Una identificación rápida y confiable de especies maderables comerciales resulta de gran utilidad para países de América del Sur, en especial, Perú. El Bach. Marco Paul Apolinario Laínez, profesional del Grupo de investigación de procesamiento de señales e imágenes en inteligencia artificial (GPSI-IA) del INICTEL-UNI, es el autor principal de un artículo que propone un modelo de red neuronal convolucional de bajo costo computacional que pueda realizar la identificación de 16 especies maderables de nuestro país.

El artículo “Open Set Recognition of Timber Species Using Deep Learning for Embedded Systems” fue publicado en la revista IEEE Latin America Transactions, de cuartil Q2. Este artículo busca difundir una propuesta para apoyar en la monitorización forestal en países como el Perú, teniendo en cuenta que es el segundo país con la mayor extensión de bosques tropicales. En este artículo trabajaron el Bach. Marco Paul Enrique Apolinario Lainez (autor principal), el Bach. Daniel Augusto Urcia Paredes (coautor) y el Dr. Samuel Gustavo Huaman Bustamante (coautor).

“Dado que los métodos actuales de identificación se basan en un enfoque de reconocimiento en conjuntos cerrados (closed set recognition), no apropiados para ser utilizados en una aplicación práctica porque los escenarios de identificación de especies maderables son, por naturaleza, un problema de reconocimiento en conjuntos abiertos (open set recognition)”, señala el Bach. Marco Apolinario. De acuerdo con él, el trabajo propone una red neuronal convolucional con dos características principales: “La red puede ser ejecutada en un sistema embebido en tiempo real y ser capaz de manejar el problema de reconocimiento en conjuntos abiertos, es decir, este modelo puede discriminar entre especies conocidas y desconocidas”.

Para la evaluación de la red neuronal convolucional, se desarrollaron pruebas en dos conjuntos de datos de especies de madera y se realizaron experimentos en el sistema embebido Raspberry Pi3B+ para medir el consumo de energía. “Los resultados presentan métricas altas, lo que significa que logra discriminar las especies desconocidas con exactitud y F1-score superior al 91% para dos conjuntos de imágenes utilizadas. Además de esto, el modelo propuesto obtiene una reducción de potencia máxima (10-12%) y un menor uso de recursos computacionales (5-13%) que un modelo de red neuronal convolucional clásico y MobileNetsV2 medidos en un Raspberry Pi3B+”, destacó.

Si desea conocer más alcances de este artículo para identificar 16 especies maderables de Perú con una alta exactitud, y que además pueda discriminar entre especies maderables conocidas y desconocidas, puede ubicarlo aquí: https://doi.org/10.1109/TLA.2019.9011545