä kuvat oli tuottanut CEMIS-Oulu (Center for Measurement and Information Systems), joka on mittaustekniikkaan keskittynyt yksikkö Oulun yliopistossa. Yksittäiselle opetusryhmän kuitukuvalle laskettiin keskiarvot ja keskihajonnat kolmesta eri piirteestä, jotka olivat pituus, leveys ja kaarevuus. Lisäksi laskettiin, kuinka monta kuitua kuvasta löydettiin. Näiden piirteiden eri yhdistelmien avulla testattiin tunnistamisen tarkkuutta käyttämällä k:n lähimmän naapurin menetelmää ja Naiivi Bayes -luokitinta testausryhmän kuville. Testeistä saatiin lupaavia tuloksia muun muassa pituuden ja leveyden keskiarvoja käytettäessä saavutettiin jopa noin 98 %:n tarkkuus molemmilla algoritmeilla. Tunnistuksessa kuitujen keskimäärinen pituus vaikutti olevan kuitukuvia parhaiten kuvaava piirre. Käytettyjen algoritmien välillä ei ollut suurta vaihtelua tarkkuudessa. Testeissä saatujen tulosten perusteella voidaan todeta, että kuitukuvien tunnistaminen on mahdollista. Testien perusteella kuitukuvista tarvitsee laskea vain kaksi piirrettä, joilla kuidut voidaan tunnistaa tarkasti. Käytetyt lajittelualgoritmit olivat hyvin yksinkertaisia, mutta ne toimivat testeissä hyvin.

The bachelor’s thesis was done as part of the PulpVision research project which focuses on the development of image-based measurement and characterization methods related to the quality of pulp in papermaking. A method for segmentation of curvilinear structures has been developed for this research project previously and it was used to find fibers from images. This method was used as the basis of the bachelor’s thesis. The purpose of the thesis was to study if features computed from different fiber images could be used to identify the species of the fibers in the image. These images had fibers from four different trees and from one plant. These species were acacia, birch, pine, eucalyptus and wheat. 100 fiber images were chosen from each species and these images were split into two groups, training and testing sets. The training set was used to compute features for each species. These features were then used to try to identify the species of the fibers in the testing set. The images were provided by CEMIS-Oulu (Center for Measurement and Information Systems) which is a measurement technology research unit in the university of Oulu. The mean values and standard deviations were calculated of three different features, length, width and curl index, were computed for each image in the training set. Also, the number of fibers found from the image was also calculated. Different combinations of these features from the testing set were then used to test the identification accuracy using k Nearest Neighbors and Naïve Bayes classifiers. The experiments showed promising results for example using the mean values of length and width it was possible to achieve 98 % accuracy with both classifiers. The average length of the fibers seemed to be the best feature. The difference in accuracy between the two classifiers was very small. Based on the results from the experiments it is possible to identify the species of the fibers in the images. The experiments also showed that it is necessary to only measure two features from the images to identify fibers accurately. The classifiers used in the experiments were simple but they performed well.