Data-Driven Generation of Synthetic Timber for Deep-Learning-Based Wood Assessment

Resumen Técnico: Generación de madera sintética basada en datos para la evaluación de la madera mediante aprendizaje profundo

Planteamiento del problema
El desarrollo de modelos de aprendizaje profundo (DL) para la evaluación de la madera se ve obstaculizado por la escasez de conjuntos de datos emparejados a gran escala donde los escaneos de la superficie externa estén vinculados a estructuras internas conocidas (p. ej., geometría de nudos, capas de crecimiento, orientación de fibras 3D y ubicación del médula). Obtener dicha verdad de campo para madera real suele ser destructivo, costoso o lento, ya que requiere escaneos de CT de rayos X o cortes físicos. Además, la anotación manual de las características de la madera para el aprendizaje supervisado requiere mucha mano de obra. Si bien se ha explorado el uso de datos sintéticos en otros campos (p. ej., conducción autónoma, imágenes médicas) para superar los cuellos de botella de la anotación, los marcos existentes para la generación de madera son limitados. Los enfoques anteriores se centraron únicamente en madera clara sin nudos (Habite et al., 2022) o generaron texturas volumétricas plausibles sin calcular las orientaciones de las fibras 3D ni generar imágenes de superficie similares a un escáner para dimensiones de tabla específicas (Larsson et al., 2022). Existe la necesidad de un marco integral que genere tablas de pícea de Noruega con apariencias superficiales realistas y estructuras internas totalmente conocidas para dar soporte a las tareas de clasificación y evaluación basadas en DL.

Metodología
Los autores proponen un marco procedimental de cuatro componentes para generar tablas de pícea de Noruega sintéticas. El flujo de trabajo progresa desde la generación de la estructura interna hasta el renderizado de la superficie realista:

1. Generador de nudos basado en datos:

   • Fuente de datos: 97 troncos de pícea de Noruega de la base de datos de acceso abierto TreeTrace_spruce, segmentados mediante escaneos de CT de rayos X.
   • Parametrización: Los nudos se extraen como nubes de puntos y se ajustan a un modelo geométrico (Foley, 2003) utilizando 10 parámetros (posición longitudinal, azimut, coeficientes de la parábola del eje, coeficientes de diámetro y límites radiales para las partes vivas/muertas).
   • Agrupamiento (Clustering): Para abordar la escasez de datos, 16.319 nudos únicos se agrupan en 1.000 grupos basados en sus incrustaciones geométricas de 9 dimensiones (excluyendo la posición longitudinal).
   • Generación de secuencias: Se entrena un modelo de Memoria a Largo Corto Plazo (LSTM) sobre secuencias de estos tokens de agrupación (derivados de ranuras de troncos discretizadas de 1 cm) para predecir el siguiente token de nudo. El modelo alcanza una precisión del 93,2% en la predicción de los tokens de agrupación y reproduce las propiedades estadísticas de las secuencias de nudos (p. ej., longitudes de tramos de nudos, frecuencia) comparables a los datos reales.

2. Generador de capas de crecimiento:

   • Modelado estocástico: Los anillos anuales se generan mediante un modelo estocástico (Habite et al., 2022) que crea formas transversales irregulares y anchuras de anillo variables basadas en mediciones reales de troncos.
   • Deformaciones: Las capas de crecimiento nominales se modifican para incluir:
     • Conicidad (Taper): Reducción lineal del radio a lo largo de la longitud del tronco.
     • Curvatura (Crook): Desplazamientos estocásticos en las coordenadas transversales modelados como una suma de ondas sinusoidales.
     • Protuberancias de nudos (Knot Bumps): Las distorsiones locales alrededor de los nudos se calculan mediante un modelo de Foley modificado, teniendo en cuenta múltiples nudos y la presencia de curvatura/conicidad. Esto implica calcular zonas de influencia y ajustar el radio de la capa de crecimiento basándose en los límites de los nudos vivos/muertos.

3. Modelo de orientación de fibras:

   • Asignación 3D: Basándose en la geometría de los nudos generada y las capas de crecimiento deformadas, se asigna una dirección de fibra 3D a cada punto de la tabla.
   • Mecanismo: El modelo extiende el patrón de flujo de un solo nudo de Foley a múltiples nudos. Calcula una dirección de fibra proyectada alrededor de cada nudo (flujo de tipo Rankine-oval) y fuerza la tangencia a la superficie de la capa de crecimiento local.
   • Combinación: Para los puntos influenciados por múltiples nudos, se asigna un peso de relevancia basado en la distancia al eje del nudo. La dirección de la fibra final se selecciona para maximizar la puntuación de desviación transversal, asegurando que el campo de fibras permanezca tangente a las capas de crecimiento. Dentro de los nudos, las fibras siguen el eje del nudo.

4. Generador de imágenes de superficie realistas (Difusión condicional):

   • Entrada: Mapas de anillos binarios y mapas de orientación de fibras en escala de grises en el plano derivados de la intersección de la estructura 3D con las superficies de la tabla.
   • Modelo: Un modelo de Difusión Estable XL (SDXL) modificado. Los canales de entrada de la U-Net se ampliaron de 4 a 8 para acomodar los mapas de condicionamiento (4 mapas de anillos + 4 mapas de fibras).
   • Entrenamiento: El modelo fue entrenado con 35.479 segmentos de tablas de pícea de Noruega reales (45×145 mm²). Dado que el etiquetado manual de anillos en todo el conjunto de datos era inviable, se entrenó un modelo SDXL auxiliar para etiquetar automáticamente los patrones de anillos a partir de imágenes RGB, creando un gran conjunto de datos emparejados de mapas de condicionamiento e imágenes RGB objetivo.
   • Salida: El modelo genera imágenes RGB realistas de 512×512 para las cuatro caras de la tabla, preservando los patrones de anillos prescritos y las desviaciones de las fibras.

Contribuciones clave

• Marco integral: El estudio presenta el primer marco completo para generar tablas de madera sintética que modela simultáneamente las secuencias de nudos, la geometría de las capas de crecimiento (incluyendo conicidad, curvatura y protuberancias), la orientación de las fibras 3D y la apariencia superficial realista.
• Secuenciación de nudos basada en datos: A diferencia de los métodos procedimentales previos, la secuencia de nudos se genera mediante un LSTM entrenado con datos de CT reales, asegurando la fidelidad estadística a las distribuciones naturales de los nudos.
• Integración de física y DL: El marco une modelos geométricos analíticos (para la estructura interna y el flujo de fibras) con IA generativa (modelos de difusión) para producir resultados visualmente realistas condicionados por parámetros físicos.
• Lanzamiento de código abierto: Todo el generador de tablas, incluyendo el código fuente y los modelos entrenados, se pone a disposición pública para facilitar la investigación posterior.

Resultados y aplicación preliminar
Para demostrar la utilidad del marco, los autores realizaron una aplicación de prueba de concepto: entrenar un modelo para predecir el patrón de anillos de la sección transversal (incluyendo la ubicación de la médula y el ancho del anillo) a partir de imágenes de las cuatro superficies longitudinales de la tabla.

• Entrenamiento: Un modelo fue entrenado exclusivamente con 30.000 segmentos de tablas sintéticas generadas por el marco propuesto.
• Prueba: El modelo fue evaluado con 76 tablas reales de pícea de Noruega (152 secciones transversales) no vistas durante el entrenamiento.
• Rendimiento:
  • Una U-Net estándar produjo predicciones de bordes precisas pero regiones internas borrosas debido a la ambigüedad de los patrones de anillos internos.
  • Un modelo de difusión puro generó salidas no borrosas pero "alucinó" patrones irregulares que no parecían madera.
  • Un pipeline combinado (U-Net para la predicción inicial + refinador SDXL para el detalle) logró una alta precisión.
  • Métricas: Las anchuras medias de los anillos anuales predichos mostraron un coeficiente de determinación ($R^2$) de 0,93 con una discrepancia absoluta media de 0,173 mm. Las predicciones de la ubicación de la médula mostraron discrepancias absolas medias de 3,77 mm (dirección x) y 6,08 mm (dirección y).

Significancia y declaraciones
El artículo afirma que el marco propuesto aborda con éxito el cuello de botella de la obtención de conjuntos de datos emparejados a gran escala para la evaluación de la madera. Al generar tablas sintéticas con estructuras internas conocidas, el marco permite el entrenamiento de modelos de DL para tareas donde la verdad de campo real es difícil o destructiva de obtener.

• Declaraciones modestas: Los autores declaran explícitamente que los resultados deben verse como una "prueba de concepto". Reconocen que, si bien los datos sintéticos fueron suficientes para la tarea de predicción de la sección transversal, tareas más complejas (p. ej., la predicción completa de la geometría 3D de los nudos) pueden requerir aún un ajuste fino con datos reales debido a la brecha de dominio entre las tablas sintéticas y las reales.
• Utilidad: El generador se posiciona no como un reemplazo de los datos experimentales, sino como una herramienta de apoyo para el desarrollo y prueba de métodos basados en el aprendizaje, reduiendo potencialmente el volumen de datos reales emparejados necesarios para el entrenamiento y la validación.
• Limitaciones: Los autores señalan limitaciones respecto a la especificidad de la especie (actualmente solo pícea de Noruega), dimensiones de tabla fijas y el coste computacional del pipeline de refinamiento basado en difusión, que actualmente impide la aplicación industrial en tiempo real. Se sugiere como trabajo futuro la adaptación a otras especies (p. ej., vía LoRA) y mejoras en la resolución.