Eine vergleichende Literaturübersicht über maschinelles Lernen und Bildverarbeitungstechniken, die für die Skalierung und Bewertung von Holzstämmen verwendet werden

Diese Literaturübersicht bewertet die Wirksamkeit von Bildverarbeitungstechniken und Modellen des maschinellen Lernens in der Computer Vision für die Bewertung und Skalierung von Holzstämmen. Vier Suchanfragen wurden in vier wissenschaftlichen Datenbanken durchgeführt, was insgesamt 1288 Ergebnisse ergab, die auf 33 relevante Studien eingegrenzt wurden. Die Studien wurden entsprechend ihren Zielen kategorisiert, einschließlich der Bewertung von Stammenden, der Bewertung von Stammsseiten, der individuellen Skalierung von Stämmen, der Skalierung von Stammhaufen und der Segmentierung von Stämmen. Die Studien wurden anhand der verwendeten Eingabedaten, der Modellwahl, der Modellleistung und des Autonomieniveaus verglichen. Diese Übersicht ergab eine Bevorzugung von Bildern gegenüber Punktwolkenrepräsentationen für Stämme und eine Zunahme der Kameranutzung gegenüber Laserscannern. Es wurden drei Hauptmodelltypen identifiziert: klassische Algorithmen der Bildverarbeitung, Deep-Learning-Modelle und andere Modelle des maschinellen Lernens. Der Vergleich der Leistung zwischen den Studien erwies sich jedoch als herausfordernd aufgrund unterschiedlicher Ziele und Metriken. Deep-Learning-Modelle zeigten eine bessere Leistung in den Zielkategorien der Skalierung von Stammhaufen und der Segmentierung von Stämmen. Es stellte sich heraus, dass Kameras im Laufe der Zeit im Vergleich zu Laserscannern beliebter wurden, möglicherweise weil Stereovisionskameras Laserscanner für die Probenahme von Punktwolken-Datensätzen ersetzt haben. Klassische Algorithmen der Bildverarbeitung wurden durchgehend verwendet, Deep-Learning-Modelle gewannen 2018 an Bedeutung, und andere Modelle des maschinellen Lernens wurden in Studien veröffentlicht, die zwischen 2010 und 2018 veröffentlicht wurden.