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

Resumo Técnico: Geração de Madeira Sintética Baseada em Dados para Avaliação de Madeira Baseada em Aprendizado Profundo

Definição do Problema
O desenvolvimento de modelos de aprendizado profundo (DL) para a avaliação de madeira é dificultado pela escassez de conjuntos de dados pareados em larga escala, onde varreduras de superfície externas estão vinculadas a estruturas internas conhecidas (ex: geometria de nós, camadas de crescimento, orientação de fibras 3D e localização do cerne). Obter tal verdade fundamental (ground truth) para madeira real é frequentemente destrutivo, caro ou demorado, exigindo varredura por CT de raios X ou corte físico. Além disso, a anotação manual de características da madeira para aprendizado supervisionado é laboriosa. Embora dados sintéticos tenham sido explorados em outros campos (ex: direção autônoma, imagem médica) para superar gargalos de anotação, as estruturas de geração de madeira existentes são limitadas. Abordagens anteriores focaram apenas em madeira clara sem nós (Habite et al., 2022) ou geraram texturas volumétricas plausíveis sem calcular orientações de fibras 3D ou gerar imagens de superfície semelhantes a scanners para dimensões específicas de tábuas (Larsson et al., 2022). Há uma necessidade de um framework abrangente que gere tábuas de abeto-normal (Norway spruce) com aparências superficiais realistas e estruturas internas totalmente conhecidas para apoiar tarefas de classificação e avaliação baseadas em DL.

Metodologia
Os autores propõem um framework procedural de quatro componentes para gerar tábuas de abeto-normal sintéticas. O fluxo de trabalho procede da geração da estrutura interna para a renderização de superfície realista:

1. Gerador de Nós Baseado em Dados:

   • Fonte de Dados: 97 toras de abeto-normal do banco de dados de acesso aberto TreeTrace_spruce, segmentadas via varredura de CT de raios X.
   • Parametrização: Os nós são extraídos como nuvens de pontos e ajustados a um modelo geométrico (Foley, 2003) usando 10 parâmetros (posição longitudinal, azimute, coeficientes da parábola do eixo, coeficientes de diâmetro e limites radiais para partes vivas/mortas).
   • Agrupamento (Clustering): Para lidar com a escassez de dados, 16.319 nós únicos foram agrupados em 1.000 grupos baseados em seus embeddings geométricos de 9 dimensões (excluindo a posição longitudinal).
   • Geração de Sequência: Um modelo de Long Short-Term Memory (LSTM) foi treinado em sequências desses tokens de cluster (derivados de slots de toras discretizados em 1 cm) para prever o próximo token de nó. O modelo alcança 93,2% de precisão na previsão de tokens de cluster e reproduz propriedades estatísticas de sequências de nós (ex: comprimentos de corrida de nós, frequência) comparáveis aos dados reais.

2. Gerador de Camadas de Crescimento:

   • Modelagem Estocástica: Os anéis anuais são gerados usando um modelo estocástico (Habite et al., 2022) que cria formas transversais irregulares e larguras de anel variáveis baseadas em medições reais de toras.
   • Deformações: As camadas de crescimento nominais são modificadas para incluir:
     • Conicidade (Taper): Redução linear do raio ao longo do comprimento da tora.
     • Curvatura (Crook): Deslocamentos estocásticos em coordenadas transversais modelados como uma soma de ondas sinusoidais.
     • Protuberâncias de Nós (Knot Bumps): Distorções locais ao redor dos nós são calculadas usando um modelo de Foley modificado, contabilizando múltiplos nós e a presença de curvatura/conicidade. Isso envolve o cálculo de zonas de influência e o ajuste do raio da camada de crescimento com base nos limites de nós vivos/mortos.

3. Modelo de Orientação de Fibras:

   • Atribuição 3D: Com base na geometria de nós gerada e nas camadas de crescimento deformadas, uma direção de fibra 3D é atribuída a cada ponto da tábua.
   • Mecanismo: O modelo estende o padrão de fluxo de nó único de Foley para múltiplos nós. Ele calcula uma direção de fibra projetada ao redor de cada nó (fluxo de oval de Rankine) e impõe tangência à superfície da camada de crescimento local.
   • Combinação: Para pontos influenciados por múltiplos nós, um peso de relevância é atribuído com base na distância ao eixo do nó. A direção final da fibra é selecionada para maximizar o escore de desvio transversal, garantindo que o campo de fibras permaneça tangente às camadas de crescimento. Dentro dos nós, as fibras seguem o eixo do nó.

4. Gerador de Imagem de Superfície Realista (Difusão Condicional):

   • Entrada: Mapas de anéis binários e mapas de orientação de fibras no plano em tons de cinza derivados da interseção da estrutura 3D com as superfícies da tábua.
     akan Modelo: Um modelo Stable Diffusion XL (SDXL) modificado. Os canais de entrada da U-Net foram expandidos de 4 para 8 para acomodar os mapas de condicionamento (4 mapas de anéis + 4 mapas de fibras).
   • Treinamento: O modelo foi treinado em 35.479 segmentos de tábuas de abeto-normal reais (45×145 mm²). Como a rotulagem manual de anéis de todo o conjunto de dados era inviável, um modelo SDXL auxiliar foi treinado para rotular automaticamente padrões de anéis a partir de imagens RGB, criando um grande conjunto de dados pareados de mapas de condicionamento e imagens RGB alvo.
   • Saída: O modelo gera imagens RGB realistas de 512×512 para as quatro faces da tábua, preservando os padrões de anéis prescritos e desvios de fibras.

Principais Contribuições

• Framework Abrangente: O estudo apresenta o primeiro framework completo para gerar tábuas de madeira sintética que modela simultaneamente sequências de nós, geometria de camadas de crescimento (incluindo conicidade, curvatura e protuberâncias), orientação de fibras 3D e aparência superficial realista.
• Sequenciamento de Nós Baseado em Dados: Diferente de métodos procedurais anteriores, a sequência de nós é gerada por um LSTM treinado em dados de CT reais, garantindo fidelidade estatística às distribuições naturais de nós.
• Integração de Física e DL: O framework une modelos geométricos analíticos (para estrutura interna e fluxo de fibras) com IA generativa (modelos de difusão) para produzir saídas visualmente realistas condicionadas a parâmetros físicos.
• Lançamento de Código Aberto: Todo o gerador de tábuas, incluindo o código fonte e os modelos treinados, é disponibilizado publicamente para facilitar pesquisas futuras.

Resultados e Aplicação Preliminar
Para demonstrar a utilidade do framework, os autores realizaram uma aplicação de prova de conceito: treinar um modelo para prever o padrão de anéis da seção transversal (incluindo localização do cerne e largura do anel) a partir de imagens das quatro superfícies longitudinais da tábua.

• Treinamento: Um modelo foi treinado exclusivamente em 30.000 segmentos de tábuas sintéticas gerados pelo framework proposto.
• Teste: O modelo foi avaliado em 76 tábuas de abeto-normal reais (152 seções transversais) não vistas durante o treinamento.
• Desempenho:
  • Uma U-Net padrão produziu previsões de bordas precisas, mas regiões internas borradas devido à ambiguidade dos padrões de anéis internos.
  • Um modelo de difusão puro gerou saídas não borradas, mas "alucinou" padrões irregulares que não pareciam madeira.
  • Um pipeline combinado (U-Net para previsão inicial + refinador SDXL para detalhes) alcançou alta precisão.
  • Métricas: As larguras médias dos anéis anuais previstos mostraram um coeficiente de determinação ($R^2$) de 0,93 com uma discrepância absoluta média de 0,173 mm. As previsões da localização do cerne mostraram discrepâncias absolutas médias de 3,77 mm (direção x) e 6,08 mm (direção y).

Significância e Alegações
O artigo afirma que o framework proposto aborda com sucesso o gargalo de obtenção de conjuntos de dados pareados em larga escala para a avaliação de madeira. Ao gerar tábuas sintéticas com estruturas internas conhecidas, o framework permite o treinamento de modelos de DL para tarefas onde a verdade fundamental real é difícil ou destrutiva de obter.

• Alegações Modestas: Os autores declaram explicitamente que os resultados devem ser vistos como uma "prova de conceito". Eles reconhecem que, embora os dados sintéticos tenham sido suficientes para a tarefa de previsão de seção transversal, tarefas mais complexas (ex: previsão completa da geometria 3D do nó) podem ainda exigir ajuste fino com dados reais devido ao hiato de domínio entre as tábuas sintéticas e reais.
• Utilidade: O gerador é posicionado não como um substituto para dados experimentais, mas como uma ferramenta de suporte para o desenvolvimento e teste de métodos baseados em aprendizado, potencialmente reduzindo o volume de dados reais pareados necessários para treinamento e validação.
• Limitações: Os autores observam limitações quanto à especificidade de espécies (atualmente apenas abeto-normal), dimensões fixas de tábuas e o custo computacional do pipeline de refinamento baseado em difusão, que atualmente impede a aplicação industrial em tempo real. Trabalho futuro é sugerido para adaptação de espécies (via LoRA) e melhorias de resolução.