Estimation de la qualité de bois ronds et d'arbres sur pied par Lidar terrestre

Assessment of roundwood and tree quality from terrestrial Lidar data.

• Auteur / Autrice : Van Tho Nguyen
• Direction : Francis Colin
• Type : Thèse de doctorat
• Discipline(s) : Biologie et écologie des forêts et des agrosystèmes
• Date : Soutenance le 10/10/2018
• Etablissement(s) : Paris, AgroParisTech
• Ecole(s) doctorale(s) : École doctorale SIReNa - Science et ingénierie des ressources naturelles (Lorraine ; 2018-....)
• Partenaire(s) de recherche : Laboratoire : Silva (Lorraine)
• Jury : Président / Présidente : Cédric Pradalier
• Jury : Examinateurs / Examinatrices : Cédric Pradalier, Robert Collet, Paul Mclean, Hind El Haouzi, Isabelle Debled-Rennesson, Alexandra Bac-Bruasse
• Jury : Rapporteur / Rapporteuse : Robert Collet

Mots clés

Mots clés contrôlés

Hêtres

Tests

Chênes

Écorces

Apprentissage automatique

Innovation

Identification automatique

Méthodologie

Surfaces -- Défauts

Bois

Lidar

Mots clés libres

Inventaire terrestre

Scans 3D

Défauts externes

Forest inventory

3D scanning

External defects

Résumé

La technologie LiDAR (Light Detection And Ranging) terrestre (TLS) est une méthode de télédétection en plein essor dans le domaine forestier. Elle génère un nuage de dizaines de millions de points 3D correspondant aux obstacles rencontrés par un faisceau laser qui balaie une scène depuis plusieurs points de vue. Son intérêt réside dans son aptitude à décrire une placette forestière ou un arbre individuel avec un niveau de détail inégalé. Ce niveau de détail permet une analyse fine de la surface du tronc pour en détecter les défauts qui jouent un rôle essentiel dans la qualité du bois puisque des études ont montré que 80% des défauts internes correspondent à des traces à la surface du tronc, par exemple les cicatrices de branches.L’objectif de la thèse est de développer une méthode pour quantifier les défauts sur le tronc d’arbre sur pied ou de bois ronds, à partir de données issues de scans TLS. Les défauts visés sont les branches, les cicatrices de branches, les broussins, les amas de bourgeons et les picots.Le développement de cette méthode est mené selon 3 étapes : (1) détection des défauts, (2) identification de leur type et (3) caractérisation.La détection des défauts est basée sur une analyse de la rugosité de la surface de l’écorce via une estimation de la distance de référence à la ligne centrale du tronc. La distance de référence de tout point de la surface à cette ligne centrale est calculée à partir de la distribution de ses points voisins appartenant au même patch (bande) allongé selon l’axe principal du tronc. Les points supposés correspondre à des défauts sont obtenus par un seuillage automatique sur la distribution statistique des écarts entre la distance à la ligne centrale et la distance de référence.L’identification des défauts est basée sur une approche d’apprentissage automatique en utilisant le classifieur Random Forests qui non seulement classe les défauts selon leur type mais permet également de réduire le nombre de faux positifs à l’issue de la première étape.La caractérisation des défauts comprend la détermination de leurs position et dimensions qui dépendent de leur type.Des expérimentations réalisées sur des billons ou des troncs de différentes espèces telles que chêne, hêtre, merisier, pin, sapin et épicéa, ont montré que nous pouvons détecter des défauts avec une dimension pouvant descendre jusqu’à 5 mm sur des données TLS suffisamment denses. A l’échelle d’un élément de surface, les résultats sont bien cohérents avec ceux de données observées visuellement sur les maillages créés à partir des nuages de points TLS. Le critère choisi pour évaluer la performance de la classification est la mesure F1 qui est la moyenne harmonique de la précision et du rappel, deux variables calculées à partir des nombres de faux et vrais positifs. Concernant la détection de défauts, F1 atteint 0,76.La deuxième étape a correctement classé 163 défauts sur 185 mais a induit 75 fausses identifications de petits défauts majoritairement. La valeur de F1 est de 0,84.Les dernières expérimentations sur des chênes et des hêtres, destinées à évaluer automatiquement l’ensemble de la méthode sur des arbres sur pied, à partir du nombre et des dimensions des défauts ont montré qu’elle était robuste et prometteuse pour ces deux espèces ayant des structures d’écorce très différentes.Par rapport aux travaux antérieurs sur l’utilisation des données TLS pour des objectifs similaires, l’outil développé permet d’améliorer considérablement la quantification automatique des défauts de surface et donc d’estimer la qualité des grumes sur pied. Les principales perspectives sont : améliorer l’échantillonnage de la variabilité des défauts contenu dans la base d’apprentissage et éventuellement leur séparation par espèce et prendre en compte d’autres types de défauts externes, comme les fentes et les attributs globaux du tronc ou du billon afin d’estimer la qualité de grume en bord de route ou sur parc à grumes.

Terrestrial Laser Scanning (TLS) technology is booming in forestry applications. It generates a cloud of tens of millions of 3D points corresponding to the obstacles encountered by a laser beam scanning a scene from several points of view. Its advantage lies in its ability to describe a forest plot or an individual tree by a point cloud with a high level of detail unusual for such a large object. This level of detail allows a fine analysis of the trunk surface to detect the defects that play an essential role in wood quality. In fact, several studies have shown that 80% of internal defects correspond to traces on the trunk surface, for example, branch scars.The objective of the thesis is to develop a method to automatically quantify defects on trunks of standing trees or logs, using TLS data. The defects included branches, branch scars, burls, bud cluster, and picots.The development is completed through 3 steps: (1) defect detection, (2) defect identification and (3) defect characterization.The detection of defects is based on an analysis of the bark roughness using an estimation of the reference distance to the trunk centerline. The principle of centerline computation is to find the points where the surface normal vectors converge. The reference distance of each point from the surface to this centerline is computed from the distribution of its neighboring points belonging to the elongated patch along the main axis of the trunk. The detection of defects is based on the idea that, for one point belonging to a defect, the difference between the real distance and the reference distance to the centerline exceeds a certain threshold value. The reference distance computation takes also into account the local roughness of the bark. The points supposed to correspond to a defect are obtained by an automatic thresholding of the statistical distribution of the differences. The defect detection method can take into account a large variety of shapes of the trunk or log; it uses a small number of parameters not sensitive to the nature of the bark.Then, the identification of defects is based on a machine learning approach using the Random Forests classifier, which not only classifies defects by type but also reduces the number of false positives resulting from the first step.The characterization of defects includes the estimation of their position and dimensions associated with their type.Experiments on logs or trunks of different species such as oak, beech, wild cherry, pine, fir, and spruce showed that we can detect defects with a size as small as 5 mm with sufficiently dense TLS data. When compared at the surface element level, the results were well consistent with the data observed visually on the meshes created from the TLS point cloud. The criterion chosen to evaluate the classification performance is the F1 score, which is the harmonic mean of the precision and the recall, two variables calculated from the false and true positives. Concerning the detection step, F1 was 0.76. The second step correctly classified 163 defects out of 185 but induced 75 false identifications of mostly small defects. The F1 score was 0.84.The latest experiments on oaks and beeches, designed to automatically evaluate the quality of standing trees, showed that the proposed method was robust and promising for these two species with very different bark structures.Compared to previous work on the use of TLS data for similar objectives, the developed tool considerably improves the automatic quantification of external defects and estimation of standing tree quality. The main perspectives of this work are: improve the variability of the defects contained in the training set and possibly separate the training set by species, and extend this tool to take into account other types of external defects, such as cracks, and the global attributes of the trunk or log to estimate log quality on the wood yard or in the forest.