< Terug naar vorige pagina

Project

SmartWoodID: slimme classificatie van Congolese houtsoorten: deep-learning technieken voor het versterken van bosbehoud (SmartWoodID)

Een aanzienlijk deel van de houthandel is nog steeds illegaal en illegale houtkap is de meest winstgevende misdaad op het gebied van biodiversiteit. Het VN-milieu schat dat de illegale houtkap en de daarmee gepaard gaande houthandel 50 tot 152 miljard dollar per jaar opbrengen. Illegale houtkap houdt een groot risico in op onomkeerbare schade aan ecosystemen door de exploitatie van zeer gewilde, soms beschermde, soorten. Er is al regelgeving voor hout (CITES, FLEGT, EUTR), maar de uitvoering en handhaving zijn een uitdaging. Momenteel heeft België de negatieve connotatie de 'draaischijf van de illegale houthandel' te zijn. 27,5% van de totale EU28-invoer van primaire tropische houtproducten wordt via België ingevoerd (hoofdzakelijk via de haven van Antwerpen). Houtidentificatie is een sleutelproces bij de handhaving, waarbij moet worden nagegaan of de zending overeenstemt met de producten die op de begeleidende documenten zijn vermeld. Daarom is er een groeiende vraag naar instrumenten voor houtidentificatie die door ambtenaren kunnen worden toegepast. 


Het xylarium van Tervuren is de Belgische federale U+2018bibliotheekU+2019 van houtstalen. Het is een internationaal vermaard onderdeel van het federaal wetenschappelijk erfgoed, ondergebracht bij het Koninklijk Museum voor Midden-Afrika en bevat referentiemateriaal van 13 000 verschillende botanische soorten. Een van de steeds belangrijker wordende functies van de collectie is ondersteuning van forensisch onderzoek door verificatie van de identiteit van een soort. De meest gebruikelijke techniek voor houtidentificatie is een anatomische beoordeling van het hout. Machine Learning-methoden kunnen waarschijnlijk het houtidentificatieproces voor niet-specialisten ondersteunen. Houtsoorten hebben inderdaad karakteristieke kenmerken bij verschillende microscopische vergrotingen. Sommige van die kenmerken zijn echter zeer variabel, wat de ontwikkeling van klassieke dichotomie-identificatiesleutels die door niet-specialisten kunnen worden gebruikt, bemoeilijkt. Bovendien moeten veel kenmerken die op houtoppervlakken worden waargenomen, worden opgevat als artefacten (scheuren, sporen van mechanische beschadiging, schimmels en insectenaantastingen) en zijn ze voor het ongeoefende oog niet altijd gemakkelijk te onderscheiden van diagnostische kenmerken. Het xylarium van Tervuren biedt de meest complete verzameling referentiemateriaal voor de ontwikkeling van nieuwe benaderingen voor houtidentificatie.

Het projectvoorstel beoogt een deel van het houtidentificatieproces te automatiseren door kunstmatige-intelligentietechnieken toe te passen voor de analyse van houtanatomische beelden van boomsoorten uit de Democratische Republiek Congo. De bomenflora van Centraal-Afrika omvat 3013 soorten, waarvan er 27 behoren tot de commerciële houtsoorten van klasse 1 van de DRC en daadwerkelijk intensief worden gekapt en verhandeld, 20 tot klasse 2 (hebben potentieel een grote commerciële waarde), 44 tot klasse 3 (worden geacht te worden gepromoot) en 879 tot klasse 4 (commerciële waarde is nog niet bekend).  Het project zal gebruik maken van xylariummonsters van alle soorten van de vier klassen en zal gebruik maken van de kracht van moderne deep learning-benaderingen. Het project zal steunen op anatomische houtbeschrijvingen van experts die zullen dienen als geannoteerde trainingsgegevens om de software te ontwikkelen. Het project zal uniek zijn door het grote aantal Afrikaanse soorten, de toepassing van deep learning en een database van gestandaardiseerde beschrijvingen die beschikbaar zal komen. In een eerste werkpakket zullen deskundige annotaties gemaakt worden van microscopische en mesoscopische beelden van transversale oppervlakken van 1000 Congolese houtsoorten. Werkpakket 2 zal een beeldverwerkingspijplijn ontwikkelen voor semi-geautomatiseerde annotatie van microscopische en mesoscopische houtdoorsneden. Werkpakket 3 zal zich richten op de productie van een gebruikersvriendelijke interface.

Datum:15 dec 2020  →  Heden
Trefwoorden:deep learning, DRCongo, houtidentificatie
Disciplines:Datavisualisatie en beeldvorming, Bosbeheer en -modellering, Plantenmorfologie, -anatomie en -fysiologie, Machine learning en besluitvorming