de la description 3d des bois ronds à la caractérisation des défauts internes...

Post on 31-Mar-2021

2 Views

Category:

Documents

0 Downloads

Preview:

Click to see full reader

TRANSCRIPT

De la description 3D des bois ronds à lacaractérisation des défauts internes:

nouveaux savoir-faire et perspectives

V-T. Nguyen 1 B. Kerautret 2 I. Debled-Rennesson 2 F. Colin 1 A. Piboule3 T. Constant 1

1LERFOB, AgroParisTech, INRA, 54000 NANCY France

2LORIA, UMR CNRS 7503, Université de Lorraine, 54506 Vandœuvre-lès-Nancy, France

3ONF, RDI, 54000 Nancy, France

Caqsis Bordeaux 30 Mars 2017

1 / 23

Description 3D de grume

Nuage de points 3D pris par Lidar terresse

2 / 23

Description 3D de grume

Nuage de points 3D pris par Lidar terresse

3 / 23

Classement de bois rond

Volume / diamètreForme globaleDéfauts locaux

4 / 23

Classement de bois rond

Volume / diamètreForme globaleDéfauts locaux

5 / 23

Défauts à la surface du tronc

Types de défaut

Branche

Trace de branche

Broussin

Amas

Gourmand

Picot

6 / 23

Lien entre défaut interne et défaut externe

Image Maillage 1 Relation interne - externe 2

1. V.-T. Nguyen et al. (2016). “Segmentation of defects on log surface from terrestrial Lidar data”. toappears in the proceedings of ICPR 2016.2. R. E. Thomas (2008). “Predicting internal yellow-poplar log defect features using surface indicators”.Wood and Fiber Science 40.1, p. 14–22.

7 / 23

Détection de défauts externes sur les billons d’arbre

ObjectifCaractérisation le bois rond ou l’arbre sur pied en utilisant lesinformations 3D récupérées de Lidar terrestre.

8 / 23

Approche

Nuage de points

Prétraitement

Segmentation

Classifier

Défaut Type 1

CaractéristiquesDéfaut Surface

Estimation Défaut Interne

Défaut Type 2 . . . Défaut Type n

Examplesde défauts

Détection

Identification

Caractérisation

9 / 23

Détection de défauts

Analyse de la rugosité de la surface

Maillage

Calcul de la ligne centrale

Calcul de la rugosité

Seuillage

10 / 23

Détection de défauts

Maillage

Calcul de la ligne centrale

Calcul de la rugosité

Seuillage

Kerautret et al. 2015. 3

3. B. Kerautret et al. (2015). 3D Geometric Analysis of Tubular Objects based on Surface NormalAccumulation. Image Analysis and Processing—ICIAP 2015. Springer, p. 319–331.

11 / 23

Détection de défauts

Maillage

Calcul de la ligne centrale

Calcul de la rugosité

Seuillage 0

20

40

60

80

100

200 220 240 260 280 300 320

δ

r̂ r

Dista

nce

to

the

cente

r lin

e (m

m)

z (mm)

points in the patchprocessing point

fitted line

Rugosité : δ = r − r̂

12 / 23

Détection de défauts

Maillage

Calcul de la ligne centrale

Calcul de la rugosité

Seuillage

0

500

1000

1500

2000

2500

3000

3500

4000

-5 0 5 10 15 20 25 30T

Fre

quen

cy

Difference between the distance to the center line and the reference distance to the center line

Rosin. 2001 4

4. P. L. Rosin (2001). Unimodal thresholding. Pattern recognition 34.11, p. 2083–209613 / 23

Expérimentations

On utilise les nuages de points de 10 billons de 7 espèces différentesLes résultats sont comparés aux vérités terrains définies à dire d’expert

14 / 23

Résultats

15 / 23

Résultats

Expert Algorithme Accord

16 / 23

Résultats reproducibles et Démonstration en ligne

Démonstration en ligne Code source + données

http://goo.gl/id87ov https://goo.gl/5UHosg

17 / 23

Classification de défauts

Approche d’apprentissage automatique

Défaut à tester Descripteurde formes

Forêt aléatoire Type du défaut

Exemples dedéfaut + labels

Descripteursde formes

18 / 23

Base d’apprentissage

Récupéré des plusieurs espèces :ChêneHêtreSapinPinMerisierMélezeÉpicéa

19 / 23

Base d’apprentissage

Étiqueter les défauts avant scannerSegmenter manuellement les défauts et les labeller selon leur étiquette

20 / 23

Expérimentation

Classification de défauts segmentés manuellesEntraîner la forêt aléatoire par 90% des défauts segmentésTester le modèle par 10%

Résultat préliminaireTaux de bonne classification ~ 90%

21 / 23

Conclusions

Le résultat sur la détection et le résultat préliminaire sur la classificationde défauts sont bons qui montrent une possibilité d’estimer la qualité dubois rond ou de l’arbre sur pied.

PerspectivesClasser les défauts segmentés automatiquementDévelopper un processus complet pour classer arbre sur piedDévelopper une interface graphique en intégrant dans Computree(http://computree.onf.fr)

22 / 23

Merci pour votre attention

23 / 23

top related