Una parte importante del coste de las explotaciones forestales madereras se deriva del método de cubicación empleado. Como alternativa a la cubicación manual de madera apilada se han desarrollado nuevas tecnologías más eficientes que, sin embargo, resultan demasiado costosas. Por ello, han surgido técnicas basadas en sensores ópticos de bajo coste que aplican algoritmos de visión artificial e inteligencia artificial para obtener estimaciones del volumen de madera. En esta investigación, hemos desarrollado y validado un sistema automatizado de cubicación de madera de Eucalyptus nitens H. Deane & Maiden apilada sobre camiones usando imágenes tomadas con drones y técnicas de fotogrametría multivista (SfM) y de reconstrucción 3D. Además, hemos aplicado una red neuronal convolucional (CNN), denominada KPConv, para diferenciar el cargamento de madera de la estructura del camión a partir de nubes de puntos densas obtenidas mediante SfM. Los resultados preliminares de este estudio muestran que más del 83 % de la varianza del volumen sólido puede explicarse a partir del volumen bruto estimado por nuestro método.

Palabras clave: Automatización de procesos, fotogrametría, reconstrucción 3D, drones, planificación de operaciones, redes neuronales convolucionales, aprendizaje profundo.

INTRODUCCIÓN

La cubicación de pilas de madera se ha realizado tradicionalmente mediante técnicas ineficientes y costosas (JANÁK, 2005; 2007; KNYAZ & MAKSIMOV, 2014), lo que ha llevado al desarrollo de métodos sustitutivos basados en visión artificial. En este sentido, automatizar la cubicación de madera apilada durante el proceso de transporte resulta de gran interés,  ya que permite minimizar el tiempo invertido en la medición de las pilas de madera sin interrumpir su traslado. Prueba de ello es el desarrollo de numerosos productos comerciales que permiten estimar el volumen sólido de madera acarreado por camiones de carga (MABEMA, 2020; P3D, 2020; WOODTECH, 2020; CIND AB, 2021). De entre estos métodos de medición, aquellos que emplean sensores láser son los que han alcanzado un mayor grado de madurez (Acuna y Sosa, 2019). Estos se basan en el escaneo de la carga del camión mientras atraviesa un pórtico en el que se sitúan una serie de sensores láser, lo que da lugar a una nube de puntos densa, donde cada punto posee unas coordenadas X, Y y Z definidas. A partir de esta nube se estima el volumen bruto del cargamento, además de ciertas métricas de las trozas periféricas, lo que permite ajustar un modelo de regresión y estimar el volumen sólido de madera (NYLINDER et al., 2008).