Classification of scots pine (Pinus sylvestris) knots in density images from CT scanned logs

Abstract

This study was carried out to test methods for separating knots from clearwood in a digital image stack when scanning for internal defects with a medical CT-scanner. Scots pine knots, represented by its tangential surface density image extracted from a CT-image stack, have been classified by two different methods showing equal results. The knots are classified in four knot types by an Artificial Back-propagation Neural Network (ANN) and a Partial Least Squares Modelling with Latent Variables (PLS) model. The classification precision of aim of four different knot types, is between 85% and 97%. The results indicate that both methods may be useful tools in order to describe and classify knots in concentric surfaces around the pith in CT-images and thereby extract parametrical models from CT raw data image stacks. A simplified classification model has been obtained, by analysing the learning patterns in both the ANN and PLS model, that classify knots and transform density related data to segmented and classified parametrical descriptions.

Zusammenfassung

Kiefern-Rundholz wurde zum Erkennen innerer Holzfehler mit Hilfe der Computer-Tomographie untersucht. Aus dem gespeicherten Bild material sollten Astbereiche von fehlerfreiem Holz differenziert werden. Die Äste im Innern des Kiefernholzes konnten mit zwei verschiedenen Auswertesystemen aufgrund ihrer Dichteprofile erkannt und in vier verschiedene Klassen unterteilt werden. Die eine Methode benutzt ein künstliches neuronales Netzwerk (ANN = Artificial Back-propagation Neural Network), die andere basiert auf einem Algorithmus, der geeignet ist, sehr verrauschte oder unvollständige Datensätze auszuwerten (PLS = Partial Least Squares Modelling with Latent Variables). Die Treffsicherheit der Einordnung in vier Güteklassen lag zwischen 85% und 97%. Beide Methoden sind somit geeignet, Astfehler in konzentrischen Schichten innerhalb von Rundholz zu klassifizieren. Aus den gespeicherten Bildern nach der Computer-Tomographie können Qualitätsparameter des untersuchten Holzes abgeleitet werden. Ein vereinfachtes Schema ergab sich nach Ausnutzung der Lernfähigkeit des ANN- und des PLS-Systems. Nach entsprechendem Training (anhand visueller Klassifizierung der aus dem Holz gesägten Bretter) werden die Dichteunterschiede der Rohdaten in Klassifizierungs-Parameter umgesetzt.