
3
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
contar con estrategias y decisiones en tiempo
real (Nouretdinov et al., 2015; Porcelli & Martí-
nez, 2020; Silver et al., 2018; Simić et al., 2018;
Vinyals et al., 2019; Ye, 2015).
Los algoritmos de Machine Learning son
aplicados en la industria de la madera, prin-
cipalmente, para la clasificación de especies
maderables utilizando imágenes macroscópicas
de la madera con redes neuronales artificiales
(ANN) (Khalid et al., 2008; Yadav et al., 2013)
y redes neuronales convolucionales (CNN)
(Fabijańska et al., 2021; Hafemann et al., 2014;
Kwon et al., 2017; Siew et al., 2017).
Ante la alta diversidad de especies made-
rables en los bosques tropicales, existe una
creciente necesidad de desarrollar aplicaciones
móviles con IA para la identificación de espe-
cies maderables desde la extracción, transporte
y comercialización. Sin embargo, las limitacio-
nes en la obtención de hojas, flores y/o frutos
para la identificación botánica o la obtención
de secciones transversales para la identifica-
ción anatómica, y el insuficiente número de
expertos en identificación de especies a partir
de la caracterización anatómica en los puestos
de control y fiscalización no permiten avanzar
en las políticas de control para reducir la tala
ilegal (de Andrade et al., 2020; Filho et al., 2014;
Ravindran et al., 2020).
Usualmente, la identificación de especies
maderables se realiza con imágenes microscó-
picas, las cuales demandan una serie de proce-
dimientos, reactivos y equipos sofisticados de
laboratorio, cuya alta calidad en la visualización
de las características anatómicas, incrementa
la precisión de un modelo de red neuronal
convolucional (Hafemann et al., 2014; Koch &
Haag, 2015; Lens et al., 2020). Sin embargo, la
identificación de especies maderables empie-
za en campo, luego en el puesto de control y
finalmente en los centros de comercialización;
en estos espacios se requiere una metodología
accesible, rápida y práctica. Ante estas condi-
ciones se recurre a la identificación macroscó-
pica de la madera, se realiza un corte con una
navaja en la sección transversal y con un lente
de 10X se observan las características anatómi-
cas, convirtiéndose en una metodología sencilla
y de bajo costo para identificar especies made-
rables en campo (Filho et al., 2014).
La aplicación de las CNN en la identifi-
cación de especies maderables requiere una
amplia y representativa base de datos de imá-
genes macroscópicas de la madera, lo cual
se ha incrementado progresivamente desde
que se inició el uso de las CNN. Por ejemplo:
Apolinario-Lainez et al. (2018) obtuvieron 115
imágenes para describir 7 especies maderables
en Perú, Kwon et al. (2017) obtuvieron 187
imágenes de 5 especies maderables en Korea
del Sur, Apolinario et al. (2019) utilizaron 355
imágenes de 16 especies, Filho et al. (2010)
obtuvieron 1 270 imágenes de 22 especies de
Brasil, Ravindran et al. (2019) obtuvieron 2 187
imágenes de 15 géneros, Ravindran et al. (2018)
entrenaron un modelo CNN con 2 303 imáge-
nes de 10 especies de la familia Meliaceae; Filho
et al. (2014) incrementaron a 2 942 imágenes
para 41 especies en Brasil, Yang et al. (2019)
presenta 4 800 imágenes de 25 especies, y Mata-
Montero et al. (2020) muestran 3 516 imágenes
de 146 especies de Costa Rica. Sin embargo,
acceder a un banco de imágenes macroscópicas
o microscópicas es una recurrente restricción
para la aplicación de redes neuronales ANN y
CNN en la identificación de especies madera-
bles (Hanssen et al., 2011).
En la captura de imágenes macroscópicas
se requiere la preparación de la sección trans-
versal de la madera para visualizar mejor las
características anatómicas, para lo cual se uti-
liza lijas (Rajagopal et al., 2019), cutters (Tang
et al., 2018), micrótomos (Khalid et al., 2008) y
cuchillos (de Andrade et al., 2020). Sin embar-
go, se requiere procedimientos adicionales para
mejorar la calidad de las imágenes macroscópi-
cas como: estabilizar el sistema de iluminación
(Rajagopal et al., 2019), extraer el polvo que
obstruye el lumen de los poros después del
pulido (Ibrahim et al., 2017) y la selección de
áreas sin defectos, grietas, áreas podridas por
organismos xilófagos y zonas de anormalidad
de crecimiento como nudos, entre otros (da
Silva et al., 2017).
El presente estudio se realizó en el puesto
de control del SERFOR: “El Pedregal” de la