1
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
Herramientas de corte para optimizar parámetros de clasificación
de especies maderables con redes neuronales convolucionales
Thonny Behyker Centeno1*; https://orcid.org/0000-0002-7884-3759
Cassiana Ferreira1; https://orcid.org/0000-0002-9559-6673
Janet Gaby Inga1; https://orcid.org/0000-0002-2321-8518
Andrés Vélez 1; https://orcid.org/0000-0002-0180-2246
Raul Huacho1; https://orcid.org/0000-0001-7149-3509
Osir Daygor Vidal1; https://orcid.org/0000-0002-4373-0754
Sthefany Madjory Moya1; https://orcid.org/0000-0003-1005-8823
Danessa Clarita Reyes1; https://orcid.org/0000-0001-6269-8166
Walter Emilio Goytendia1; https://orcid.org/0000-0001-5670-8305
Benji Steve Ascue1; https://orcid.org/0000-0002-3624-7916
Mario Tomazello-Filho2; https://orcid.org/0000-0002-9814-0778
1. Laboratorio de Anatomía e Identificación de la Madera, Universidad Continental, Av. San Carlos 1980, Huancayo,
Junín, Perú; 71906318@continental.edu.pe (*Correspondencia), calves@continental.edu.pe, jingag@continental.
edu.pe, andres.velez.e@gmail.com, raulhuacho26@gmail.com, osir.vidal@gmail.com, sthefanymmoya@gmail.com,
73086825@continental.edu.pe, waltergoytendia@gmail.com, 70041331@continental.edu.pe
2. Laboratorio de Anatomía, Identificación y Densitometría de Rayos X en la Madera, Universidad de São Paulo, São
Paulo, Brasil; mtomazel@usp.br
Recibido 03-VIII-2022. Corregido 24-IV-2023. Aceptado 10-VIII-2023.
ABSTRACT
Cutting tools to optimize classification parameters of timber species with convolutional neural networks
Introduction: The great diversity of tropical timber species demands the development of new technologies
capable of identifying them based on their patterns or anatomical characteristics. The application of convolu-
tional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to
the promising results of CNNs.
Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization
and distinction of anatomical features in the CNN model training.
Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle,
Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database
of macroscopic images of the cross-section of wood was generated through cutting with three different tools and
observing its performance in the laboratory, field, and checkpoint.
Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 mac-
roscopic images were obtained with a portable microscope and correspond to 25 timber species. We found
the “Tramontina” knife to be durable, however, it loses its edge easily and requires a sharpening tool, the
“Pretul” retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the
“Ubermann” knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and
interchangeable blades in case of dullness.
https://doi.org/10.15517/rev.biol.trop..v71i1.51310
BOTÁNICA Y MICOLOGÍA
2Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
INTRODUCCIÓN
La percepción de la sociedad acerca del
funcionamiento de los sistemas biológicos y
propiedades de productos de origen natural o
manufacturados, ha cambiado con los avances
tecnológicos direccionándolos a la solución de
problemas generales o específicos (Duan et al.,
2019; Livingston & Risse, 2019). De esta forma
surgen las bases de la inteligencia artificial (IA),
implementada en la década de 1950s con la
máquina de “Turing” (Turing, 1936), una pro-
puesta de modelo matemático para una maqui-
na autotica, caracterizada principalmente
por parámetros de almacenamiento y unidad
de control. En 1956, John MacCarthy, aplica el
rmino IA, refiriéndose a una máquina inte-
ligente, capaz de aconsejar, tomar decisiones
y razonar como una persona (Morgenstern &
Mcilraith, 2011), donde los algoritmos que uti-
liza la IA para simular el razonamiento humano
son llamados aprendizaje automático o Machi-
ne Learning (Portugal et al., 2015).
Las redes neuronales son algoritmos que
pertenecen al campo de Machine Learning
aplicados para la segmentación, detección y
clasificación de imágenes de diverso origen y
naturaleza (Aguilar-Alvarado & Campoverde-
Molina, 2019; LeCun et al., 2015). Estos algo-
ritmos toman las imágenes como entrada y en
cada una detectan una serie de características
con base en patrones y son capaces de diferen-
ciar unas imágenes de otras (Hafemann et al.,
2014; Krizhevsky et al., 2012). El uso de algo-
ritmos de Machine Learning se ha extendido a
importantes sectores y especialidades, como en
la medicina para el diagnóstico de diferentes
enfermedades, por ejemplo, para identificar
los síntomas de Covid-19 en radiografías de
pacientes. Inclusive, en el ajedrez y StarCra-
ft II se utiliza el algoritmo AlphaZero para
Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better
visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom
Vision convolutional neural network models, which was evidenced in the precision metrics.
Key words: tropical trees; illegal timber; macroscopic images; machine learning; cutting tools; portable
microscope.
RESUMEN
Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías
de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales con-
volucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos
años por sus resultados prometedores.
Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la
visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN.
Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva
Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en
secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la
madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de
control.
Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la
madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies
maderables. El cuchillo “Tramontina” es duradero, pero pierde el filo con facilidad y se necesita una herramienta
para afilar, el cúter retráctil “Pretul” es adecuado para madera suave y dura en muestras pequeñas de laboratorio;
el cuchillo “Ubermann” es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura
duradera y láminas intercambiables en caso de pérdida de filo.
Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite
una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de
red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.
Palabras clave: árboles tropicales; madera ilegal; imágenes macroscópicas; aprendizaje automático; herramientas
de corte; microscopio portátil.
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 anamicas, 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
4Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
provincia Chanchamayo, región Junín; durante
las inspecciones a los camiones de carga que
transportan madera aserrada se evidenció que
no se dispone de tiempo suficiente para pre-
parar la superficie transversal de la madera y
obtener imágenes macroscópicas ante el paso
constante de camiones de carga. Asimismo, la
revisión y verificación de información consig-
nada en la Guía de Transporte Forestal (GTF)
no debe exceder 15 min. Por estas razones, es
imprescindible contar con equipos y materiales
accesibles para obtener imágenes macroscópi-
cas de alta calidad. Se describe la aplicación de
tres herramientas de corte en campo y el uso de
un microscopio portátil en la captura de imáge-
nes macroscópicas para lograr la clasificación
de 25 especies maderables de Selva Central con
redes neuronales convolucionales (CNN).
MATERIALES Y MÉTODOS
Obtención y preparación de muestras:
Las muestras corresponden a 25 especies
maderables de Selva Central, se obtuvieron
dos tipos de muestras: i. Pequeñas piezas de
madera de aserraderos de la provincia Chan-
chamayo y Satipo, y ii. Rodajas o secciones
transversales de los árboles aprovechados por
empresas madereras en bosques de comunida-
des nativas de la provincia Satipo, región Junín
(Ferreira et al., 2021).
Las muestras recolectadas fueron etique-
tadas con sus nombres comunes, luego fueron
llevadas al Laboratorio de Anatomía e Identi-
ficación de la Madera de la Universidad Conti-
nental campus Incho, Huancayo para realizar la
identificación y caracterización anatómica. Se
obtuvieron secciones rectangulares (2.5 cm de
ancho x 6 cm de largo y 3 cm de alto), evitando
áreas con defectos (grietas, rajaduras o áreas
podridas por organismos xilófagos) para evitar
confusiones en la identificación de patrones
anatómicos (da Silva et al., 2017) como se
muestra en la Fig. 1.
Esta etapa es esencial para obtener una
metodología adecuada en el proceso de corte y
Fig. 1. A. y B. Preparación de muestras de madera. C. Obtención de imagen macroscópica con el microscopio portátil. D.
Imagen macroscópica de Matisia cordata. / Fig. 1. A. and B. Preparation of wood samples. C. Obtaining a macroscopic image
with the portable microscope. D. Macroscopic image of Matisia cordata.
5
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
obtención de imágenes. Sin embargo, algunos
autores no contemplan la etapa de obtención de
muestras y preparación, al contrario, empiezan
directamente con la adquisición de imáge-
nes por contar con repositorios de imágenes
o muestras de xilotecas en laboratorio. Este
estudio describe la importancia del corte en la
preparación y propone una serie de etapas para
la clasificación, diferente a las reportadas en la
Tabla 1.
Obtención de imágenes macroscópicas:
Las imágenes macroscópicas fueron obtenidas
en la sección transversal, se utilizaron: (i) un
cuchillo “Tramontina, (ii) un cúter retráctil
“Pretul” y (iii) una cuchilla “Ubermann” con
láminas intercambiables. Al realizar el corte,
se obtuvieron imágenes de la estructura ana-
tómica macroscópica de las maderas con un
microscopio portátil “Dinolite, el cual posee
un aumento de hasta 250X, presenta un lente de
2.2 cm de diámetro correspondiente a 0.8 x 0.6
cm de la superficie de la madera e iluminación
constante. Este microscopio cuenta con fuente
de luz propia de 8 leds y mantiene las mismas
condiciones de iluminación tanto de día como
de noche.
Adicionalmente, su tamaño permite un
uso práctico en campo, como en el puesto de
control “El Pedregal” SERFOR, dónde es nece-
sario subir a los camiones para inspeccionar las
piezas de madera aserrada.
Para la captura de imágenes macroscópi-
cas se utilizó el microscopio portátil con un
aumento de 50X, este se conecta a un adaptador
microUSB o tipo C al celular, luego a través de
Play Store se descarga la aplicación denominada
USB Camera” para reconocer el microscopio
portátil al momento de conectarlo al dispositi-
vo móvil y finalmente obtener una imagen de
640 x 480 pixeles como se observa en la Fig. 1C
y Fig. 1D respectivamente.
Se obtuvieron 50 imágenes por especie,
estas fueron organizadas en una carpeta y per-
manecen en la nube con acceso directo para
futuras investigaciones. Se obtuvieron 1 250
imágenes macroscópicas por cada herramienta
de corte y se dispone de 3 750 imágenes en
total, y estas se encuentran disponibles en el
siguiente link: https://bit.ly/3K0CrRA.
Clasificación de especies maderables: El
entrenamiento de imágenes macroscópicas de
las 25 especies maderables se realizó con dos
modelos de red neuronal convolucional: “Effi-
cientNet B0” en la plataforma Google Colabo-
ratory y “Custom Vision en la plataforma de
Microsoft Azure, para contrastar los porcentajes
de clasificación.
RESULTADOS
Dimensiones de una muestra: Determi-
nar las dimensiones de una muestra de madera
Tabl a 1
Etapas para la clasificación de especies maderables con CNN. / Table 1. Stages for the classification of timber species with
CNN.
Referencia Etapa 1 Etapa 2 Etapa 3 Etapa 4 Etapa 5
(Khalid et al., 2008) Recopilación de
muestras
Adquisición de
imágenes
Mejoramiento de
imágenes
Extracción de
características Clasificación
(Filho et al., 2014) Adquisición de
imágenes
Extracción de
características
Clasificación
(Backes & Sá Junior, 2016)
(de Andrade et al., 2020)
Adquisición de
imágenes
Preprocesamiento
de imágenes
Segmentación de
imágenes
Extracción de
características Clasificación
(Kwon et al., 2017) Preparación de
la muestra
Extracción de
características
Clasificación
(de Andrade et al., 2020) Preparación de
la muestra
Adquisición de
imágenes
Preprocesamiento
de imágenes
Extracción de
características Clasificación
Presente trabajo Obtención de
muestras
Preparación de las
muestras
Corte en sección
transversal
Adquisición de
imágenes
Clasificación