Россия
Россия
Пушкино, г. Москва и Московская область, Россия
Россия
В работе проведен анализ различных систем определения объема и породного состава древесины в штабелях и на прицепах лесовозов. Выделены перспективные программные средства, позволяющие проводить измерения объема древесины в штабелях и на прицепах лесовозов на основе анализа фотоизображений, в том числе с использованием технологий компьютерного зрения. В статье приводятся примеры использования современной технологии компьютерного зрения на основе модели YOLO для определения породного состава древесины. Результаты показали высокую точность распознавания пород деревьев с применением компьютерного зрения. Обученная нейросеть может использоваться в различных программных продуктах, где определение объема древесины осуществляется на основе анализа фото- или видеоизображений.
сортименты древесины, распознавание пород, штабеля, прицепы лесовозов, YOLO, разметка данных, обучение нейросети
1. Войтов Д.Ю., Васильев С.Б., Кормилицын Д.В. Разработка технологии определения породы деревьев с применением компьютерного зрения//Лесной вестник / Forestry bulletin, 2023, Т. 27, N 1, C. 60-66.
2. Проект neurowood. Применение AI/CV в лесной отрасли. – URL: https://neurowood.ru/ (дата обращения: 12.08.2025).
3. Чирышев Ю.В., Атаманова А.С. Распознавание круглых лесоматериалов с помощью случайных решающих деревьев и гистограммы направленных градиентов//Фундаментальные Исследования, 2017, N 1, C. 124-128.
4. Berendt F., de Miguel-Díez F., Wallor E., Blasko L., Cremer T. Comparison of different approaches to estimate bark volume of industrial wood at disc and log scale//Scientific Reports, 2021, Т. 11, N 1, C. 15630.
5. Dralle – Measurements you can trust. – URL: https://dralle.dk/ (дата обращения: 12.08.2025).
6. Gulli A., Pal S. Deep Learning with Keras/Google-Books-ID: 20EwDwAAQBAJ. – Packt Publishing Ltd, 2017. – 310 p.
7. Imambi S., Prakash K.B., Kanagachidambaresan G.R. PyTorch//Programming with TensorFlow: Solution for Edge Computing Applications/ eds. K.B. Prakash, G.R. Kanagachidambaresan. – Cham: Springer International Publishing, 2021. – P. 87-104.
8. Jiang P., Ergu D., Liu F., Cai Y., Ma B. A Review of Yolo Algorithm Developments: The 8th International Conference on Information Technology and Quantitative Management (ITQM 2020 & 2021): Developing Global Digital Economy after COVID-19//Procedia Computer Science, 2022, Т. 199, C. 1066-1073.
9. de Miguel-Diez F., Purfürst T., Acuna M., Tolosana-Esteban E., Cremer T. Estimation of conversion factors for wood stacks in landings and their influencing parameters: a comprehensive literature review for America and Europe//Silva Fennica, 2023, Vol. 57, Estimation of conversion factors for wood stacks in landings and their influencing parameters, No. 1, P. 1-47.
10. de Miguel-Díez F., Guigue P., Pettenkofer T., Tolosana-Esteban E., Purfürst T., Cremer T. Development and evaluation of a novel 3D simulation software for modelling wood stacks//PloS one, 2022, Т. 17, N 3, C.
11. Open Source Data Labeling. - URL: https://labelstud.io/ (дата обращения: 01.09.2025).
12. Sidorenkov V., Achikolova I., Ryabtsev O., Kapitalinin D. Using YOLOv8 for interpreting survey data of high spatial resolution in the visible spectrum range//The 4th International Electronic Conference on Forests. – Basel, Switzerland: MDPI, 2024.
13. Smart Timber. - URL: https://smart-timber.com (дата обращения: 12.08.2025).
14. Zhou Z.-H., Feng J. Deep forest//National Science Review, 2019, Т. 6, N 1, C. 74-86.
