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

Sintesi Tecnica: Generazione Data-Driven di Legname Sintetico per la Valutazione del Legno Basata su Deep Learning

Problematica
Lo sviluppo di modelli di deep learning (DL) per la valutazione del legno è ostacolato dalla scarsità di dataset su larga scala e accoppiati, in cui le scansioni superficiali esterne siano collegate a strutture interne note (ad es., geometria dei nodi, strati di crescita, orientamento tridimensionale delle fibre e posizione del midollo). L'ottenimento di tale verità fondamentale (ground truth) per il legname reale è spesso distruttivo, costoso o dispendioso in termini di tempo, richiedendo scansioni X-ray CT o tagli fisici. Inoltre, l'annotazione manuale delle caratteristiche del legno per l'apprendimento supervisionato è laboriosa. Sebbene i dati sintetici siano stati esplorati in altri campi (ad es., guida autonoma, imaging medico) per superare i colli di bottiglia dell'annotazione, gli attuali framework di generazione del legno sono limitati. Gli approcci precedenti si sono concentrati esclusivamente su legno chiaro senza nodi (Habite et al., 2022) oppure hanno generato texture volumetriche plausibili senza calcolare l'orientamento tridimensionale delle fibre o generare immagini superficiali simili a quelle degli scanner per specifiche dimensioni delle tavole (Larsson et al., 2022). È necessario un framework completo che generi tavole di abete rosso sintetiche con aspetti superficiali realistici e strutture interne completamente note per supportare compiti di classificazione e valutazione basati su DL.

Metodologia
Gli autori propongono un framework procedurale a quattro componenti per la generazione di tavole di abete rosso sintetiche. Il flusso di lavoro procede dalla generazione della struttura interna al rendering superficiale realistico:

1. Generatore di Nodi Data-Driven:

   • Fonte dei Dati: 97 tronchi di abete rosso provenienti dal database open-access TreeTrace_spruce, segmentati tramite scansioni X-ray CT.
   • Parametrizzazione: I nodi sono estratti come nuvole di punti e adattati a un modello geometrico (Foley, 2003) utilizzando 10 parametri (posizione longitudinale, azimut, coefficienti della parabola dell'asse, coefficienti del diametro e confini radiali per le parti vive/morte).
   • Clustering: Per affrontare la scarsità di dati, 16.319 nodi unici sono raggruppati in 1.000 gruppi basati sui loro embedding geometrici a 9 dimensioni (escluso la posizione longitudinale).
   • Generazione di Sequenze: Un modello Long Short-Term Memory (LSTM) è stato addestrato su sequenze di questi token di cluster (derivati da slot di tronco discretizzati in segmenti di 1 cm) per predire il successivo token del nodo. Il modello raggiunge una precisione del 93,2% nella predizione dei token di cluster e riproduce le proprietà statistiche delle sequenze di nodi (ad es., lunghezze di corsa dei nodi, frequenza) comparabili ai dati reali.

2. Generatore di Strati di Crescita:

   • Modellazione Stocastica: Gli anelli annuali sono generati utilizzando un modello stocastico (Habite et al., 2022) che crea forme trasversali irregolari e larghezze di anello variabili basate su misurazioni reali di tronchi.
   • Deformazioni: Gli strati di crescita nominali sono modificati per includere:
     • Conicità (Taper): Riduzione lineare del raggio lungo la lunghezza del tronco.

la Curvatura (Crook): Spostamenti stocastici nelle coordinate trasversali modellati come somma di onde sinusoidali.
* Rigonfiamenti da Nodo (Knot Bumps): Distorsioni locali attorno ai nodi calcolate utilizzando un modello Foley modificato, che tiene conto di molteplici nodi e della presenza di curvatura/conicità. Ciò comporta il calcolo delle zone di influenza e la regolazione del raggio dello strato di crescita in base ai confini vivi/morti del nodo.

3. Modello di Orientamento delle Fibre:

   • Assegnazione 3D: Sulla base della geometria del nodo generata e degli strati di crescita deformati, viene assegnata una direzione della fibra 3D a ogni punto della tavola.
   • Meccanismo: Il modello estende il pattern di flusso di un singolo nodo di Foley a molteplici nodi. Calcola una direzione della fibra proiettata attorno a ciascun nodo (flusso Rankine-oval) e impone la tangenza alla superficie locale dello strato di crescita.
   • Combinazione: Per i punti influenzati da più nodi, viene assegnato un peso di rilevanza basato sulla distanza dall'asse del nodo. La direzione finale della fibra è selezionata per massimizzare il punteggio di deviazione trasversale, garantendo che il campo di fibre rimanga tangente agli strati di crescita. All'interno dei nodi, le fibre seguono l'asse del nodo.

4. Generatore di Immagini Superficiali Realistiche (Diffusione Condizionale):

   • Input: Mappe di anelli binarie e mappe di orientamento delle fibre in scala di grigi nel piano, derivate dall'intersezione della struttura 3D con le superfici della tavola.
   • Modello: Un modello Stable Diffusion XL (SDXL) modificato. I canali di input della U-Net sono stati espansi da 4 a 8 per accogliere le mappe di condizionamento (4 mappe di anelli + 4 mappe di fibre).
   • Addestramento: Il modello è stato addestrato su 35.479 segmenti di tavole di abete rosso reali (45×145 mm²). Poiché l'etichettatura manuale dei pattern degli anelli per l'intero dataset era impraticabile, un modello SDXL ausiliario è stato addestrato per etichettare automaticamente i pattern degli anelli da immagini RGB, creando un ampio dataset accoppiato di mappe di condizionamento e immagini RGB target.
   • Output: Il modello genera immagini RGB realistiche 512×512 per le quattro facce della tavola, preservando i pattern di anelli e le deviazioni delle fibre prescritti.

Contributi Chiave

• Framework Completo: Lo studio presenta il primo framework completo per la generazione di tavole di legname sintetiche che modella simultaneamente le sequenze di nodi, la geometria degli stramenti di crescita (inclusi conicità, curvatura e rigonfiamenti), l'orientamento 3D delle fibre e l'aspetto superficiale realistico.
• Sequenziamento dei Nodi Data-Driven: A differenza dei precedenti metodi procedurali, la sequenza dei nodi è generata da un LSTM addestrato su dati CT reali, garantendo la fedeltà statistica alle distribuzioni naturali dei nodi.
• Integrazione tra Fisica e DL: Il framework unisce modelli geometrici analitici (per la struttura interna e il flusso delle fibre) con l'IA generativa (modelli di diffusione) per produrre output visivamente realistici condizionati da parametri fisici.
• Rilascio Open-Source: L'intero generatore di tavole, inclusi il codice sorgente e i modelli addestrati, viene reso pubblico per facilitare ulteriori ricerche.

Risultati e Applicazione Preliminare
Per dimostrare l'utilità del framework, gli autori hanno condotto un'applicazione di prova di concetto: l'addestramento di un modello per predire il pattern degli anelli della sezione trasversale (inclusa la posizione del midollo e la larghezza degli anelli) partendo dalle immagini delle quattro superfici longitudinali della tavola.

• Addestramento: Un modello è stato addestrato esclusivamente su 30.000 segmenti di tavole sintetiche generati con il framework proposto.
• Test: Il modello è stato valutato su 76 tavole di abete rosso reali (152 sezioni trasversali) non viste durante l'addestramento.
• Prestazioni:
  • Una U-Net standard ha prodotto predizioni accurate dei bordi ma regioni interne sfocate a causa dell'ambiguità dei pattern degli anelli interni.
  • Un modello di diffusione puro ha generato output non sfocati ma ha "allucinato" pattern irregolari e non tipici del legno.
  • Una pipeline combinata (U-Net per la predizione iniziale + SDXL come rifinitore per i dettagli) ha ottenuto un'elevata precisione.
  • Metriche: La larghezza media degli anelli annuali predetta ha mostrato un coefficiente di determinazione ($R^2$) di 0,93 con una discrepanza media assoluta di 0,173 mm. Le predizioni della posizione del midollo hanno mostrato discrepanze medie assolute di 3,77 mm (direzione x) e 6,08 mm (direzione y).

Significato e Dichiarazioni
L'articolo sostiene che il framework proposto affronta con successo il collo di bottiglia nell'ottenere dataset accoppiati su larga scala per la valutazione del legno. Generando tavole sintetiche con strutture interne note, il framework consente l'addestramento di modelli DL per compiti in cui la verità fondamentale reale è difficile o distruttiva da ottenere.

• Dichiarazioni Modeste: Gli autori dichiarano esplicitamente che i risultati devono essere considerati una "prova di concetto". Riconoscono che, sebbene i dati sintetici siano stati sufficienti per il compito di predizione della sezione trasversale, compiti più complessi (ad es., la predizione completa della geometria 3D del nodo) potrebbero ancora richiedere un affinamento con dati reali a causa del divario di dominio tra tavole sintetiche e reali.
• Utilità: Il generatore è posizionato non come un sostituto dei dati sperimentali, ma come uno strumento di supporto per lo sviluppo e il test di metodi basati sull'apprendimento, riducendo potenzialmente il volume di dati reali accoppiati necessari per l'addestramento e la validazione.
• Limitazioni: Gli autori segnalano limitazioni riguardanti la specificità della specie (attualmente solo abete rosso), le dimensioni fisse delle tavole e il costo computazionale della pipeline di raffinamento basata sulla diffusione, che attualmente preclude l'applicazione industriale in tempo reale. Si suggerisce come lavoro futuro l'adattamento alle specie (ad es., tramite LoRA) e il miglioramento della risoluzione.