Aplicación de las Redes Neuronales a la Ingeniería Forestal

Aplicación de las RedesNeuronales a laIngeniería Forestal

Autor. Francisco García Fernández

Ávila, 24 de septiembre de 2009

Otros autores. Luis García Esteban, Paloma dePalacios de Palacios, Antonio Guindeo Casasús.

Aplicación de las Redes Neuronales a la Ingeniería Forestal Francisco García Fernández, Luis García Esteban, Paloma de Palacios de Palacios, Antonio Guindeo Casasús 2/20

• INTRODUCCIÓN / HISTORIA

• TIPOS DE REDES NEURONALES ARTIFICIALES

• MODELOS MÁS UTILIZADOS EN LA INDUSTRIA FORESTAL– PERCEPTRON MULTICAPA– REDES DE BASE RADIAL– MAPAS AUTOORGANIZATIVOS DE KOHONEN

• UTILIZACIÓN DE LAS REDES NEURONALES EN LAINDUSTRIA FORESTAL– CONDICIONES DE USO– PROCEDENCIA DE LOS DATOS– DIVISIÓN DE LOS DATOS– USOS

• EJEMPLOS


INTRODUCCIÓN.– Estructura que intenta imitar algunas características de los

sistemas biológicos. Aprenden a resolver problemas en base alconocimiento extraído del entorno.

– No hay una definición precisa de ellas:• Haykin, 1994. Conjunto de procesadores en paralelo capaces de

almacenar información procedente de patrones conocidos y aplicarlaa ejemplos desconocidos.

– El conocimiento se adquiere en la fase de entrenamiento.– El conocimiento se almacena en las conexiones entre neuronas.

• Zurada, 1992. Conjunto de elementos físicos interconectadoscapaces de almacenar y utilizar conocimiento.

• Pérez Delgado y Martín Martín, 2003. Arquitecturas deprocesamiento paralelo que ofrecen nuevos mecanismos aplicables auna amplia gama de problemas.

– Comienzos:• A partir de la década de 40’s.• McCulloch-Pitts (1943). Primer modelo matemático de una RNA con

salida binaria.• Marvin Minsky (1951). Primeros resultados prácticos con RNAs.• Frank Rosenblatt (1957). Desarrolla el perceptrón.


TIPOS DE REDES NEURONALES• DEPENDIENDO DEL TIPO DE APRENDIZAJE

– Supervisado:• A la red se le presenta la solución a cada vector de entrada.

– No supervisado:• No se presenta la solución.• Clasificadores.

• TOPOLOGÍA– Feedforward:

• Son redes con conexiones hacia delante.• No se forman bucles internos entre capas.

– Feedback:• Se forman bucles internos entre capas o intracapas.• La salida de una capa depende de los valores anteriores.

• TIPOS DE DATOS– Categóricas:

• Variables discretas.

– Cuantitativas:• Variables números reales.

Feedforward

Conexión recurrente

Feedback


MODELOS MÁS UTILIZADOS EN LA INDUSTRIA FORESTAL• PERCEPTRON MULTICAPA

– Arquitectura de neuronas con conexiones hacia delante.– Aproximador universal para cualquier función continua y diferenciable

en un compacto de ℜn.– Ventajas:

• Capacidad de aprendes a partir de ejemplos.• Filtrar ruido.

– Inconvenientes:• Largo proceso de aprendizaje.• Modelo no interpretable.

– Diseño:• Nº de neuronas en la capa de entrada

– Estudio previo de las variables implicadas.– Variables correlacionadas.– Variables no relevantes.

• Nº de neuronas de las capas ocultas y capas ocultas: Prueba y error.• Nº de conexiones+nº de neuronas<nº de datos disponibles.

– Red no definida matemáticamente.– No siempre se busca eso.

Capade

entradaCapa

desalida

Capas ocultas

Neurona

Variable 1

Variable 2

Salida

W’12

W’11

W’’11

W’’12

W ’’21

W’’22

W’’31

W’’32

W’’41

W’’42

W’’’11

W’’’ 21

W’13

W’14

W’24

W’23

W’22

W’21

B1

B2

B3

B4

Umbral

MLP


MODELOS MÁS UTILIZADOS EN LA INDUSTRIA FORESTAL• PERCEPTRON

– Proceso de aprendizaje:• Aprendizaje supervisado.• Inicialización de los valores de la red.• Cálculo de la salida final.• Obtención del error de salida.• Modificación de los valores iniciales de forma que la función error tienda al

mínimo.• Repetición de los pasos anteriores hasta alcanza el mínimo deseado.

– Capacidad de generalización:• Característica más importante.• Aprendizaje vs. generalización.• Se debe evaluar la capacidad de generalización

durante el proceso.– Conjunto de entrenamiento.– Conjunto de validación.– Elegidos aleatoriamente.

» Entrenamiento: 70-80%.» Validación: 20-30%.

– Deben ser representativos de la población.– Introducción de datos anómalos.

• Técnica Early-stopping.


MODELOS MÁS UTILIZADOS EN LA INDUSTRIA FORESTAL.• RED DE BASE RADIAL.

– Redes multicapa con conexiones hacia adelante.– Menor tiempo de aprendizaje que el perceptrón.– Aproximadores universales.– Arquitectura:

• Capa de entrada.• Capa oculta.

– Sólo una capa oculta.– Funciones: Gauss, Cuadrática inversa, Multicuadrática inversa.– Cada neurona de la capa oculta tiene un carácter local.

• Capa de salida.

– Diseño:• Nº de neuronas de la capa de entrada: Variables implicadas en el proceso.• Nº de neuronas de la capa oculta: Prueba y error.

– Proceso de aprendizaje:• Aprendizaje híbrido.• Aprendizaje totalmente supervisado.

– Red Radial vs. Perceptrón:• Perceptrón: Aproximaciones globales - Red radial: Aproximaciones locales.

RBN


MODELOS MÁS UTILIZADOS EN LA INDUSTRIA FORESTAL.• MAPAS AUTOORGANIZATIVOS DE KOHONEN.

– Aprendizaje no supervisado.– Arquitectura de dos capas:

• Capa de entrada: tantas neuronas como dimensión del vector de entrada.• Capa de competición: Conexiones laterales inhibitorias. Cada neurona

compite por de forma que la entrada active sólo a una de ellas.

– Proceso que realiza la red:• Familiaridad: Similitud entre la entrada y un valor tipo (media de valores).• Análisis de componentes principales: Qué variables tienen más

preponderancia en el conjunto.• Agrupamiento: Dividir el conjunto de entrada en subconjuntos.• Codificación: Compresión de datos, se reduce la dimensión del dato de

entrada sin perder información.• Extracción de características: Puesta en relieve la estructura organizativa

de los patrones de entrada.


UTILIZACIÓN DE LAS REDES NEURONALES EN LA INDUSTRIAFORESTAL.

• CONDICIONES DE USO.– Disponemos de una gran cantidad de datos.

• El proceso de entrenamiento exige una gran cantidad de datos.• El número depende de la complejidad de la red. Para una red con tres capas

ocultas y una neurona en la capa de salida con una neurona tendremos:

• Puede que no necesitemos tener totalmente definida la red. No necesitamosla mejor sino una que nos satisfaga.

– No pretendemos interpretar el fenómeno sino predecir resultados.• Un modelo físico interpreta el fenómeno.• Una RNA es una caja negra de imposible interpretación.• Las RNA predicen el resultado con muy buena precisión.

1)1()1()1()1(º 332211 ×++×++×++×+= ocultaocultaocultaocultaocultaocultaentradadatos NNNNNNNn



• PROCEDENCIA DE LOS DATOS.– Procedentes de la producción diaria.

• Son fieles a nuestra situación productiva.• Bajo coste de obtención. Proceden del control diario de la producción.• Pueden no abarcar todo el rango de situaciones. Se debe procurar a la hora

de seleccionarlos abarcar el mayor rango posible.

– Procedentes de un diseño de experimentos.• El diseño de experimentos permite abarcar todos las situaciones posibles de

producción.• Mayor coste que los procedentes de producción diaria.

– Datos simulados.• Se puede recurrir a ellos en caso de que no dispongamos de muchos datos.• Libres de ruido.• Menor coste de todos.• Exigen un modelado matemático de la producción y esto no siempre es

posible.



• USOS.– Modelado de procesos.

• El entrenamiento se produce con datos procedentes de la producción.• La red reacciona de forma equivalente a nuestro proceso productivo.

– Permite optimizar el proceso.– Se pueden realizar estudios de modificaciones en el proceso sin coste extra de

ensayos.

– Monitorización y control.• Control de calidad del producto final.• Datos de entrada fáciles y rápidos de obtener.

– Tableros: Parámetros de fabricación o ensayos de control de calidad rápidos.

• Permite detectar de forma rápida fallos en el producto final.• Dos tipos.

– Valor cuantitativo de una propiedad.– Adecuación a una especificación.


EJEMPLOS.

• INDUSTRIA DE TABLEROS DE PARTÍCULAS Y FIBRAS.

• INDUSTRIA DEL TABLERO CONTRACHAPADO.

• INDUSTRIA DE TABLEROS DE MADERA MACIZA Y ASERRADO.

• INDUSTRIA PAPELERA.

• IDENTIFICACIÓN Y CLASIFICACIÓN DE ESPECIES.

• APLICACIONES ESTRUCTURALES.

• OTRAS APLICACIONES.


INDUSTRIA DE LOS TABLEROS DERIVADOS DE LA MADERA.•Obtención de propiedades físico-mecánicas

− Cook, D.F.; Whittaker, A.D. (1992). Neural network models forprediction of process parameters in wood products manufacturing. FirstIndustrial Engineering Research Conference Proceedings. 209-211.

•MLP.•Entrada: Parámetros de producción.•Salida: Por encima de especificación-Perteneciente a especificación-Por debajode especificación.

− Cook, D.F.; Chiu, C-C. (1997). Predicting the internal bond strength ofparticleboard utilizing a radial basis function neural network. Engng.Applic. Artif. Intell. 10(2), 171-177.

•Red Radial.•Obtención de la cohesión interna a partir de parámetros de producción.•MC, ºT prensas, Tiempo de prensado, ºT del secadero...•Error: 12.5%.

−García Fernández, F.; García Esteban, L.; de Palacios, P.; Navarro, N.;Conde, M. (2008). Prediction of standard particleboard mechanicalproperties utilizing an artificial neural network and subsequentcomparison with a multivariate regression model.Investigacion Agraria: Sistemas y RecursosForestales. 17(2):178-187.

•A partir de propiedades físicas rápidas de medir.•Datos procedentes de producción.•MLP vs Regresión Multivariante.

−MLP: RIB=0.87; RMOR=0.87; RMOE=0.87.−Regresión: RIB=0.70; RMOR=0.65; RMOE=0.52.


INDUSTRIA DEL TABLERO CONTRACHAPADO.• Clasificación de las chapas de madera.• Detección de nudos, restos de corteza, fendas, decoloraciones…

− Phan, D.T.; Sagiroglu, S. (2000). Neural network classification ofdefects in veneer boards. Proc. Inst. Mech. Eng. Part B-J. Eng. Manuf.214(3), 255-258.

• Aciertos superiores al 85% frente al 55-70% de la inspección visual.

− Drake, P.R.; Packianather, M.S.; (1998). A decission Tree of NeuralNetworks for Classifying Images of Wood Veneer. The InternationalJournal of Advanced Manufacturing Technology. vol. 14, 280-285.

•Entrada de imágenes tratadas digitalmente.•Salida: Tipo de defecto (Nudo, corteza, decoloración, desviación de la fibra…).•RNA: 88% de aciertos.•Clasificación manual: 68% aciertos.

− Ramirez Alonso, G.MJ.; Chacón Murguía, M.I.; (2005). Clasificación delos defectos en la Madera utilizando Redes Neuronales Artificiales.Computación y Sistemas. vol. 9 (1), 17-27.

•MLP•Clasificación de 7 tipos de defectos•Tratamiento de imágenes por filtros digitales•Aciertos: 83.9%

TRA

NSF

OR

MA

CIO

NPO

RFI

LTRO

S G

AB

OR

MLP

CL

ASIF

ICA

CIÓ

ND

EL D

EFE

CTO

IMA

GEN

Esquema dela Red


INDUSTRIA DE TABLEROS DE MADERA MACIZA Y ASERRADO.• Similar al tablero contrachapado.• Se incluyen defectos adicionales

− Kurdthongmee, W. (2008) Colour classification of rubberwood boardsfor fingerjoint manufacturing using a SOM neural network and imageprocessing. Computers and Electronics in Agriculture. 64: 85-92.

• Aciertos 81-95%.

− Cavalin, P.; Oliveira, L.S.; Koerich, A.L. Britto, A.S. (2006). Wood DefectDetection using Grayscale Images and an Optimized Feature Set. The32nd Annual Conference of the IEEE Industrial Electronics Society.November 7-10, Paris - FRANCIA.

•14 tipos de nudos y 4 tipos de bolsas de resina.•MLP: 95-98% aciertos.

− Qi, D.; Mu, H.; Zhang, M.; Yu, L. (2008). Detection of wood defectsfrom X-ray image by ANN. International Conference on Automation andLogistics. Septiembre 2008. Qingdao. China.

• Defectos internos a partir de imágenes de rayos X (nudos y fendas).•MLP.•Aciertos superior al 90%.


INDUSTRIA PAPELERA.•Optimización de procesos.

−Aguiar, H.E.; Maciel, A.; Maciel, R. ( 1998). Modeling and optimizationof pulp and paper processes using neural networks. Computers Chem.Engng. vol 22 –Suppl, S981-S984.

−Modelización del digestor Kraft.−Modelo teórico vs. MLP.−Entrada: Alcalinidad, espesor de la partícula de madera, temperatura inicial,temperatura de cocido, densidad, contenido en lignina, contenido en celulos,contenido en hemicelulosa.−Salida: Cantidad de lignina de la pasta.−La RNA proporciona una herramienta de experimentación con bajo coste.

• Calidad del producto final.−Edwards, P.J.; Murray, A.F.; Papadopoulos, G.; Gordon, M.F.; Wallace,A.R.; Barnard, J.; Smith, G. (1999). The applications of Neural Networksto the papermaking industry. IEEE Transactions on Neural Networks. vol10, 1456-1464.

−Datos procedentes de producción.•Entrada: % madera de conífera, contenido en cenizas, gradación del papel, espesoren la formadora...•Salida: grado de rugosidad.

−Modelo linear vs. MLP.Modelos lineal MLP

MSE=155.43 MSE=127.02


IDENTIFICACIÓN Y CLASIFICACIÓN DE ESPECIES.•Datos anatómicos.

−García Esteban, L.; García Fernández, F.; de Palacios de Palacios, P.;Moreno Romero, R.; Navarro Cano, N. (2009). Artificial neural networksin wood identification: The case of two Juniperus species from the CanaryIsland. IAWA Journal. 30(1): 87-94.

−Aciertos: 92%.−Entrada: Diámetro detraqueidas, longitudde traqueidas ydiámetros menory mayor de laspunteaduras decampo de cruce.

• Datos procedentes deespectro de IR.

−Yang, H.; Lewis, I.R.; Griffiths,P.R. (1999). Raman spectrometry and neural networks for theclassification of wood types. 2. Kohonen self-organizing maps. Spectroc.Acta Pt. A-Molec. Biomolec. Spectr. 55(14), 2783-2791.

−Kohonen SOM.−Diferenciación entre los FTIR de frondosa tropical, frondosa boreal y conífera.

Tracheiddiameter

Tra cheidlength

Lar gest diame te rcross-fi eld pits

S peciesSmalle st diametercross-fi eld pi ts

Input laye r

Output layer

Hidde nsub- layer 1

Hiddensub-layer 2

Hiddensub-layer 3

8 Neuronspure lin

8 Neuronstansig

5 Neuronslogsig

1 Ne uronlogsig

Roun

d


APLICACIONES ESTRUCTURALES.•Clasificación de madera estructural.

−Mier Pérez, R.; García de Ceca, J.L.; Díez Barra, M.R.; Fernández-GolfínSeco, J.I.; Hermoso Prieto, E. (2004). Aplicación de redes neuronales a laclasificación de madera estructural. Comparación con otros modelos declasificación. IV Congreso Forestal Español. 26-30 Septiembre. Zaragoza.España.

•MLP.

• Datos procedentes de ensayos no destructivos.−García Esteban, L. García Fernández, F. de Palacios de Palacios, P. MOEprediction in Abies pinsapo Boiss. timber: application of an artificial neuralnetwork using non-destructive testing. Computers and Structures. In press.

•Velocidad de propagación de ultrasonidos.•MLP vs. Modelos clásicos de regresión.

−Mansfield, S.D.; Iiadis, L.; Avramidis, S.(2007). Neural network prediction ofbending strength and stiffnessin westernhemlock (Tsuga heterophylla Raf.)Holzforschung vol. 61, 707-716.

•MLP vs Modelos lineares de regresión.

Modelos de regresión MLP

MOR: R2=0.33 MOR: R2=0.56

MOE: R2=0.43 MOE: R2=0.70


MOE: R2=0.12 MOE: R2=0.75


MOE: R2=58 MOE: R2=0.73


OTRAS APLICACIONES.

•Obtención de propiedades físicas de la madera.−Avramidis, S.; Iliadis, L. (2005). Predicting wood thermal conductivity usingartificial neural networks. Wood Fiber Sci. 37(4), 682-690.

−Avramidis, S.; Iliadis, L. (2005). Wood-water sorption isotherm predictionwith artificial neural networks: A preliminary study. Holzforschung. 59, 336-341.

−Li, M.B.; Zhang, J.W.; Zheng, S.Q. (2006). A novel network for prediction ofwood density time series. DCDIS Series B: Applications & Algorithms. 14,220-226

• Predicción de mortalidad de árboles en pie.−Hasenauer, H.; Merkl, D.; Weingartner, M. (2001). Estimating tree mortalityof Norway spruce stands with neural networks. Adv. Environ. Res. 5, 405-414.

•Detección y control de incendios.−Alonso-Betanzos, A.; Fontenla-Romero, O.; Guijarro-Berdiñas, B.;Hernández-Pereira, E.; Paz Andrade, M.I.; Jiménez, E.; Legido Soto, J.L.Carballas, T. (2003). An intelligent system for forest fire risk prediction andfire fighting management in Galicia. Expert Syst. Appl. 25(4), 545-554.

Contacto. [email protected]

Aplicación de las Redes Neuronales a la Ingeniería Forestal

Documents

Transcript of Aplicación de las Redes Neuronales a la Ingeniería Forestal