Development of CNN with reliability estimation for tree year ring segmentation based on computed tomography data

The task of segmenting tree year rings is a very active research topic in forest science because of the valuable information that tree year rings hold. From simple age estimation of a tree to accurate estimation of climate data from many centuries in the past, when modern techniques were not available. Such segmentation is also useful in timber engineering and industry, as it allows one to cut wood with different ring patterns, which due to their aesthetics have a higher value on the market. The thesis attempts to solve the task of segmenting the tree year rings on transversal slices of tomographic reconstructions of tree trunks, with the main goal being the prediction of the average and maximum tree year ring width throughout the tree trunk. The developed solution proposes the use of a fully convolutional neural network trained to perform the segmentation and estimate the uncertainty. Two uncertainty-based approaches were explored. A single inference mean-variance estimator network and a multiple inference sampling-based network. As neural networks belong to the supervised learning paradigm, an automated loss minimization algorithm was developed for the generation of noisy ground-truth labels. An evaluation of the proposed method was done for multiple tree species of varying year ring widths. The results indicate an increase in precision of the estimated tree year ring widths when utilizing the estimated uncertainties. Furthermore, the results of segmentation and delineation suggest a higher precision in the sampling-based approach with respect to the single-inference approach.

Il compito di segmentare gli anelli annuali degli alberi è un argomento di ricerca molto attivo nelle scienze forestali, grazie alle preziose informazioni che essi contengono. Si va dalla semplice stima dell’età di un albero alla stima accurata dei dati climatici di molti secoli fa, quando le tecniche moderne non erano ancora disponibili. Tale segmentazione è utile anche nell’ingegneria e nell’industria del legno, poiché consente di tagliare il legno con diversi modelli di anelli che, grazie alla loro estetica, hanno un valore più elevato sul mercato. La tesi cerca di risolvere il compito di segmentare gli anelli annuali degli alberi su sezioni trasversali di ricostruzioni tomografiche dei tronchi degli alberi, con l’obiettivo principale di prevedere la larghezza media e massima degli anelli annuali degli alberi in tutto il tronco. La soluzione sviluppata propone l’uso di una rete neurale completamente convoluzionale addestrata a prevedere l’incertezza nelle sue previsioni. Sono stati esplorati due approcci basati sull’incertezza. Una rete di stima della media-varianza a inferenza singola e una rete basata su campionamento a inferenza multipla. Poiché le reti neurali appartengono al paradigma dell’apprendimento supervisionato, è stato sviluppato un algoritmo automatico di minimizzazione della perdita per la generazione di etichette di ground truth rumorose. È stata effettuata una verifica del metodo proposto per diverse specie di alberi con larghezze degli anelli annuali variabili. I risultati indicano un aumento della precisione delle larghezze stimate degli anelli annuali degli alberi quando si utilizzano le incertezze stimate. Inoltre, i risultati della segmentazione e della ricerca delle linee suggeriscono una maggiore precisione nell’approccio basato sul campionamento rispetto all’approccio basato sulla singola inferenza.