MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 1 de 19

RESUMEN Las redes neuronales artificiales son unas estructuras matemáticas aparecidas en la década de los cuarenta, que en los últimos treinta años han experimentado un gran avance debido al desarrollo de ordenadores cada vez más potentes. Estas estructuras pretenden imitar el funcionamiento de las redes neuronales biológicas en su forma de extraer conocimiento del entorno y aplicarlo posteriormente. El campo industrial ha sido en gran beneficiario de este desarrollo, debido a la gran capacidad de las redes neuronales para modelizar y monitorizar procesos productivos, pero su gran versatilidad ha permitido aplicarlas a muy diversos disciplinas que van desde la medicina hasta el reconocimiento de imágenes e incluso a las finanzas. En este curso nos centraremos en su utilización en el ámbito forestal, describiendo primeramente, los tipos de redes neuronales más comunes para luego ver los campos en los que se han utilizado. La descripción previa de los diferentes tipos de redes utilizados en la ingeniería forestal nos permitirá ver que tipo de red se adecua mejor al problema que queramos resolver.

1.- INTRODUCCIÓN Las redes neuronales artificiales las podemos entender como un intento de imitar, mediante una estructura matemática, el funcionamiento de un cerebro biológico. Son estructuras capaces de aprender a resolver problemas a partir del conocimiento extraído de una serie de ejemplos. Al igual que los sistemas biológicos las redes neuronales artificiales constan de una serie de neuronas o nodos interconectados entre sí. Heredan de los sistemas biológicos su procesamiento en paralelo, la respuesta no lineal de las neuronas y el procesamiento de la información a través de varias capas de neuronas. Realmente no hay una definición precisa de las redes neuronales, HAYKIN (1948) las definió como un conjunto de procesadores en paralelo capaces de almacenar información procedente de patrones conocidos y aplicarla a ejemplos desconocidos y PÉREZ DELGADO y MARTÍN (2003), como arquitecturas de procesamiento paralelo que ofrecen nuevos mecanismos aplicables a la resolución de una amplia gama de problemas.. Este conocimiento se extrae durante la fase conocida como entrenamiento y se almacena en las conexiones entre las neuronas. Resumiendo, podríamos decir que son unas estructuras que operan en paralelo y son capaces de extraer conocimiento del entorno para aplicarlo a situaciones desconocidas y por tanto representan una herramienta muy útil en la resolución de problemas complejos.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 2 de 19

Se componen de unos elementos denominados nodos o neuronas interconectados entre sí mediante enlaces de conexión, cada uno de los cuáles posee su propio peso, y organizados en una serie de capas. La capa interna recibe los datos procedentes del exterior, la capa interna procesa esta información con el fin de extraer el conocimiento de dichos datos y la capa de salida muestra la solución obtenida por la red. Esta organización no es del todo exacta, pues existen tipos de redes que no poseen capa de salida, sino que la solución o el conocimiento extraído de los datos, es la estructura organizativa de la capa interna. No existe una regla general para definir a priori la estructura de la red sino una serie de recomendaciones, como que deben tener estructura piramidal (VANSTONE & FINNIE, 2009) o el número máximo de neuronas que debe tener una red en función del número de datos disponibles (SHA, 2007).

Esquema general de una Red Neuronal tipo perceptrón.

Su formulación es anterior al desarrollo de los ordenadores, pero no es hasta que éstos fueron capaces de realizar complejas operaciones de una forma rápida cuando las redes tuvieron su gran desarrollo. Los primeros intentos datan de la década de los cuarenta con el modelo de Mcculloch y Pitts que desarrollaron en 1943 el primer modelo matemático de una red neuronal con salida binaria. Durante la década de los cincuenta viven un gran desarrollo que culmina con el diseño de perceptrón de tres capas en 1958 por Rosenblatt y el ADALINE en 1960 por Widrow y Hoff. Durnate la década de los setenta viven un periodo de decadencia, en parte ocasionado por la publicación en 1969 del libro de Minsky y Papert en el que generalizaban las limitaciones del percetrón monocapa a sistemas multicapas “… nuestro intuitivo juicio es que la extensión (a sistemas multicapas) es una tarea estéril”. Este libro trajo consigo una reducción considerable en los recursos dedicados a la investigación de redes neuronales. Pese a esto, el tesón de varios investigadores durante la década de los

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 3 de 19

ochenta dio como fruto el desarrollo de la teoría de resonancia adaptativa (ART) por Steve Grossberg y Gail Carpenter, las redes de aprendizaje asociativo de Anderson y Kohonen en 1982, las redes de Hopfield en 1984 o el desarrollo del aprendizaje retroalimentado por Paul Werbos en 1982. Éste último método de aprendizaje es el más popular en nuestros días. Básicamente una red retroalimentada es un perceptrón multicapa con diferentes funciones de activación y un aprendizaje fiable y robusto. Es a partir de entonces cuando comienza el resurgimiento de las redes neuronales, se empiezan a producir cada vez más conferencias a nivel mundial explicando las bondades de ellas y se dedican cada vez más recursos a su estudio, y su aplicación es cada vez más diversa, abarcando campos que van desde la medicina como complemento al diagnóstico, reconocimiento de imágenes, control de producción o modelización de mercados. 2.- TIPOS DE REDES NEURONALES. En la actualidad existen innumerables modelos de redes neuronales, de las cuales la más utilizada es el perceptrón multicapa asociado al algoritmo de retropropagación (MARTÍN y PAZ, 2007). Su popularidad se debe a que es capaz de actuar como un aproximador universal de funciones (HORNIK, 1989; MARTÍN y PAZ, 2007). El perceptrón multicapa junto con las redes de base radial, los mapas autoorganizativos de Kohonen y las redes probabilísticas los más utilizados en el ámbito forestal.

Atendiendo al tipo de aprendizaje tenemos las redes neuronales de aprendizaje supervisado y las de aprendizaje no supervisado.

Aprendizaje supervisado: Se muestra a la red la solución a las variables de entrada y de esta forma la red va autoajustando los pesos de sus conexiones internas para conseguir la salida deseada. Una vez finalizado el proceso de aprendizaje (entrenamiento) la red se comprueba mediante datos no introducidos anteriormente para comprobar el grado de adecuación a conjuntos de datos desconocidos.

Aprendizaje no supervisado: En este caso no se muestran a la red las soluciones de las variables de entrada. Generalmente este tipo de redes se utiliza para reducir la dimensión del vector de entrada o para clasificar los datos de entrada en diferentes grupos.

Según su topología las redes pueden ser redes hacia delante (feedforward) o redes recurrentes (feedback).

Las redes hacia delante son aquellas en las que la información siempre fluye hacia delante y no se forman bucles entre las capas de neuronas o dentro de una misma capa.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 4 de 19

En las redes recurrentes se pueden formar bucles entre capas, dentro de una misma capa o incluso de una neurona consigo misma. Las redes neuronales con aplicación en series temporales son un muy buen ejemplo de redes recurrentes, ya que el valor de la entrada en un tiempo t+1 depende de la salida de la red en un tiempo t. Este tipo de redes suelen ser más difíciles de entrenar que las tipo hacia delante.

Según el tipo de datos con los que operan las podemos dividir en categóricas o discretas y cuantitativas o continuas. Las redes categóricas toman un número finito de valores, como femenino/masculino, rojo/verde/azul/amarillo, apto/no apto y exigen una codificación numérica previa de las categorías. Las redes cuantitativas operan con valores que representan las medidas de unas propiedades, longitud, peso, volumen, resistencia interna, etc., son en definitiva valores continuos. Esta división no es completamente cerrada pues puede suceder que una red acepte como entrada valores continuos de una serie de propiedades y devuelva la adecuación o no a una clasificación. 3.- TIPOS DE REDES MÁS UTILIZADOS EN LA INGENIERÍA FORESTAL.

La utilización de las redes neuronales se ha popularizado en los últimos años en numerosos campos debido a su gran capacidad de modelización de procesos y a la fiabilidad de sus resultados. Su campo de aplicación es muy diverso, yendo desde el reconocimiento de imágenes (DRAKE et al, 1998; GRANITTO et al, 2002; FAN and VERMA, 2009) hasta la predicción del clima o el control de producción en fábrica (COOK et al, 1997; COOK et al, 2000; CEYLAN et al, 2008).

Existe un incalculable número de tipos de redes neuronales que aumenta constantemente gracias a las importantes investigaciones que se realizan en este campo. Pero dentro de ellas las más utilizadas en el campo forestal son el perceptrón multicapa, las redes de base radial y los mapas autoasociativos de Kohonen.

3.1.- Perceptrón multicapa.

El perceptrón multicapa (Figura 1) es, con diferencia, el modelo de red neuronal más popular. Es una estructura de red neuronal artificial con conexiones hacia delante y lo podemos definir como un aproximador universal para cualquier función continua y

diferenciable en un conjunto compacto de ℜn (HORNIK, 1989).

Entre sus ventajas principales podemos resaltar su gran capacidad de aprender a partir de una serie de ejemplos, ser un aproximador de funciones no lineales y ser capaz de filtrar el ruido presente en el conjunto de entrada. Entre sus inconvenientes figuran el que precisa de un largo proceso de aprendizaje, cuanto más compleja sea la red más largo será el

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 5 de 19

aprendizaje; y el que el modelo obtenido no es interpretable, aunque esto último es generalizado a los distintos tipos de redes, ya que las innumerables conexiones entre las neuronas de las distintas capas hacen prácticamente imposible definir cómo se relacionan las variables de entrada y cuáles de ellas son predominantes en el modelo.

Su diseño exige un estudio previo de las variables implicadas en el proceso a modelizar, de forma que se eliminen las variables correlacionadas y las que no son relevantes. Pero para la definición del número de capas internas y de cuántas neuronas debe tener cada capa no existe una regla definida, sólo una serie de recomendaciones, por lo que la única forma de obtener la estructura interna es a base de prueba y error. La técnica de empezar por una estructura simple e irle añadiendo neuronas poco a poco es una buena técnica para encontrar la red óptima.

Sin embargo, siempre es recomendable obtener una red matemáticamente definida, es decir, en la cual cada una de las conexiones esté definida y sea única. Para ello deberemos entrenar la red con un número superior de datos al número de incógnitas, que son las conexiones internas. Para un perceptrón de tres capas lo ideal sería:

1)1()1()1()1(º 3_3_2_2_1_1_ ocultaocultaocultaocultaocultaocultaentradadatos NNNNNNNn

Su estructura posee tres capas. La capa de entrada es la que recibe los impulsos desde el exterior, la capa de salida proporciona la respuesta de la red frente a los valores de entrada y la capa interna, estructurada en una o varias subcapas, es la encargada de realizar las distintas operaciones para obtener una salida frente a los valores de entrada. El proceso de aprendizaje se realiza mediante aprendizaje supervisado. Así presentamos a la red tanto los valores de entrada de las variables como los valores de salida de las mismas. En el primer paso se inicializan aleatoriamente todas las conexiones internas de la red y es ésta, la que a partir de la búsqueda del mínimo de la función error de salida, irá adaptando los pesos de las conexiones para acercarse cada vez más a los valores reales.

Durante este proceso se debe vigilar la capacidad de generalización de la red en cada momento para evitar caer en el sobreentrenamiento. Este fenómeno, nada deseable, se produce cuando la red se adapta perfectamente al conjunto de entrenamiento pero es incapaz de aplicar el conocimiento extraído a otro conjunto desconocido. Para evitar esto dividiremos el conjunto de datos en dos subconjuntos, el conjunto de entrenamiento y el de validación. La división en estos dos conjuntos debe ser aleatoria, deben ser cada uno de ellos representativos de la población y no debe haber diferencias significativas entre ellos (SCHMID, 2008). Evaluaremos cada cierto número de ciclos de aprendizaje el error producido en el conjunto de datos iniciales (conjunto de entrenamiento) y lo compararemos con el error producido en un conjunto desconocido (conjunto de validación) de forma que

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 6 de 19

en el momento en que el error del conjunto de validación aumente mientras que el del conjunto de entrenamiento siga descendiendo se habrá producido el sobreentrenamiento de la red. 3.2.- Redes de base radial.

Al igual que el perceptrón son redes multicapa con conexiones hacia delante. Requieren generalmente más neuronas que el perceptrón multicapa, sin embargo su tiempo de aprendizaje es menor.

Estructura de una red de base radial

Posee, igualmente, tres capas sólo que en este caso la capa interna es monocapa. El número de neuronas de la capa de entrada coincide con el número de variables de entrada, sin embargo las conexiones de la capa de entrada con la capa interna no llevan asociadas ningún tipo de peso. El número de neuronas de la capa oculta se define, al igual que en el perceptrón, mediante prueba y error.

Las funciones de activación asociadas a la capa oculta son funciones de tipo gaussiano de centro t y desviación d, lo que confiere un carácter local a la red. En éstas redes cada zona del especio de entrada está representada por una neurona.

Su aprendizaje se realiza en dos fases. La primera es una fase de aprendizaje no supervisado, en que se determinan los centros y las amplitudes (desviaciones) de las funciones de activación mediante la minimización de la distancia euclídea entre el centro de cada neurona

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 7 de 19

y los centros de los patrones de entrada y la minimización de las amplitudes de forma que se produzca el menor solapamiento posible entre neuronas. En la segunda fase, fase supervisada, se calculan los pesos y los umbrales de ls neuronas de salida de la red.

La principal diferencia especto al perceptrón es que mientras éste actúa como aproximador global, debido al tipo de función de activación, las redes radiales actúan como aproximadores locales (HAYKIN, 1998), cada neurona se especializa en una región del espacio de entrada. La desventaja de esto es que en algunas ocasiones la obtención de una salida a partir de datos locales puede llevar consigo que se necesite un número muy alto de neuronas, lo que perjudicaría la capacidad de generalización de la red.

Dentro de las redes de base radial, las redes probabilísticas son, junto con las redes de funciones de base radial, las más utilizadas en el mundo forestal. Las redes probabilísticas se pueden utilizar para resolver problemas de clasificación.

3.3. Mapas autoorganizativos de Kohonen.

Los mapas autoorganizativos de Kohonen son un modelo de redes neuronales artificiales de aprendizaje no supervisado desarrollados por Teuvo Kohonen en 1982 (KOHONEN, 1982; KOHONEN, 1990)

Estas estructuras constan de dos capas. La primera capa, capa de entrada o capa organizativa no realiza ningún tipo de operación, tiene tantas neuronas como dimensión tiene el vector de entrada y es la encargada de distribuir el vector de entrada a la siguiente capa. La segunda capa, capa de competición o mapa, consta de una serie de neuronas organizadas en una retícula y que compiten unas con otras frente a un estímulo de entrada. El objetivo de estas redes es clasificar los patrones de entrada en diferentes grupos de características similares, de forma que cada grupo active siempre las mismas neuronas.

Esquema de un mapa autoorganizativo.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 8 de 19

Durante la fase de aprendizaje cada neurona de la capa de competición sintoniza con diferentes rasgos del espacio de entrada y la red determina qué neurona está más próxima a los datos de la entrada tomándola como ganadora. Con cada ciclo de aprendizaje se van modificando los pesos de las conexiones entre neuronas mediante una función de vecindad, de forma que cada vez se premia más a la neurona y su salida se parece cada vez más al patrón de entrada. Simultáneamente se van modificando los pesos de las conexiones con las neuronas vecinas para que neuronas próximas sintonicen con patrones de entrada similares. De esta forma se va obteniendo un mapa topológico del espacio de entrada. La función de vecindad es una función simétrica, centrada en la neurona ganadora. Se puede utilizar una función gaussiana, cuadrática, triangular, sombrero mejicano… Esta función define un parámetro, el radio de vecindad, que se irá reduciendo progresivamente según avanza el aprendizaje, de forma que la victoria de la neurona ganadora afecte cada vez a menos neuronas vecinas.

Este tipo de redes se ha aplicado con éxito a distintos problemas:

Problemas de familiaridad o de similitud entre los valores de entrada y un valor tipo

Análisis de componentes principales, en los que se busca que variables tienen preponderancia sobre los demás

Agrupamiento, en los que se busca dividir el conjunto de entrada en diferentes subconjuntos.

Codificación, que es un tipo de reducción dimensional en la que se busca la compresión de los datos en un conjunto de dimensión menor sin perder información.

Extracción de características, en los que se busca definir la estructura organizativa de los patrones de entrada y extraer sus características útiles.

Un caso muy especial en el uso de las redes autoorganizadas de Kohonen o SOM es la resolución del problema del viajante de comercio. El problema del viajante de comercio consiste en encontrar el camino que debe recorrer un viajante de comercio para visitar n ciudades de forma que la distancia recorrida sea mínima. Para resolverlo colocaríamos las coordenadas de las ciudades en un plano en R2 y crearíamos una red con tantos nodos/neuronas como ciudades. El SOM en su proceso de aprendizaje irá colocando cada nodo en una ciudad dibujando el camino más corto. El resultado de la red será el itinerario a seguir.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 9 de 19

10 ciclos 100 ciclos

1000 ciclos 10.000 ciclos

Problema del viajante de comercio con las capitales de provincia españolas 3.4. Redes Neuronales recurrentes En los modelos descritos hasta ahora de redes neuronales la información fluía exclusivamente hacia delante. Sin embargo, es posible formar bucles internos que conecten neuronas de una capa con neuronas de capas precedentes o consigo misma. De esta forma que la información no sólo fluye hacia delante, son las denominadas redes neuronales recurrentes.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 10 de 19

Esquema de una red neuronal recurrente. En este caso la información que recibe una neurona no depende exclusivamente de las neuronas precedentes, sino que están implicadas las neuronas posteriores o ella misma. Estas conexiones recurrentes generan un aumento de las conexiones que permite una mejor capacidad de representación a costa de un mayor tiempo de aprendizaje. Así mismo. La inclusión de conexiones recurrentes implica un comportamiento dinámico de dichas redes que las hace especialmente adecuadas para la modelización de problemas dinámicos, es decir, problemas en los que el tiempo es una variable importante en la caracterización de los patrones. Es decir, son especialmente útiles en la modelización de procesos en los que las variables en un tiempo t están determinadas por el estado de dichas en tiempos anteriores. Hay que resaltar que, aunque la principal aplicación de estas redes es la modelización de patrones temporales también se pueden utilizar para problemas estáticos. 3.4.1. Red de Elman. La red de Elman es especialmente importante por la su sencillez en su desarrollo. Se caracteriza porque cada capa de neuronas recibe una copia de su salida y esta copia no tiene asociado ningún peso. Es básicamente un perceptrón multicapa con conexiones recurrentes en cada capa. Esto produce que las neuronas de una capa posean información de entrada soble las salidas que producen en el instante anterior. 3.4.2. Redes con retardo temporal. Un caso muy particular de las redes de comportamiento dinámico es el caso de las redes con retardo temporal. Aunque se usan para resolver problemas temporales, estas redes no

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 11 de 19

pueden considerarse como auténticas redes recurrentes ya que en ellas la información no fluye hacia atrás. En estas redes en la capa de entrada junto con variables estáticas figuran estados anteriores de la variable de salida.

Red con retardo temporal 4.- APLICACIONES FORESTALES DE LAS REDES NEURONALES. En el campo forestal sus aplicaciones principales han sido en el campo industrial, especialmente en las fábricas de tableros de partículas, contrachapados y papeleras. En el primer caso se ha tratado de obtener las propiedades mecánicas del tablero, en el segundo caso las redes desarrolladas se han enfocado a la clasificación de las chapas de madera y en el caso de las industrias papeleras se ha tratado de modelizar el proceso de digestión y obtener las propiedades del producto final. Otros usos han sido la identificación de especies, la modelización de incendios o su utilización en la clasificación de defectos en la madera. 4.1. Condiciones de uso. Hay que tener en cuenta inicialmente que en el desarrollo de una red neuronal como aplicación industrial se necesita un gran número de datos que no siempre es posible disponer de ellos y que la red dará una muy buena precisión en el proceso a modelizar pero actúa como una caja negra por lo que no da ninguna información sobre las relaciones entre las variables implicadas en el proceso.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 12 de 19

4.2. Utilización en las diferentes industrias.

4.2.1.- Industria de tableros derivados de la madera.

El principal problema al que se enfrenta la industria en general y la de tableros derivados de la madera en particular es no disponer de los resultados de los ensayos con la suficiente rapidez (MORRIS et al. 1994; COOK et al. 2002). Por lo que la aplicación en este campo ha se ha enfocado a la obtención rápida de las propiedades del tablero. Para ello se ha partido de sus parámetros de fabricación (COOK et al, 1991; COOK & CHIU, 1997; ANDRÉ, 2008) como la humedad de las partículas, la temperatura del secadero, velocidad de la manta, temperatura interna de la manta, tiempo de prensado y temperatura de prensado. También se han obtenido las propiedades mecánicas a partir de propiedades físicas rápidas y fáciles de obtener como la humedad (UNE EN 322) (AENOR, 1994a) la densidad (UNE EN 323) (AENOR, 1994b), la hinchazón y la absorción de agua tras dos horas de inmersión total en agua (UNE 56703) (AENOR, 1971) (GARCÍA FERNÁNDEZ et al, 1998). Más recientemente se ha utilizado para reducir el tiempo de espera para la obtención del resultado de un ensayo, como es el caso del ensayo de resistencia tras un ciclo de envejecimiento (UNE EN 321) (AENOR 2002), en el que a partir de unos ensayos realizados en veinticuatro horas se ha modelizado el resultado de un ensayo que dura no menos de treinta días (GARCÍA ESTEBAN et al, 2010).

Por último se han utilizado en unión al control estadístico de procesos para realizar el control estadístico por variables en la industria de tablero de partículas, obteniendo los mismos resultados de clasificación de la producción real y mediante la red neuronal artificial (GARCÍA ESTEBAN et al, 2009a).

También se han aplicado a la detección de fallos durante el proceso de dosificado y encolado de las partículas a partir de la velocidad de flujo de las partículas, gramaje de la cola y velocidad de flujo de las partículas en la encoladora (LIU et al, 2008). 4.2.2.- Industria del tablero contrachapado.

Es importante que las chapas exteriores de los tableros contrachapados sean las de mejor calidad visual, así como que los defectos del resto de las chapas sean detectados a tiempo para poder subsanarlos o, en caso de grandes defectos, eliminar dicha chapa de la línea de fabricación del tablero. La velocidad de la chapa en la línea de fabricación va de 1-2m/s por lo que el tiempo para la inspección visual no supera los dos segundos (LI et al, 2003). La aplicación de las redes neuronales artificiales en la industria de la chapa y el tablero contrachapado se ha centrado en la clasificación de los defectos aparecidos en las chapas.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 13 de 19

En este caso las redes neuronales se aplican en unión a un sistema de visión artificial el cuál fotografía la pieza de madera y tras someter la imagen a una serie de filtros presenta el resultado a la red, la cuál es capaz de clasificar el defecto de la madera con un acierto superior al 85% mientras que una inspección manual oscila entre 55-70% (PHAN & SAGIROLU, 2000; LI et al, 2003).

Las redes desarrolladas para esta aplicación son capaces de detectar y clasificar defectos como presencia de nudos tanto saltadizos como sanos o rotos, ausencia de madera (agujeros) en la chapa, presencia de restos de corteza, fendas o decoloraciones. (DRAKE & PACKIANATHER, 1998; PACKIANATHER & DRAKE, 2000; PHAM & SAGIROGLU, 2000; LI et al, 2003; PACKIANATHER & DRAKE, 2004; RAMÍREZ ALONSO y CHACÓN MURGUÍA, 2005; PACKIANATHER et al, 2008). En algún caso comparándolas con otros métodos de clasificación (PACKIANATHER & DRAKE, 2005). También se han utilizado en esta industria para modelizar propiedades de los tableros a partir de ensayos más rápidos de realizar, a fin de ahorrar costes de ensayo o tiempo de realización. Así se ha modelizado el resultado del ensayo de calidad del encolado (GARCÍA ESTEBAN et al. 2011) a partir de otros ensayos más rápidos de realizar. También se ha modelado la resistencia a flexión y módulo de elasticidad de tableros contrachapados estructurales a partir de otras propiedades menos complejas de obtener (GARCÍA FERNÁNDEZ et al. In press)

4.2.3.- Industria de tableros de madera maciza y aserrado.

La utilización es muy similar al tablero contrachapado. La única diferencia es que en algunas ocasiones se incluyen más defectos como bolsas de resina, que no se contemplan en la industria del tablero contrachapado (RUZ et al, 2005, CAVALIN et al, 2006), o se incluyen las variaciones de color para obtener tonos homogéneos dentro del tablero de madera maciza (KURDTHONGMEE, 2008).

En la industria del aserrado existe una línea de investigación destinada a detectar los defectos internos en las trozas a partir de imágenes de rayos X (MU et al, 2006; MU & QI, 2008; QI et al, 2008), de tomografías computerizadas (O’DONOGHUE et al, 1994; NORDMARK, 2002) o mediante la utilización de ultrasonidos (WANG et al, 2007), todo ello encaminado a optimizar el despiece de las trozas de madera.

4.2.4.- Aplicación a la industria papelera. Durante el proceso de fabricación de la pasta de papel a partir de la madera en el digestor es crucial la medida de la cantidad de lignina presente durante el proceso, ya que dicha cantidad va a determinar tanto la calidad del papel que se obtendrá como la cantidad de

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 14 de 19

blanqueante a utilizar, la cual está directamente relacionada con la duración de la maquinaria utilizada en el proceso (MUSAVI el al, 1999). El factor K, o número kappa, está relacionado con la cantidad de lignina presente en la pasta y por ello es importante su medida durante el proceso de digestión para mantenerlo dentro de unos parámetros razonables. Las redes neuronales se han utilizado tanto para obtener el factor K (MUSAVI et al, 1995; MUSAVI el al, 1999) como la evolución de la concentración de lignina y carbohidratos durante el proceso de digestión (AGUIAR & FILHO, 1998).

También se han utilizado las redes neuronales en la obtención de la rugosidad del papel fabricado a partir de los porcentajes de madera de frondosa y conífera presentes en la pasta y del contenido de humedad y la porosidad del producto final (EDWARDS et al, 1999). 4.2.5.- Identificación y clasificación de especies.

Las redes neuronales artificiales se han utilizado también para la diferenciación de especies de maderas o diferenciación de especies de coníferas. Para la diferenciación de especies de maderas se ha utilizado tanto un perceptrón multicapa utilizando como variables de entrada lo datos anatómicos (GARCÍA ESTEBAN et al, 2009b), como un mapa autoorganizativo de Kohonen, utilizando como entrada datos procedentes de espectros de infrarrojo (LEWIS et al, 1994; YANG et al, 1999).

También se han utilizado para la diferenciación de distintos tipos de coníferas en pie a partir de datos espectrales de satélite (GONG et al, 1997).

4.2.6.- Aplicaciones estructurales.

En cuanto a las aplicaciones estructurales, las redes neuronales se han utilizado para clasificar la madera estructural, comparándolas con otros métodos de clasificación (MIER PÉREZ et al, 2006), o para mejorar los resultados de las propiedades mecánicas obtenidos por métodos no destructivos (MANSFIELD et al, 2007; SAMARASINGHE et al, 2007). 4.2.7.- Otras aplicaciones.

De forma menos generalizada las redes neuronales también se han aplicado en el campo forestal para la obtención de propiedades físicas de la madera, como su conductividad térmica (AVRAMIDIS & ILLIADIS, 2005a), su densidad (LI et al, 2006) o sus curvas de sorción (AVRAMIDIS & ILLIADIS, 2005b); para la detección y control de incendios (VEGA-GARCÍA et al, 1999; LI et al, 2001; ALONSO-BETANZOS et al, 2003); e incluso para predecir la mortalidad de árboles en pie (HASENAUER et al, 2001).

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 15 de 19

5.- CONCLUSIONES.

De manera general podemos decir que la aplicación de las redes neuronales artificiales a cualquier ámbito forestal mejora los métodos clásicos de estudio, ya que permiten establecer una compleja regresión múltiple no lineal entre variables y además, no se tienen en cuenta las premisas del tipo de distribución de los datos, que sí se deben considerar en los modelos de regresión. Sin embargo los modelos obtenidos no son interpretables debido al gran número de funciones implicadas en el proceso y a las relaciones múltiples entre ellas. Por lo tanto son una herramienta muy útil en el control y modelización, siempre y cuando lo que busquemos sea una solución fiable al problema planteado sin importar la forma en que obtengamos dicha solución.

6.- BIBLIOGRAFÍA

AGUIAR, H.C.I. L.; FILHO, R.M. 1998. Modeling and optimization of pulp and paper processes using neural networks. Comput. Chem. Eng. 22(S1), S981-S984.

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 and fire fighting management in Galicia. Expert Syst. Appl. 25(4), 545-554.

ANDRÉ, N.; CHO, H.W.; BAEK, S.H.; JEONG, M.K.; YOUNG, T.M. 2008. Prediction of internal bond strength in a medium density fiberboard process using multivariate statistical methods and variable selection. Wood Sci. Technol. 42(7), 521-534.

ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1971. Tableros de partículas. Ensayos. Determinación de la hinchazón y de la absorción de agua por inmersión total. Standard UNE 56713

ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994a. Tableros derivados de la madera. Determinación del contenido de humedad. Standard UNE-EN 322. Madrid, España.

ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994b. Tableros derivados de la madera. Determinación de la densidad. Standard UNE-EN 323. Madrid, España.

ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 2002. Tableros derivados de la madera. Determinación de la resistencia a la humedad bajo condiciones de ensayo cíclicas. Standard UNE-EN 321. Madrid, España

AVRAMIDIS, S.; ILIADIS, L. 2005a. Predicting wood thermal conductivity using artificial neural networks. Wood Fiber Sci. 37(4), 682-690.

AVRAMIDIS, S.; ILIADIS, L. 2005b. Wood-water sorption isotherm prediction with artificial neural networks: A preliminary study. Holzforschung. 59, 336-341.

CAVALIN, P.; OLIVEIRA, L.S.; KOERICH, A.L.; BRITTO JR. A.S. 2006. Wood Defect Detection using Grayscale Images and an Optimized Feature Set. The 32nd Annual Conference of the IEEE Industrial Electronics Society. November 7-10, Paris - FRANCIA

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 16 de 19

CEYLAN, İ.; AKTAŞ M. 2008. Modeling of a hazelnut dryer assisted heat pump by using artificial neural networks. Appl. Energy, 85 (841-854).

COOK, D.F.; CHIU, C.C. 1997. Predicting the internal bond strength of particleboard, utilizing a radial basis function neural network. Eng. Appl. Artif. Intell. 10(2), 171-177.

COOK, D.F.; MASSEY, J.G.; SHANNON, R.E. 1991. A Neural network to predict particleboard manufacturing process parameters. For. Sci. 37(5), 1463-1478.

COOK, D.F.; RAGSDALE, C.T.; MAJOR, R.L. 2000. Combining a neural network with a genetic algorithm for process parameter optimization. Eng. Appl. Artif. Intell. 13:391-396.

DRAKE, P.R.; PACKIANATHER, M.S. 1998. A decision tree of neural networks for classifying images of wood veneer. Int. J. Adv. Manuf. Technol. 14, 280-285.

EDWARDS, P.J.; MURRAY, A.F.; PAPADOPOULOS, G.; WALLACE, A.R.; BARNARD, J.; SMITH, G. 1999. The application of neural networks to the papermaking industry. IEEE Trans. Neural Netw. 10(6), 1456-1464.

FAN, X.; VERMA, B. 2009. Selection of facial features for face recognition. Expert Syst. Appl. 36, 7157-7169.

GARCIA ESTEBAN, L.; GARCÍA FERNÁNDEZ, F.; DE PALACIOS, P. 2011. Prediction of plywood bonding quality using an artificial neural network. Holzforschung. 65:209-214.

GARCIA ESTEBAN, L.; GARCÍA FERNÁNDEZ, F.; DE PALACIOS, P.; CONDE, M. 2009a. Artificial neural networks in variable process control: application in particleboard manufacture. Invest Agrar Sist Recur For. 18(1):in press

GARCÍA ESTEBAN, L.; GARCÍA FERNÁNDEZ, F.; PALACIOS DE PALACIOS, P.; GONZÁLEZ RODRIGO, B. 2010. Use of neural networks as a predictive method to determine moisture resistance of particle and fiber boards under cyclic testing conditions (UNE-EN 321). Wood and Fiber Science. 42(3):1-11.

GARCÍA ESTEBAN, L.; GARCÍA FERNÁNDEZ, F.; PALACIOS DE PALACIOS, P.; MORENO ROMERO, R.; NAVARRO CANO, N. 2009b. Artificial neural Networks in wood identification: the case of two Juniperus species from the Canary Island. IAWA. 30(1), 87-94.

GARCIA ESTEBAN, L.; GARCÍA FERNÁNDEZ, F.; DE PALACIOS, P.; NAVARRO, N.; CONDE, M. 2008. Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model. Invest Agrar Sist Recur For. 17(2):178-187.

GARCÍA FERNANDEZ, F.; DE PALACIOS, P.; G. ESTEBA, L.; ARCIA-IRUELA, A.; GONZALEZ RODRIGO, B.; MENASALVAS, E. In press. Prediction of MOR and MOE of structural plywood board using an artificial neural network and comparison with a multivariate regression model. Composites Part B.

GRANITTO, P.M.; NAVONE, H.D.; VERDES, P.F.; CECATTO, H.A. 2002. Weed seeds identification by machine vision. Comput. Electron. Agric. 33, 91-103.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 17 de 19

Gong, P.; Pu, R.; Yu, B. 1997. Conifer species recognition: An exploratory analysis of in situ hyperspectral data. Remote Sens. Environ. 62(2), 189-200.

HASENAUER, H.; MERKL, D.; WEINGARTNER, M. 2001. Estimating tree mortality of Norway spruce stands with neural networks. Adv. Environ. Res. 5, 405-414.

HAYKIN S. 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall, 2nd edition, New Jersey, USA 842 pp. ISBN: 0132733501.

HORNIK, K. 1989. Multilayer Feedforward Networks are Universal Approximators. Neural Netw. 2:359-366.

KOHONEN, T. 1982. Self-Organized Formation of Topologically Correct Feature Maps. Biol. Cybern. 43, 59-69.

KOHONEN, T. 1990. The self-organizing map. Proc. IEEE. 78(9), 1464-1480.

KURDTHONGMEE, W. 2008. Colour classification of rubberwood boards for fingerjoint manufacturing using a SOM neural network and image processing. Comput. Electron. Agric. 68, 85-92.

LEWIS, J.R.; DANIEL, N.W.; CHAFFIN, N.C.; GRIFFITHS, P.R. 1994. Raman spectrometry and neural networks for the classification of wood types-1. Spectroc. Acta Pt. A-Molec. Biomolec. Spectr. 50(11), 1943-1958.

LI, Z.; KHANANIAN, A.; FRASER, R.H.; CIHLAR, J. 2001. Automatic detection of fire smoke using artificial neural networksand threshold approaches applied to AVHRR imagery. IEEE Trans. Geosci. Remote Sensing. 39(9). 1859-1870.

LI, M.X.; WU, C.D.; YUE, Y. 2003. Automatic visual inspection and classification based on rough sets and neural network. Proceeding of the Second International Conference on Machine Learning and Cybernetics. Xi’an 2-5 Nov. China.

LI, M.B.; ZHANG, J.W.; ZHENG, S.Q. 2006. A novel network for prediction of wood density time series. DCDIS Series B: Applications & Algorithms. 14, 220-226.

LIU, Y.; ZHANG, X.; HUA, J. 2008. Fault diagnosis base don radial basis function neural network in particleboard blue mixing and doping system. Chinese Control and Decision Conference, 2-4 jul. 2008. CCDC 2008.

MANSFIELD, S.D.; ILIADIS, L.; AVRAMIDIS, S. 2007. Neural network prediction of bending strength and stiffness in western hemlock (Tsuga heterophylla Raf.). Holzforschung. 61:707-716

MARTÍN, Q.; PAZ, Y.R. 2007. “Aplicación de las redes neuronales artificiales a la regresión”. Ed. La Muralla. Madrid. España. 132p. ISBN. 978-84-7133-767-2.

MINSKY, M.; PAPERT, S. 1969. Perceptrons, An Introduction to Computacional Geometry. MIT Press. Cambridge. Massachusets. 263pp

MIER PÉREZ, R.; GARCÍA DE CECA, J.L.; DÍEZ BARRA, M.R.; FERNÁNDEZ-GOLFÍN SECO, J.I.; HERMOSO PRIETO, E. 2004. Aplicación de redes neuronales a la clasificación de madera estructural. Comparación con otros modelos de clasificación. IV Congreso Forestal Español. 26-30 Septiembre. Zaragoza. España.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 18 de 19

MORRIS, A.J.; MONTAGUE, G.A.; WILLIS, M.J. 1994. Artificial neural networks: Studies in process modeling and control. Trans I ChemE. 72(A): 3-19

MU, H.; LI, L.; YU, L.; ZHANG, M.; QI, D. 2006. Detection and classification of wood defects by ANN. International Conference on Mechatronics and Automation. 25-28 Jun. Luoyang. China.

MU, H.; QI, D. 2008. Recognition of wood defects based on artificial neural network. International conference on Advanced Intelligent Mechatronics. 2-5 Jul. Xi’an. China.

MUSAVI, M.T.; COUGHLIN, D.R.; QIAO, M. 1995. Prediction of wood pulp K with radial basis function neural network. IEEE International Symposium on Circuits and Systems. ISCAS '95. Seattle, Washington, USA. 3, 16-19.

MUSAVI, M.T.; DOMNISORU, C.; SMITH, G.; COUGHLIN, D.R.; GOULD, A.L. 1999. A neuro-fuzzy system for prediction of pulp digester K-number. International Joint Conference on Neural Networks, 1999. IJCNN '99. Washington, DC, USA. (6), 4253-4258

NORDMARK, U. 2002. Knot identification from CT images of young Pinus sylvestris sawlogs using artificial neural networks. Scand. J. Forest Res. 17,72-78.

O’DONOGHUE, D.; DUFFIN, J.; HUGHES, D.; KEATING, J.G.; FEENEY, F.E.; LAWLOR, V.; EVERTSEN, J. Sitka spruce quality estimation using neural networks. Irish Neural Networks Conference. INNC-94. Dublin. Irlanda.

PACKIANATHER, M.S.; DRAKE, P.R. 2000. Neural networks for classification images of wood veneer. Part 2. Int. J. Adv. Manuf. Technol. 16, 424-433.

PACKIANATHER, M.S.; DRAKE, P.R. 2004. Modelling neural network performance through response surface methodology for classifying wood veneer defects. Proc. Inst. Mech. Eng. Part B-J. Eng. Manuf. 218(4), 459-466.

PACKIANATHER, M.S.; DRAKE, P.R. 2005. Comparison of neural and minimum distance classifiers in wood veneer defect identification. Proc. Inst. Mech. Eng. Part B-J. Eng. Manuf. 219(11), 831-841.

PACKIANATHER, M.S.; DRAKE, P.R.; PHAM, D.T. 2008. Feature selection method for neural network for the classification of wood veneer defects. Automation Congress. WAC 2008.

PHAN, D.T.; SAGIROGLU, S. 2000. Neural network classification of defects in veneer boards. Proc. Inst. Mech. Eng. Part B-J. Eng. Manuf. 214(3), 255-258.

QI, D.; MU, H.; ZHANG, M.; YU, L. 2008. Detection of wood defects from X-ray image by ANN. International Conference on Automation and Logistics. Septiembre 2008. Qingdao. China.

RAMÍREZ ALONSO, G.M.J.; CHACÓN MURGUÍA, M.I. 2005. Clasificación de defectos en madera utilizando redes neuronales artificiales. Computación y Sistemas. 9(1), 17-27.

RUZ, G.A.; ESTÉVEZ, P.A.; PÉREZ, C.A. 2005. A neurofuzzy color image segmentation method for wood surface defect detection. For. Prod. J. 55(4), 52-58.

MEJORA DE LA COMPETITIVIDAD DE LAS INDUSTRIAS FORESTALES PERUANAS MEDIANTE LA INTRODUCCIÓN DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN EL CONTROL DE PRODUCCIÓN Y DE CALIDAD

Pag. 19 de 19

SAMARASINGHE, S.; KULARISI, D.; JAMIESON, T. 2007. Neural networks for predicting fracture toughness of individual wood samples. Silva. Fenn. 41(1), 105-122.

SCHMID, M. 2008. Discussion of: "Artificial neural network and mathematical modeling comparative analysis of nonisothermal diffusion of moisture in wood" by Stavros Avramidis and Hongwei Wu. Holz Als Roh-und Werkst. 66(1), 71-73.

SHA, W. 2007. Comment on the issues of statistical modelling with particular reference to the use of artificial neural networks. Appl. Catal. A-Gen. 324, 87-89.

VANSTONE, B; FINNIE, G. 2009. An empirical methodology for developing stockmarket Trading Systems using artificial neural Networks. Expert Syst. Appl. 36, 6668-6680.

VEGA-GARCIA, C.; WOODARD, P.M.; TITUS, S.J.; ADAMOWICZ, W.L.; LEE, B.S. 1999. Dos modelos para la predicción de incendios forestales en Whitecouurt Forest, Canada. Invest. Agr: Sist. Reccur. For. 8(1), 5-23.

WANG, L.; QI, W.; WU, J.; HOU, W. 2007. Recognizing the patterns of wood inner defects based on wavelet neural networks. International conference on automation and Logistics. 18-21 Agosto. Jinan. China.

YANG, H.; LEWIS, I.R.; GRIFFITHS, P.R. 1999. Raman spectrometry and neural networks for the classification of wood types. 2. Kohonen self-organizing maps. Spectroc. Acta Pt. A-Molec. Biomolec. Spectr. 55(14), 2783-2791.