1
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
Herramientas de corte para optimizar parámetros de clasificación
de especies maderables con redes neuronales convolucionales
Thonny Behyker Centeno1*; https://orcid.org/0000-0002-7884-3759
Cassiana Ferreira1; https://orcid.org/0000-0002-9559-6673
Janet Gaby Inga1; https://orcid.org/0000-0002-2321-8518
Andrés Vélez 1; https://orcid.org/0000-0002-0180-2246
Raul Huacho1; https://orcid.org/0000-0001-7149-3509
Osir Daygor Vidal1; https://orcid.org/0000-0002-4373-0754
Sthefany Madjory Moya1; https://orcid.org/0000-0003-1005-8823
Danessa Clarita Reyes1; https://orcid.org/0000-0001-6269-8166
Walter Emilio Goytendia1; https://orcid.org/0000-0001-5670-8305
Benji Steve Ascue1; https://orcid.org/0000-0002-3624-7916
Mario Tomazello-Filho2; https://orcid.org/0000-0002-9814-0778
1. Laboratorio de Anatomía e Identificación de la Madera, Universidad Continental, Av. San Carlos 1980, Huancayo,
Junín, Perú; 71906318@continental.edu.pe (*Correspondencia), calves@continental.edu.pe, jingag@continental.
edu.pe, andres.velez.e@gmail.com, raulhuacho26@gmail.com, osir.vidal@gmail.com, sthefanymmoya@gmail.com,
73086825@continental.edu.pe, waltergoytendia@gmail.com, 70041331@continental.edu.pe
2. Laboratorio de Anatomía, Identificación y Densitometría de Rayos X en la Madera, Universidad de São Paulo, São
Paulo, Brasil; mtomazel@usp.br
Recibido 03-VIII-2022. Corregido 24-IV-2023. Aceptado 10-VIII-2023.
ABSTRACT
Cutting tools to optimize classification parameters of timber species with convolutional neural networks
Introduction: The great diversity of tropical timber species demands the development of new technologies
capable of identifying them based on their patterns or anatomical characteristics. The application of convolu-
tional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to
the promising results of CNNs.
Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization
and distinction of anatomical features in the CNN model training.
Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle,
Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database
of macroscopic images of the cross-section of wood was generated through cutting with three different tools and
observing its performance in the laboratory, field, and checkpoint.
Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 mac-
roscopic images were obtained with a portable microscope and correspond to 25 timber species. We found
the “Tramontina” knife to be durable, however, it loses its edge easily and requires a sharpening tool, the
“Pretul” retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the
“Ubermann” knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and
interchangeable blades in case of dullness.
https://doi.org/10.15517/rev.biol.trop..v71i1.51310
BOTÁNICA Y MICOLOGÍA
2Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
INTRODUCCIÓN
La percepción de la sociedad acerca del
funcionamiento de los sistemas biológicos y
propiedades de productos de origen natural o
manufacturados, ha cambiado con los avances
tecnológicos direccionándolos a la solución de
problemas generales o específicos (Duan et al.,
2019; Livingston & Risse, 2019). De esta forma
surgen las bases de la inteligencia artificial (IA),
implementada en la década de 1950s con la
máquina de “Turing” (Turing, 1936), una pro-
puesta de modelo matemático para una maqui-
na automática, caracterizada principalmente
por parámetros de almacenamiento y unidad
de control. En 1956, John MacCarthy, aplica el
término IA, refiriéndose a una máquina inte-
ligente, capaz de aconsejar, tomar decisiones
y razonar como una persona (Morgenstern &
Mcilraith, 2011), donde los algoritmos que uti-
liza la IA para simular el razonamiento humano
son llamados aprendizaje automático o Machi-
ne Learning (Portugal et al., 2015).
Las redes neuronales son algoritmos que
pertenecen al campo de Machine Learning
aplicados para la segmentación, detección y
clasificación de imágenes de diverso origen y
naturaleza (Aguilar-Alvarado & Campoverde-
Molina, 2019; LeCun et al., 2015). Estos algo-
ritmos toman las imágenes como entrada y en
cada una detectan una serie de características
con base en patrones y son capaces de diferen-
ciar unas imágenes de otras (Hafemann et al.,
2014; Krizhevsky et al., 2012). El uso de algo-
ritmos de Machine Learning se ha extendido a
importantes sectores y especialidades, como en
la medicina para el diagnóstico de diferentes
enfermedades, por ejemplo, para identificar
los síntomas de Covid-19 en radiografías de
pacientes. Inclusive, en el ajedrez y StarCra-
ft II se utiliza el algoritmo AlphaZero para
Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better
visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom
Vision convolutional neural network models, which was evidenced in the precision metrics.
Key words: tropical trees; illegal timber; macroscopic images; machine learning; cutting tools; portable
microscope.
RESUMEN
Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías
de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales con-
volucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos
años por sus resultados prometedores.
Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la
visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN.
Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva
Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en
secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la
madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de
control.
Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la
madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies
maderables. El cuchillo “Tramontina” es duradero, pero pierde el filo con facilidad y se necesita una herramienta
para afilar, el cúter retráctil “Pretul” es adecuado para madera suave y dura en muestras pequeñas de laboratorio;
el cuchillo “Ubermann” es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura
duradera y láminas intercambiables en caso de pérdida de filo.
Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite
una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de
red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.
Palabras clave: árboles tropicales; madera ilegal; imágenes macroscópicas; aprendizaje automático; herramientas
de corte; microscopio portátil.
3
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
contar con estrategias y decisiones en tiempo
real (Nouretdinov et al., 2015; Porcelli & Martí-
nez, 2020; Silver et al., 2018; Simić et al., 2018;
Vinyals et al., 2019; Ye, 2015).
Los algoritmos de Machine Learning son
aplicados en la industria de la madera, prin-
cipalmente, para la clasificación de especies
maderables utilizando imágenes macroscópicas
de la madera con redes neuronales artificiales
(ANN) (Khalid et al., 2008; Yadav et al., 2013)
y redes neuronales convolucionales (CNN)
(Fabijańska et al., 2021; Hafemann et al., 2014;
Kwon et al., 2017; Siew et al., 2017).
Ante la alta diversidad de especies made-
rables en los bosques tropicales, existe una
creciente necesidad de desarrollar aplicaciones
móviles con IA para la identificación de espe-
cies maderables desde la extracción, transporte
y comercialización. Sin embargo, las limitacio-
nes en la obtención de hojas, flores y/o frutos
para la identificación botánica o la obtención
de secciones transversales para la identifica-
ción anatómica, y el insuficiente número de
expertos en identificación de especies a partir
de la caracterización anatómica en los puestos
de control y fiscalización no permiten avanzar
en las políticas de control para reducir la tala
ilegal (de Andrade et al., 2020; Filho et al., 2014;
Ravindran et al., 2020).
Usualmente, la identificación de especies
maderables se realiza con imágenes microscó-
picas, las cuales demandan una serie de proce-
dimientos, reactivos y equipos sofisticados de
laboratorio, cuya alta calidad en la visualización
de las características anatómicas, incrementa
la precisión de un modelo de red neuronal
convolucional (Hafemann et al., 2014; Koch &
Haag, 2015; Lens et al., 2020). Sin embargo, la
identificación de especies maderables empie-
za en campo, luego en el puesto de control y
finalmente en los centros de comercialización;
en estos espacios se requiere una metodología
accesible, rápida y práctica. Ante estas condi-
ciones se recurre a la identificación macroscó-
pica de la madera, se realiza un corte con una
navaja en la sección transversal y con un lente
de 10X se observan las características anatómi-
cas, convirtiéndose en una metodología sencilla
y de bajo costo para identificar especies made-
rables en campo (Filho et al., 2014).
La aplicación de las CNN en la identifi-
cación de especies maderables requiere una
amplia y representativa base de datos de imá-
genes macroscópicas de la madera, lo cual
se ha incrementado progresivamente desde
que se inició el uso de las CNN. Por ejemplo:
Apolinario-Lainez et al. (2018) obtuvieron 115
imágenes para describir 7 especies maderables
en Perú, Kwon et al. (2017) obtuvieron 187
imágenes de 5 especies maderables en Korea
del Sur, Apolinario et al. (2019) utilizaron 355
imágenes de 16 especies, Filho et al. (2010)
obtuvieron 1 270 imágenes de 22 especies de
Brasil, Ravindran et al. (2019) obtuvieron 2 187
imágenes de 15 géneros, Ravindran et al. (2018)
entrenaron un modelo CNN con 2 303 imáge-
nes de 10 especies de la familia Meliaceae; Filho
et al. (2014) incrementaron a 2 942 imágenes
para 41 especies en Brasil, Yang et al. (2019)
presenta 4 800 imágenes de 25 especies, y Mata-
Montero et al. (2020) muestran 3 516 imágenes
de 146 especies de Costa Rica. Sin embargo,
acceder a un banco de imágenes macroscópicas
o microscópicas es una recurrente restricción
para la aplicación de redes neuronales ANN y
CNN en la identificación de especies madera-
bles (Hanssen et al., 2011).
En la captura de imágenes macroscópicas
se requiere la preparación de la sección trans-
versal de la madera para visualizar mejor las
características anatómicas, para lo cual se uti-
liza lijas (Rajagopal et al., 2019), cutters (Tang
et al., 2018), micrótomos (Khalid et al., 2008) y
cuchillos (de Andrade et al., 2020). Sin embar-
go, se requiere procedimientos adicionales para
mejorar la calidad de las imágenes macroscópi-
cas como: estabilizar el sistema de iluminación
(Rajagopal et al., 2019), extraer el polvo que
obstruye el lumen de los poros después del
pulido (Ibrahim et al., 2017) y la selección de
áreas sin defectos, grietas, áreas podridas por
organismos xilófagos y zonas de anormalidad
de crecimiento como nudos, entre otros (da
Silva et al., 2017).
El presente estudio se realizó en el puesto
de control del SERFOR: “El Pedregal” de la
4Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
provincia Chanchamayo, región Junín; durante
las inspecciones a los camiones de carga que
transportan madera aserrada se evidenció que
no se dispone de tiempo suficiente para pre-
parar la superficie transversal de la madera y
obtener imágenes macroscópicas ante el paso
constante de camiones de carga. Asimismo, la
revisión y verificación de información consig-
nada en la Guía de Transporte Forestal (GTF)
no debe exceder 15 min. Por estas razones, es
imprescindible contar con equipos y materiales
accesibles para obtener imágenes macroscópi-
cas de alta calidad. Se describe la aplicación de
tres herramientas de corte en campo y el uso de
un microscopio portátil en la captura de imáge-
nes macroscópicas para lograr la clasificación
de 25 especies maderables de Selva Central con
redes neuronales convolucionales (CNN).
MATERIALES Y MÉTODOS
Obtención y preparación de muestras:
Las muestras corresponden a 25 especies
maderables de Selva Central, se obtuvieron
dos tipos de muestras: i. Pequeñas piezas de
madera de aserraderos de la provincia Chan-
chamayo y Satipo, y ii. Rodajas o secciones
transversales de los árboles aprovechados por
empresas madereras en bosques de comunida-
des nativas de la provincia Satipo, región Junín
(Ferreira et al., 2021).
Las muestras recolectadas fueron etique-
tadas con sus nombres comunes, luego fueron
llevadas al Laboratorio de Anatomía e Identi-
ficación de la Madera de la Universidad Conti-
nental campus Incho, Huancayo para realizar la
identificación y caracterización anatómica. Se
obtuvieron secciones rectangulares (2.5 cm de
ancho x 6 cm de largo y 3 cm de alto), evitando
áreas con defectos (grietas, rajaduras o áreas
podridas por organismos xilófagos) para evitar
confusiones en la identificación de patrones
anatómicos (da Silva et al., 2017) como se
muestra en la Fig. 1.
Esta etapa es esencial para obtener una
metodología adecuada en el proceso de corte y
Fig. 1. A. y B. Preparación de muestras de madera. C. Obtención de imagen macroscópica con el microscopio portátil. D.
Imagen macroscópica de Matisia cordata. / Fig. 1. A. and B. Preparation of wood samples. C. Obtaining a macroscopic image
with the portable microscope. D. Macroscopic image of Matisia cordata.
5
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
obtención de imágenes. Sin embargo, algunos
autores no contemplan la etapa de obtención de
muestras y preparación, al contrario, empiezan
directamente con la adquisición de imáge-
nes por contar con repositorios de imágenes
o muestras de xilotecas en laboratorio. Este
estudio describe la importancia del corte en la
preparación y propone una serie de etapas para
la clasificación, diferente a las reportadas en la
Tabla 1.
Obtención de imágenes macroscópicas:
Las imágenes macroscópicas fueron obtenidas
en la sección transversal, se utilizaron: (i) un
cuchillo “Tramontina”, (ii) un cúter retráctil
“Pretul” y (iii) una cuchilla “Ubermann” con
láminas intercambiables. Al realizar el corte,
se obtuvieron imágenes de la estructura ana-
tómica macroscópica de las maderas con un
microscopio portátil “Dinolite”, el cual posee
un aumento de hasta 250X, presenta un lente de
2.2 cm de diámetro correspondiente a 0.8 x 0.6
cm de la superficie de la madera e iluminación
constante. Este microscopio cuenta con fuente
de luz propia de 8 leds y mantiene las mismas
condiciones de iluminación tanto de día como
de noche.
Adicionalmente, su tamaño permite un
uso práctico en campo, como en el puesto de
control “El Pedregal” SERFOR, dónde es nece-
sario subir a los camiones para inspeccionar las
piezas de madera aserrada.
Para la captura de imágenes macroscópi-
cas se utilizó el microscopio portátil con un
aumento de 50X, este se conecta a un adaptador
microUSB o tipo C al celular, luego a través de
Play Store se descarga la aplicación denominada
“USB Camera” para reconocer el microscopio
portátil al momento de conectarlo al dispositi-
vo móvil y finalmente obtener una imagen de
640 x 480 pixeles como se observa en la Fig. 1C
y Fig. 1D respectivamente.
Se obtuvieron 50 imágenes por especie,
estas fueron organizadas en una carpeta y per-
manecen en la nube con acceso directo para
futuras investigaciones. Se obtuvieron 1 250
imágenes macroscópicas por cada herramienta
de corte y se dispone de 3 750 imágenes en
total, y estas se encuentran disponibles en el
siguiente link: https://bit.ly/3K0CrRA.
Clasificación de especies maderables: El
entrenamiento de imágenes macroscópicas de
las 25 especies maderables se realizó con dos
modelos de red neuronal convolucional: “Effi-
cientNet B0” en la plataforma Google Colabo-
ratory y “Custom Vision” en la plataforma de
Microsoft Azure, para contrastar los porcentajes
de clasificación.
RESULTADOS
Dimensiones de una muestra: Determi-
nar las dimensiones de una muestra de madera
Tabl a 1
Etapas para la clasificación de especies maderables con CNN. / Table 1. Stages for the classification of timber species with
CNN.
Referencia Etapa 1 Etapa 2 Etapa 3 Etapa 4 Etapa 5
(Khalid et al., 2008) Recopilación de
muestras
Adquisición de
imágenes
Mejoramiento de
imágenes
Extracción de
características Clasificación
(Filho et al., 2014) Adquisición de
imágenes
Extracción de
características
Clasificación
(Backes & Sá Junior, 2016)
(de Andrade et al., 2020)
Adquisición de
imágenes
Preprocesamiento
de imágenes
Segmentación de
imágenes
Extracción de
características Clasificación
(Kwon et al., 2017) Preparación de
la muestra
Extracción de
características
Clasificación
(de Andrade et al., 2020) Preparación de
la muestra
Adquisición de
imágenes
Preprocesamiento
de imágenes
Extracción de
características Clasificación
Presente trabajo Obtención de
muestras
Preparación de las
muestras
Corte en sección
transversal
Adquisición de
imágenes
Clasificación
6Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
es esencial para una correcta manipulación y
corte de la sección transversal, la captura de
imágenes, su almacenamiento y conservación.
Entre las dimensiones de muestras más utiliza-
das encontramos desde pequeñas (2 cm de alto
x 1.5 cm de ancho x 4 cm de largo) (de Andrade
et al., 2020) y medianas (4cm de alto x 5 cm de
ancho y 10 cm de largo) (Kwon et al., 2017). Las
dimensiones de las muestras se pueden obser-
var en la Fig. 1A, el ancho de 2.5 cm facilita el
corte de la superficie con las tres herramientas,
en especial con la cuchilla Ubermann que posee
una longitud máxima de 3 cm y el ancho de la
muestra puede variar de 2 a 3 cm. Con respec-
to al largo de 6 cm, este estudio propone una
longitud de 5 a 8 cm para mayor seguridad en
el proceso de corte, ya sea fijado en un tornillo
de banco o con las manos como se observa en
la Fig. 2. Para el alto de las muestras se sugiere
como mínimo 3 cm, dimensiones menores
a este, podrían ocasionar accidentes o daño
en los dedos. Las dimensiones pequeñas de
las muestras permiten su almacenamiento y
conservación para la estabilización de hume-
dad y protección contra organismos xilófagos
(Fig. 1B).
Obtención de imágenes macroscópicas:
Para obtener una alta calidad de imágenes
macroscópicas se debe tener en cuenta el corte
y el tipo de herramienta utilizada, como se
observa en la Fig. 3 con las imágenes macros-
cópicas de Cedrelinga cateniformis y Brosimum
alicastrum. Además, es importante describir las
características físicas y ergonómicas de las tres
herramientas de corte presentes en la Tabla 2
para evaluar su rendimiento o capacidad en el
uso de campo, laboratorio o puesto de control.
En la Fig. 3, se presenta la calidad de las
imágenes con las tres herramientas de corte y
corresponden a las especies Cedrelinga cateni-
formis cuya densidad de 0.50 g/cm3 genera una
resistencia blanda al corte y Brosimum alicas-
trum cuya densidad de 0.70 g/cm3 genera una
resistencia medianamente dura al corte (Richter
& Dallwitz, 2019), obteniéndose una alta cali-
dad de corte con el estilete retráctil Pretul.
Las imágenes presentes en la Fig. 4 mues-
tran una mejor visualización de sus carac-
terísticas anatómicas en orientación vertical
en función de sus radios, estas imágenes fue-
ron obtenidas al hacer el corte de la sec-
ción transversal de la madera con el estilete
retráctil Pretul.
Para una captura efectiva de la imagen se
requiere realizar el corte en un área mínima de
2.5 cm de ancho x 2.5 cm de largo en la sec-
ción transversal. Incluso, las redes neuronales
Fig. 2. Corte de muestras de madera; A. Posición de corte para maderas duras. B. Suaves. C. muestra fijada en un tornillo de
banco. / Fig. 2. Cutting of wood samples; A. Cutting position for hardwoods. B. Soft. C. Specimen fixed in a vice.
7
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
convolucionales pueden clasificar las imáge-
nes macroscópicas en cualquier ángulo de
orientación en relación con sus elementos ana-
tómicos. Esto gracias al aumento de datos (Data
Augmentation) que permite girar, incrementar
o disminuir las imágenes (zoom).
Clasificación de especies maderables:
Con las 3 750 imágenes macroscópicas se
entrenaron los modelos de redes neuronales
convolucionales EfficientNet B0 en la platafor-
ma de Google Colaboratory y el servicio Custom
Vision de Microsoft Azure, las métricas de pre-
cisión se pueden observar en la Fig. 5 y Fig. 6,
respectivamente.
La numeración de las 25 especies madera-
bles presenta el mismo orden de la Tabla 3 es
decir, el número 0 en la matriz de confusión
Fig. 3. A. Herramientas para el corte de muestras; cuchillo Tramontina, cúter retráctil Pretul y cuchilla Ubermann. B. Imagen
macroscópica de Cedrelinga cateniformis. C. Imagen macroscópica de Brosimum alicastrum. / Fig. 3. A. Tools for cutting
samples; Tramontina knife, Pretul retractable cutter and Ubermann blade. B. Macroscopic image of Cedrelinga cateniformis.
C. Macroscopic image of Brosimum alicastrum.
Tabl a 2
Diferencias entre las tres herramientas de corte. / Table 2. Differences between the three cutting tools.
Herramientas
de corte
Descripción Rendimiento en maderas
Mango Lámina Suaves Duras
Cuchillo Tramontina Policarbonato reforzado
con fibra de vidrio
Acero inoxidable Corta con facilidad Pierde el filo rápidamente
Cúter retráctil Pretul Plástico ABS Acero al carbono
intercambiable
Corta con facilidad No tiene la fuerza para
hacer el corte
Cuchilla Ubermann Goma termoplástica Acero inoxidable
intercambiable
Corta con facilidad Es resistente y duradera
8Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
Fig. 4. Imágenes macroscópicas de 25 especies con aumento de 50X. A. Caryocar glabrum. B. Allantoma decantra. C. Hura
crepitans. D. Cedrela angustifolia. E. Cedrela odorata. F. Brosimum alicastrum. G. Copaifera paupera. H. Otoba glycycarpa. I.
Poulsenia armata. J. Brosimum utile. K. Ocotea aciphylla. L. Aiouea montana. M. Ficus insípida. N. Calophyllum brasiliense.
O. Jacaranda copaia. P. Sterigmapetalum obovatum. Q. Schizolobium parayba. R. Protium altissima. S. Hymenopus
heteromorphus. T. Ocotea gracilis. U. Matisia cordata. V. Cedrelinga cateniformis. W. Clarisia racemosa. X. Terminalia oblonga.
Y. Enterolobium sp. / Fig. 4. Macroscopic images of 25 species with 50X magnification. A. Caryocar glabrum. B. Allantoma
decantra. C. Hura crepitans. D. Cedrela angustifolia. E. Cedrela odorata. F. Brosimum alicastrum. G. Copaifera paupera. H.
Otoba glycycarpa. I. Poulsenia armata. J. Brosimum utile. K. Ocotea aciphylla. L. Aiouea montana. M. Ficus insipidus. N.
Calophyllum brasiliense. O. Jacaranda copaia. P. Sterigmapetalum obovatum. Q. Schizolobium parayba. R. Protium altissima.
S. Hymenopus heteromorphus. T. Ocotea gracilis. U. Matisia cordata. V. Cedrelinga cateniformis. W. Clarisia racemosa. X.
Terminalia oblonga. Y. Enterolobium sp.
9
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
corresponde a la especie número 1: Caryocar
glabrum (almendro) de la Tabla 3 y el núme-
ro 24 de la matriz de confusión correspon-
de a la especie número 25: Enterelobium sp.
(yarahuisca) descritas en la Tabla 3. La línea
diagonal representa el porcentaje de clasifica-
ción correcta que realiza el modelo en la fase
de validación. Por ejemplo, la especie Cedrela
angustifolia fue clasificada correctamente con
un 60 % de precisión, sin embargo, el modelo lo
confunde con Cedrela odorata en un 40 %, esto
debido a la similitud de sus características ana-
tómicas como el tipo de porosidad semi-poroso
y la demarcación de anillos de crecimiento
por bandas de parénquima marginal (Ferreira
& Inga, 2022), además, los poros presentan
Fig. 6. Métricas de precisión del modelo “Custom Vision” en la plataforma de Microsoft Azure con imágenes macroscópicas
obtenidas con el cúter retráctil Pretul. / Fig. 6. Accuracy metrics of the “Custom Vision” model on the Microsoft Azure
platform with macroscopic images obtained with the Pretul retractable cutter.
Fig. 5. Matriz de confusión del modelo EfficientNet B0 con imágenes macroscópicas obtenidas con el cúter retráctil Pretul. /
Fig. 5. Confusion matrix of the EfficientNet B0 model with macroscopic images obtained with the Pretul retractable cutter.
10 Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
diámetros distintos asociados a una coloración
más clara a rosada en C. angustifolia y roja en
C. Odorata con poros más grandes cerca del
parénquima marginal.
Dentro del modelo EfficientNet B0, el 80 %
de imágenes fue para entrenamiento y el 20 %
para validación y para las pruebas se realizaron
con imágenes que no están dentro de la base
de datos, mientras que en el modelo “Custom
Vision” de la plataforma Microsoft Azure no se
puede acceder a la distribución de imágenes
para dividir imágenes en la fase de entrena-
miento y validación. Sin embargo, recomienda
el uso de 50 imágenes como mínimo por espe-
cie para realizar una buena clasificación. Por
esta razón, el entrenamiento se realizó con 50
imágenes por especie en un tiempo de 4 h como
se muestra en la Fig. 6, mostrando un 100 % de
precisión en la clasificación.
La confusión entre especies que pertenecen
a la misma familia es muy común en las made-
ras debido a la semejanza de sus características
anatómicas, es por ello que el modelo de Efffi-
cientNet B0 muestra como las especies de la
familia Cedrela sp. se confunden entre ellas en
porcentajes distintas al entrenar las imágenes
macroscópicas con las tres herramientas de
corte. La Tabla 4 muestra que solo 25 imágenes
de la especie de Cedrela angustifolia fueron
clasificadas correctamente por el modelo y
14 imágenes que representa el 27.78 % fueron
confundidas con la especie de Cedrela odorata
al preparar la base de datos con la herramienta
de Cuchillo Tramontina, estos datos se van
Tabl a 3
Lista de 25 especies maderables de Selva Central del Perú (Ferreira et al., 2021). / Table 3. List of 25 timber species from the
Central Jungle of Peru (Ferreira et al., 2021).
NNombre común Nombre científico Familia
1Almendro Caryocar glabrum (Aubl.) Caryocaraceae
2Cachimbo Allantoma decantra (Ducke) Lecythidaceae
3Catahua Hura crepitans L. Euphorbiaceae
4Cedro Cedrela angustifolia Sessé & Moc Meliaceae
5Cedro Cedrela odorata L. Meliaceae
6Congona Brosimum alicastrum Sw. Moraceae
7Copaiba Copaifera paupera (Herzog) Fabaceae
8Cumala Otoba glycycarpa (Ducke) Myristicaceae
9Lanchan Poulsenia armata (Miq.) Moraceae
10 Leche Caspi Brosimum utile (Kunth) Oken Moraceae
11 Moena Amarilla Ocotea aciphylla (Nees & Mart.) Lauraceae
12 Moena Blanca Aiouea montana (Sw.) R. Rohde Lauraceae
13 Oje Ficus insipida Wildenow Moraceae
14 Palo Azufre/lagarto caspi Calophyllum brasiliense Cambess. Calophyllaceae
15 Palo Carton Jacaranda copaia (Aublet) Bignoneaceae
16 Palo Verde Sterigmapetalum obovatum Kuhlm. Rhizophoraceae
17 Pino Chuncho Schizolobium parayba (Vell.) Fabaceae
18 Pochotaroque Protium altissimum (Aubl) Marchand Burseraceae
19 Sachapalta Hymenopus heteromorphus (Benth.) Chrysobalanaceae
20 Moena Ocotea gracilis (Meisn.) Mez Lauraceae
21 Sapote Matisia cordata Ducke Malvaceae
22 Tornillo Cedrelinga cateniformis (Ducke) Fabaceae
23 Tulpay Clarisia racemosa Ruiz & Pav. Moraceae
24 Yacushapana Terminalia oblonga (Ruiz & Pavon) Combretaceae
25 Yarahuisca Enterolobium sp. Mart.Fabaceae
11
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
mejorando con las otras herramientas de corte
como se muestra en la Tabla 4.
La matriz de confusión de la Fig. 6 muestra
la similitud que hay entre dos especies de dife-
rentes familias al ser entrenadas con tres bases
de datos diferentes y que los tres muestran con-
fusión entre las especies de Calophyllum brasi-
liense y Terminalia oblonga como se muestra en
la Tabla 5, es decir, 28 imágenes de la especie
Calophyllum brasiliense de fueron clasificadas
correctamente y los otros 22 fueron clasificadas
erróneamente y confundidas con las especie
de Terminalia oblonga al realiza el entrena-
miento con la base de datos preparada con la
herramienta de corte Cuchillo Tramontina que
mostró solo el 55.56 % de precisión.
La diferencia en la precisión del análisis de
imágenes macroscópicas obtenidas con las tres
herramientas de corte es de solo 0.6 % como
se visualiza en la Tabla 6, este resultado indica
semejanzas en la calidad de corte de las mues-
tras. El F1-Score es el parámetro principal y
representa la media armónica entre la precisión
y el Recall incorporando en una sola métrica
los falsos positivos (precisión) y los negativos
(Recall) (Berzal, 2018). El mejor resultado de
F1-Score se logró al entrenar las imágenes
obtenidas con el cúter retráctil Pretul con 88.8
% y la diferencia entre Recall y precisión es de
tan solo 1.6 % en comparación con los valores
de 3.7 y 5.8 % para el cuchillo Tramontina y la
cuchilla Ubermann.
Tabl a 4
Porcentaje de clasificación de imágenes con herramientas de corte distintos para dos especies de Cedrela sp. con el modelo
de red neuronal convolucional “EfficientNet B0”. Table 4. Percentage of classification of images with different cutting tools
for two species of Cedrela sp. with the convolutional neural network model “EfficientNet B0”
Herramientas de corte
Especies donde el modelo se confunde al clasificar
Cedrela angustifolia Cedrela odorata
Clasifica correctamente (%) Clasifica erróneamente (%)
1. Cuchillo Tramontina 50 27.78
2. Cúter Retráctil Pretul 63.63 36.36
3. Cuchilla Ubermann 72.22 27.77
Tabl a 5
Porcentaje de clasificación de imágenes con herramientas de corte para dos especies con el modelo “EfficientNet B0” / Table
5. Percentage of image classification with cutting tools for two species with the “EfficientNet B0” model.
Herramientas de corte
Especies donde el modelo se confunde al clasificar
Calophyllum brasiliense Terminalia oblonga
Clasifica correctamente (%) Clasifica erróneamente (%)
1. Cuchillo Tramontina 55.56 33.33
2. Cúter Retráctil Pretul 78.57 7.14
3. Cuchilla Ubermann 63.63 36.36
Tabl a 6
Resultados de entrenamiento de los dos modelos CNN con las herramientas de corte. / Table 6. Training results of the two
CNN models with the cutting tools
Herramientas
de corte
Modelos CNN
N° de
imágenes
EfficientNet B0 Custom Vision
F1-Score
(%)
Recall
(%)
Precisión
(%)
F1-Score
(%)
Recall
(%)
Precisión
(%)
1. Cuchilla Tramontina 86.5 86.8 90.5 100 100 100 1 250
2. Cúter retráctil Pretul 88.8 89.5 91.1 100 100 100 1 250
3. Cuchillo Ubermann 85.4 85.9 91.7 100 100 100 1 250
12 Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
La Fig. 7 muestra gráficamente la variación
de los parámetros de medición que se indicaron
en la Tabla 6, se puede ver que la precisión es
el valor con mayor porcentaje superando con-
siderablemente a los parámetros de F1-Score
y Recall, con las herramientas de cuchillo Tra-
montina y cuchilla Ubermann. Sin embargo,
el estile retráctil Pretul no muestra demasiada
amplitud entre los tres parámetros.
DISCUSIÓN
Las redes neuronales convolucionales
(CNN) realizan la etapa de extracción de carac-
terísticas de manera automática después de
haber obtenido la base de imágenes macroscó-
picas como se muestra en la Tabla 1 y continua
con la clasificación de especies. Anteriormente,
diversos autores (Filho et al., 2014; Khalid
et al., 2008; Kwon et al., 2017) consideraban
la extracción de características de la made-
ra como paso adicional y manual en el uso
de métodos tradicionales, como SVM (Suport
Vector Machine) (Gu et al., 2010), RF (Ran-
dom Forest) (Breiman, 2001; Gonçalves et al.,
2022) o LDA (Linear Discriminant Analysis)
(Lens et al., 2020).
Las herramientas de corte son indispensa-
bles para la implementación de base de datos
con imágenes macroscópicas de maderas. En
condiciones de laboratorio, el cúter retrác-
til Pretul facilitó la obtención de imágenes
macroscópicas con una mayor claridad de los
elementos anatómicos. Sin embargo, no todas
tienen la misma eficiencia en campo, en el caso
del cuchillo Tramontina se pudo observar la
necesidad de estar afilando constantemente
para renovar el filo y disponer de una piedra
de afilar siempre, el cúter retráctil Pretul al ser
liviano y tener una envoltura hecha de un mate-
rial duro de plástico ABS no es recomendable
en maderas duras porque se gasta rápido la
envoltura del material. Sin embargo, la cuchilla
Ubermann resulto ser la más adecuada para
usar en campo por tener láminas reemplaza-
bles en caso de perder filo y la envoltura de la
herramienta es de acero lo cual no se desgasta
al realizar cortes en maderas duras.
Al igual que la familia Meliaceae, existen
varias especies que conforman una sola familia
como Lauraceae, son complejas de identificar
mediante la taxonomía botánica y aún más con
la anatomía de la madera. Para ello, el modelo
“Custom Vision” de Microsoft Azure tiene la
facilidad de cargar imágenes y al culminar el
entrenamiento la plataforma te permite realizar
test de prueba, que consiste en cargar solo una
imagen y clasificará de acuerdo con la similitud
Fig. 7. Métricas de precisión del modelo EfficientNet B0. / Fig. 7. Accuracy metrics of the EfficientNet B0 model.
13
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
de características encontradas dentro de la base
de datos. En la prueba se encontró que la preci-
sión del 100 % disminuye a 89.8 % con la espe-
cie Cedrela angustifolia confundiéndose con
Cedrela odorata en un 9.8 % como se observa
en la Fig. 8A; Brosimum alicastrum disminuye
a 53.2 % de probabilidad de reconocimiento
confundiéndose en un 43.7 % con Terminalia
oblonga presente en la Fig. 8B.
La calidad de las imágenes es importante
para una mayor precisión en la clasificación,
la especie Ficus insípida presenta 99.7 % de
reconocimiento con una buena calidad de ima-
gen añadiendo características anatómicas pecu-
liares como las bandas de parénquima axial
(Ferreira & Inga, 2022) como se visualiza en la
Fig. 8C, mientras que la misma especie con una
imagen que no presenta un buen corte, solo
alcanzó 36.8 % de precisión Fig. 8D.
Las ventajas del modelo EfficientNet B0 es
el acceso al código de programación y dentro
de ello se pueden hacer los cambios necesarios
Fig. 8. Prueba rápida de A. Cedrela angustifolia. B. Brosimum alicastrum. C. Imagen de Ficus insipida de buena calidad. D.
Imagen de Ficus insipida de baja calidad. / Fig. 8. Rapid test for A. Cedrela angustifolia. B. Brosimum alicastrum. C. Good
quality image of Ficus insipida. D. Low-quality image of Ficus insipida.
14 Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
como aumento de datos, acceder a la base
de datos de imágenes, cambiar el número de
recorridos o epochs del modelo, seleccionar
las imágenes de entrenamiento y validación,
entre otros, los resultados del entrenamiento
se pueden visualizar en la matriz de confusión
de la Fig. 5. Mientras que el modelo Custom
Vision de Microsoft Azure solo requiere cargar
las imágenes en la plataforma y comenzar con
el entrenamiento durante el tiempo que uno
desee, desde 1 h hasta 96 h máxima, sin embar-
go, el costo de entrenamiento por hora es de
$10 USD y los resultados de entrenamiento con
tiempo mayor a 1 h es de 100 % de precisión.
La ventaja principal es el interfaz amigable para
entrenar imágenes sin tener conocimiento de
programación o redes neuronales, la opción
Quick Test del modelo Custom Vision permite
subir una imagen y comprobar en tiempo real
si reconoce o no la imagen, como se muestra
en la Fig. 8.
La variedad de las imágenes es, sin duda, el
factor principal para optimizar el rendimiento
de cualquier modelo CNN, la calidad de la ima-
gen en la Fig. 8D no es muy buena y por ende
su rendimiento es menor, esto debido a que el
modelo se entrenó con imágenes de alta cali-
dad, frente a ellos es imprescindible entrenar
modelos CNN con imágenes de alta y baja cali-
dad para tener variabilidad en la base de datos.
Sin embargo, la calidad de los cortes no es el
único factor que podría generar variabilidad en
la base de datos, también se debe mencionar a
las muestras de madera frescas (muestras que
han sido recién extraídas y máximo al quinto
día se obtiene las imágenes) como se muestran
en la Fig. 9A y Fig. 9B. Las muestras secas
(pasaron el proceso de secado al aire libre sin
presencia de lluvias) (Fig. 9C) y las muestras
húmedas (estuvieron expuestos al sol y la llu-
via) (Fig. 9D). Una sola especie puede presentar
variedad en su estructura anatómica macroscó-
pica y también en sus características generales
como color, distribución de poros, entre otros,
según el ambiente en que se encuentra, esto
se realizó con la finalidad de generar mayor
variabilidad en las imágenes que constituyen la
base de datos y observar el comportamiento del
modelo al realizar pruebas con estas imágenes.
Declaración de ética: los autores declaran
que todos están de acuerdo con esta publica-
ción y que han hecho aportes que justifican
su autoría; que no hay conflicto de interés de
ningún tipo; y que han cumplido con todos
los requisitos y procedimientos éticos y legales
pertinentes. Todas las fuentes de financiamien-
to se detallan plena y claramente en la sección
de agradecimientos. El respectivo documento
legal firmado se encuentra en los archivos de
la revista.
AGRADECIMIENTOS
Agradecemos al proyecto “MaderApp: Un
aplicativo móvil para el reconocimiento auto-
mático y en tiempo real de especies maderables
comerciales para combatir la tala ilegal en Selva
Central, Perú” financiado por el Proyecto Con-
cytec-Banco Mundial “Mejoramiento y amplia-
ción de los Servicios del Sistema Nacional de
Ciencia y Tecnología e Innovación Tecnológi-
ca” 8682-PE, a través de su unidad ejecutora
ProCiencia con Contrato N° 043-2019. Un
agradecimiento especial a todo el equipo del
proyecto por su apoyo en campo y laboratorio.
Fig. 9. Imagen macroscópica de Schizolobium parayba. A.-B. Madera fresca. C. Madera seca. D. Madera húmeda. / Fig. 9.
Macroscopic image of Schizolobium parayba. A.-B. Cool wood. C. Dry wood. D. Damp wood.
15
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
REFERENCIAS
Aguilar-Alvarado, J. V., & Campoverde-Molina, M. A.
(2019). Classification of fruits based on convolutional
neural networks. Polo de Conocimiento, 5(1), 3–22.
https://doi.org/10.23857/pc.v5i01.1210
Apolinario-Lainez, M. P. E., Huamán-Bustamante, S. G., &
Orellana, G. C. (2018). Deep learning applied to iden-
tification of commercial timber species from Peru.
2018 IEEE XXV International Conference on Electro-
nics, Electrical Engineering and Computing, 2018, 1–4.
https://doi.org/10.1109/INTERCON.2018.8526457
Apolinario, M. P. E., Urcia, D. A., & Huaman, S. G.
(2019). Open set recognition of timber species using
deep learning for embedded systems. IEEE Latin
America Transactions, 17(12), 2005–2012. https://doi.
org/10.1109/TLA.2019.9011545
Backes, A., & Sá Junior, J. J. de M. (2016). Introdução à visão
computacional usando MATLAB. Alta Books Editora.
Berzal, F. (2018). Redes neuronales & deep learning. Publi-
cación independiente. https://deep-learning.ikor.org/
book
Breiman, L. (2001). Random forests. Machine Learning,
45(2), 5–32. https://doi.org/10.1023/A:1010950718922
de Andrade, B. G., Basso, V. M., & de Figueiredo-Latorraca,
J. V. (2020). Machine vision for field-level wood iden-
tification. IAWA Journal, 41(4), 681–698. https://doi.
org/10.1163/22941932-bja10001
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Arti-
ficial intelligence for decision making in the era of
Big Data–evolution, challenges and research agen-
da. International Journal of Information Manage-
ment, 48(2019), 63–71. https://doi.org/10.1016/j.
ijinfomgt.2019.01.021
Fabijańska, A., Danek, M., & Barniak, J. (2021). Wood spe-
cies automatic identification from wood core images
with a residual convolutional neural network. Compu-
ters and Electronics in Agriculture, 181(2021), 105941.
https://doi.org/10.1016/j.compag.2020.105941
Ferreira, C. A., Inga, J. G., Vidal, O. D., Goytendia, W. E.,
Moya, S. M., Centeno, T. B., Vélez, A., Gamarra, D.,
& Tomazello-Filho, M. (2021). Identification of tree
species from the Peruvian tropical amazon “Selva
Central” forests according to wood anatomy. BioRe-
sources, 16(4), 7161–7179. https://doi.org/10.15376/
biores.16.4.7161-7179
Ferreira, C., & Inga, G. (2022). Guía de anatomía e identifi-
cación de 50 especies maderables comerciales en Selva
Central, Perú. Universidad Continental.
Filho, P. L., Oliveira, L. S., Britto, A. S., & Sabourin, R.
(2010). Forest species recognition using color-based
features. 20th Proceedings-International Conference
on Pattern Recognition, 2010, 4178–4181. https://doi.
org/10.1109/ICPR.2010.1015
Filho, P. L. P., Oliveira, L. S., Nisgoski, S., & Britto, A. S.
(2014). Forest species recognition using macroscopic
images. Machine Vision and Applications, 25(4), 1019–
1031. https://doi.org/10.1007/s00138-014-0592-7
Gonçalves, Y. L. M., Siqueira, E. S., Ferreira, C. A., Teixeira,
M. da S., Correa, P. da V., & Urbinati, C. V. (2022).
Aplicação de algoritmos de Random Forest no supor-
te à identificação das espécies Handroanthus serratifo-
lius (Vahl) S. O. Grose e Handroanthus impetiginosus
(Mart. Ex DC.) Mattos (Bignoniaceae). Brazilian Jour-
nal of Development, 8(5), 39721–39735. https://doi.
org/10.34117/bjdv8n5-457
Gu, I. Y. H., Andersson, H., & Vicen, R. (2010). Wood defect
classification based on image analysis and support
vector machines. Wood Science and Technology, 44(4),
693–704. https://doi.org/10.1007/s00226-009-0287-9
Hafemann, L. G., Oliveira, L. S., & Cavalin, P. (2014).
Forest species recognition using deep convolutional
neural networks. 22nd International Conference on
Pattern Recognition, 2014, 1103–1107. https://doi.
org/10.1109/ICPR.2014.199
Hanssen, F., Wischnewski, N., Moreth, U., & Magel,
E. (2011). Molecular Identification of Fitzroya
cupressoides, Sequoia sempervirens, and Thuja pli-
cata Wood Using Taxon-Specific RDNA-ITS Pri-
mers. IAWA Journal, 32(2), 273–284. https://doi.
org/10.1163/22941932-90000057
Ibrahim, I., Khairuddin, A. S. M., Abu-Talip, M. S., Arof,
H., & Yusof, R. (2017). Tree species recognition
system based on macroscopic image analysis. Wood
Science and Technology, 51(2), 431–444. https://doi.
org/10.1007/s00226-016-0859-4
Khalid, M., Lew, E., Lee, Y. I., Yusof, R., & Nadaraj, M.
(2008). Design of an intelligent wood species recog-
nition system. International Journal of Simulation:
Systems, Science & Technology, 9(3), 9–19.
Koch, G., & Haag, V. (2015). Control of internationally
traded timber-the role of macroscopic and micros-
copic wood identification against illegal logging.
Journal of Forensic Research, 6(6), 1000317. https://
doi.org/10.4172/2157-7145.1000317
Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). Ima-
genet classification with deep convolutional neural
networks. Communication of the ACM, 60(6), 84–90.
https://doi.org/10.1145/3065386
Kwon, O., Lee, H. G., Lee, M. R., Jang, S., Yang, S. Y., Park,
S. Y., Choi, I. G., & Yeo, H. (2017). Automatic wood
species identification of Korean softwood based on
convolutional neural networks. Journal of the Korean
Wood Science and Technology, 45(6), 797–808. https://
doi.org/10.5658/WOOD.2017.45.6.797
16 Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning.
Nature, 521(7553), 436–444. https://doi.org/10.1038/
nature14539
Lens, F., Liang, C., Guo, Y., Tang, X., Jahanbanifard,
M., da Silva, F. S. C., Ceccantini, G., & Verbeek, F.
J. (2020). Computer-assisted timber identification
based on features extracted from microscopic wood
sections. IAWA Journal, 41(4), 660–680. https://doi.
org/10.1163/22941932-bja10029
Livingston, S., & Risse, M. (2019). The future impact of arti-
ficial intelligence on humans and human rights. Ethics
and International Affairs, 33(2), 141–158. https://doi.
org/10.1017/S089267941900011X
Mata-Montero, E., Figueroa-Mata, G., Arias-Aguilar, D.,
Valverde-Otárola, J. C., Zamora-Villalobos, N., Pania-
gua-Bastos, J. C., & López-Aragón, S. (2020). Identi-
ficación automática de especies forestales maderables
amenazadas de Costa Rica, mediante técnicas de visión
artificial. TEC. https://hdl.handle.net/2238/13276
Morgenstern, L., & Mcilraith, S. (2011). John McCarthy’s
legacy. Artificial Intelligence, 175(1), 1–24. https://doi.
org/10.1016/j.artint.2010.11.003
Nouretdinov, I., Devetyarov, D., Vovk, V., Burford, B.,
Camuzeaux, S., Gentry-Maharaj, A., Tiss, A., Smith,
C., Luo, Z., Chervonenkis, A., Hallett, R., Waterfield,
M., Cramer, R., Timms, J. F., Jacobs, I., Menon, U.,
& Gammerman, A. (2015). Multiprobabilistic pre-
diction in early medical diagnoses. Annals of Mathe-
matics and Artificial Intelligence, 74(1-2), 203–222.
https://doi.org/10.1007/s10472-013-9367-5
Porcelli, A., & Martínez, A. (2020). Más allá de la ciencia
ficción: la inteligencia artificial un aliado contra el
COVID 19. Diario DPI, 57, 1–4.
Portugal, I., Alencar, P., & Cowan, D. (2015). The use
of machine learning algorithms in recommender
systems: a systematic review. Expert Systems with
Applications, 97, 205–227. https://doi.org/10.1016/j.
eswa.2017.12.020
Rajagopal, H., Khairuddin, A. S. M., Mokhtar, N., Ahmad,
A., & Yusof, R. (2019). Application of image quality
assessment module to motion-blurred wood ima-
ges for wood species identification system. Wood
Science and Technology, 53(4), 967–981. https://doi.
org/10.1007/s00226-019-01110-2
Ravindran, P., Costa, A., Soares, R., & Wiedenhoeft, A. C.
(2018). Classification of CITES-listed and other neo-
tropical Meliaceae wood images using convolutional
neural networks. Plant Methods, 14(1), 14–25. https://
doi.org/10.1186/s13007-018-0292-9
Ravindran, P., Ebanyenle, E., Ebeheakey, A., Abban, K.,
Lambog, O., Soares, R., Costa, A., & Wiedenhoeft,
A. (2019). Image based identification of ghanaian
timbers using the XyloTron: opportunities, risks and
challenges. 33rd Conference on Neural Information
Processing Systems, 2019, 1–10.
Ravindran, P., Thompson, B. J., Soares, R. K., & Wiedenho-
eft, A. C. (2020). The XyloTron: flexible, open-source,
image-based macroscopic field identification of wood
products. Frontiers in Plant Science, 11, 1015. https://
doi.org/10.3389/fpls.2020.01015
Richter, H. G., & Dallwitz, M. J. (2019). Commercial timbers:
descriptions, illustrations, identification, and informa-
tion retrieval. https://Www.Delta-Intkey.Com/Wood/
Es/Www/Mimcecat.Htm.
da Silva, R. N., De Ridder, M., Baetens, J. M., Van den
Bulcke, J., Rousseau, M., Martinez, O., Beeckman,
H., Van Acker, J., & De Baets, B. (2017). Automated
classification of wood transverse cross-section micro-
imagery from 77 commercial Central-African timber
species. Annals of Forest Science, 74(2), 30. https://doi.
org/10.1007/s13595-017-0619-0
Siew, K. F., Tang, X. J., & Tay, Y. H. (2017). Improved convo-
lutional networks in forest species identification task.
Second International Workshop on Pattern Recognition,
10443, 104430C. https://doi.org/10.1117/12.2280616
Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai,
M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D.,
Graepel, T., Lillicrap, T., Simonyan, K., & Hassabis,
D. (2018). A general reinforcement learning algo-
rithm that masters chess, shogi, and Go through
self-play. Science, 362(6419), 1140–1144. https://doi.
org/10.1126/science.aar6404
Simić, S., Banković, Z., Simić, D., & Simić, S. D.
(2018). A hybrid clustering approach for diag-
nosing medical diseases. Hybrid Artificial Intelli-
gent Systems, 10870(2018), 741–752. https://doi.
org/10.1007/978-3-319-92639-1_62
Tang, X. J., Tay, Y. H., Siam, N. A., & Lim, S. C. (2018).
MyWood-ID: Automated macroscopic wood iden-
tification system using smartphone and macro-lens.
ACM International Conference Proceeding Series, 2018,
37–43. https://doi.org/10.1145/3293475.3293493
Turing, A. M. (1936). On computable numbers, with an
application to the entscheidungs problem. Proceedings
of the London Mathematical Society, 42(1), 230–265.
Vinyals, O., Babuschkin, I., Czarnecki, W. M., Mathieu,
M., Dudzik, A., Chung, J., Choi, D. H., Powell, R.,
Ewalds, T., Georgiev, P., Oh, J., Horgan, D., Kroiss, M.,
Danihelka, I., Huang, A., Sifre, L., Cai, T., Agapiou, J.
P., Jaderberg, M., … Silver, D. (2019). Grandmaster
level in StarCraft II using multi-agent reinforcement
learning. Nature, 575(7782), 350–354. https://doi.
org/10.1038/s41586-019-1724-z
Yadav, A. R., Dewal, M. L., Anand, R. S., & Gupta, S. (2013).
Classification of hardwood species using ANN classi-
fier. 2013 Fourth National Conference on Computer
Vision, Pattern Recognition, Image Processing and
17
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51310, enero-diciembre 2023 (Publicado Ago. 24, 2023)
Graphics (NCVPRIPG), Jodhpur, India. https://doi.
org/10.1109/NCVPRIPG.2013.6776231
Yang, J., Huang, P., Dai, F., Sun, Y., Wang, L., & Bi,
H. (2019). Application of Deep Learning in Wood
Classification. 2019 IEEE International Conference
on Computer Science and Educational Informatiza-
tion (CSEI), 2019, 124–129. https://doi.org/10.1109/
CSEI47661.2019.8938960
Ye, J. (2015). Improved cosine similarity measures of sim-
plified neutrosophic sets for medical diagnoses. Arti-
ficial Intelligence in Medicine, 63(3), 171–179. https://
doi.org/10.1016/j.artmed.2014.12.007
