Back

¿Se preguntó cómo el Timbeter mide troncos de manera tan precisa?

El Timbeter utiliza un proceso de detección de troncos de madera personalizado basado en el aprendizaje automático.

El algoritmo de detección de troncos de Timbeter es un proceso de múltiples pasos. Cada paso progresivamente mejora la calidad de la detección mientras dedica más tiempo a cada posible detección de troncos.


Los pasos son:

  • Encontrar candidatos a troncos iniciales
  • Combinar candidatos en una detección de troncos única
  • Filtrar las detecciones falsas
  • Refinar el diámetro y la localización de las detecciones
  • Proceso secundario de detección de troncos

Paso 1

Los troncos iniciales se encuentran usando un protocolo de ventanas deslizantes. Una ventana consiste en diferentes sub secciones rectangulares de una imagen y la detección se crea cada vez que la ventana se superpone exactamente al tronco. La ventana es entonces movida y medida, así que todas las posibles ubicaciones y tamaños de troncos son probados. Esto significa aproximadamente 20 millones de verificaciones individuales para una imagen de tamaño estándar.

Paso 2

Un solo tronco puede desencadenar el algoritmo de detección varias veces, entonces varios candidatos pueden corresponder al mismo tronco físico. Por eso, los candidatos que están muy cerca unos a otros se mezclan en una única detección de tronco. El tamaño y la ubicación se establecen por la media ponderada de los candidatos iniciales. La media procede de la certeza de este candidato.

Paso 3

Una vez que se detectan los troncos iniciales, se filtran: las detecciones de troncos improbables se eliminan posteriormente. Esto se basa en varias diversas características. Por ejemplo, las detecciones muy pequeñas son mucho más probables de ser falsas. Además, los troncos que están muy lejos de otras detecciones también son probablemente falsos, o son troncos verdaderos que no forman parte de la pila. Muchos factores adicionales se consideran, incluyendo la certeza dada por la detección inicial y la cantidad de superposiciones que las detecciones tiene de sí mismas.

Paso 4

La filtración es seguida por el paso de refinamiento. El proceso de refinamiento mejora la precisión de las detecciones encontradas. Debido al hecho de que la detección inicial necesita comprobar muchas ubicaciones individuales, el proceso se simplifica. Desafortunadamente, esto hace que el proceso sea impreciso. El algoritmo de refinamiento, sin embargo, se genera para ser aplicado en algunos cientos de detecciones que se dejaron después del filtrado. Esto permite que el algoritmo de refinamiento utilice más poder de procesamiento y, consecuentemente, sea más preciso.

Paso 5

A continuación, se aplica un algoritmo secundario para encontrar los troncos. Similar al proceso de detección inicial, este algoritmo utiliza un proceso de ventanas deslizantes. Sin embargo, hay una diferencia notable: mientras que la detección inicial se basa en la apariencia general de los troncos en las imágenes, la detección secundaria sólo busca por troncos que son similares a los que ya se han encontrado. Esto permite que la detección secundaria sea capaz de encontrar troncos de apariencia más inusual. Además, la segunda detección sólo se aplica en el área de la imagen, donde los troncos ya se encontraron con la detección inicial del paso 1. Las detecciones encontradas por la segunda vez son filtradas y refinadas, similar al proceso inicial.

Los pasos 1 al 5 se producen en sólo 30 segundos!

El proceso del Timbeter de múltiples pasos se construye en los resultados de los algoritmos previos, permitiendo a ello alcanzar resultados precisos en un período breve de tiempo, incluso en smartphones y tabletas con cámaras de menor calidad. Mientras tanto, los algoritmos más fuertes se pueden utilizar en una computadora (debido a su amplia capacidad de procesamiento), Timbeter ofrece al usuario resultados instantáneamente, incluso en medio de un bosque, con poca conexión a internet.

Por una extensa investigación y diversos experimentos, el equipo de ingeniería de Timbeter está continuamente mejorando la calidad de detección, por lo que espere más mejoras pronto!



If you like this, feel free to share!