Identification of internal defect of sugar maple logs from CT images using supervised classification methods

Sugar maple logs (Acer saccharum Marsh.) were scanned using X-ray medical scanner in order to develop a classification procedure for this type of imagery (CT images). The classification procedure was required in order to separate sapwood from colored heartwood, knots, rot and bark. Five logs coming from a freshly cut tree (group 1) and three logs sampled from a sawmill yard (group 2) were chosen for this purpose. Two parametric supervised classification algorithms, a minimum distance (MDC) and maximum likelihood (MLC) ones, were qualitatively and quantitatively tested and the resulting thematic maps were filtered by a 5×5 median filter. The classification accuracy was evaluated with confusion matrix and Kappa analyses. Sapwood is known to be the key factor determining sugar maple lumber value. The sapwood identification accuracy was found to be 98.6% (MDC) and 97.2% (MLC) for group 1 and 80.7% (MDC) and 81.8% (MLC) for group 2, respectively. Misclassification of defects occurred mainly between knots and colored heartwood. The overall accuracy of classification was about 83.1% (MDC) and 82.6% (MLC) for group 1 and 76.4 (MDC) and 78.0% (MLC) for group 2, respectively. The Kappa value from MDC and MLC was 0.622 and 0.624 for group 1 and 0.440 and 0.470 for group 2, respectively. These Kappa values indicate the existence of strong and moderate degree of conformity between the reference data and the classification procedure for groups 1 and 2 of logs, respectively. Both classifiers show no statistically significant differences in their capability of separation of sapwood from the other classes. Nevertheless, as MLC accuracy for colored heartwood is higher than MDC accuracy in logs without bark (normal situation in sawmills), MLC appears at this stage as the better alternative for analysing CT images of sugar maple logs. ZusammenfassungAm Beispiel von Zuckerahorn-Stammabschnitten (Acer saccarum Marsh.), die mit einem Computertomographen gescannt wurden, wurde ein Auswerteverfahren für die CT-Bilder entwickelt. Dieses Verfahren war erforderlich, um Splintholz von Farbkernholz, Ästen, Fäule und Rinde unterscheiden zu können. Dazu wurden fünf Stammabschnitte von frisch gefällten Bäumen (Gruppe 1) und drei Stammabschnitte aus einem Sägewerk (Gruppe 2) entnommen. Zwei vorwissensbasierte Auswerteverfahren, Minimum Distance (MDC) und Maximum-Likelihood (MLC), wurden sowohl qualitativ als auch quantitativ getestet. Die daraus resultierenden thematischen Karten wurden mit einem 5×5 Medianfilter gefiltert. Die Auswertegenauigkeit wurde anhand einer Konfusionsmatrix und mittels Kappa-Analysen bewertet. Splintholz ist der entscheidende Faktor, der den Wert von Zuckerahorn-Schnittholz bestimmt. Splintholz konnte in der Gruppe 1 mit einer Genauigkeit von 98.6% (MDC) und 97.2% (MLC) und in der Gruppe 2 mit 80.7% (MDC) und 81.8% (MLC) erkannt werden. Auswertefehler ergaben sich hauptsächlich bei der Unterscheidung zwischen Ästen und Farbkernholz. Insgesamt lag die Auswertegenauigkeit in der Gruppe 1 bei 83.1% (MDC) und 82.6% (MLC) und in der Gruppe 2 bei 76.4% (MDC) und 78.0% (MLC). Der Kappa-Wert von MDC und MLC lag in der Gruppe 1 bei 0.622 und 0.624 bzw. in der Gruppe 2 bei 0.440 und 0.470. Diese Kappa-Werte weisen auf einen hohen bzw. mittleren Übereinstimmungsgrad zwischen den Referenz- und den Auswertedaten für Stammabschnitte der Gruppen 1 bzw. 2 hin. Beide Verfahren unterscheiden sich statistisch nicht signifikant bezüglich ihrer Fähigkeit, Splintholz von den anderen Holzmerkmalen zu trennen. Dennoch erscheint zum gegenwärtigen Zeitpunkt MLC die bessere Alternative zur Auswertung von CT-Bildern von Zuckerahorn-Stammabschnitten zu sein, da MLC Farbkernholz in Stammabschnitten ohne Rinde (Normalsituation in Sägewerken) mit höherer Genauigkeit identifiziert als MOC.