RESUMENEl presente estudio tuvo por objetivo identifi car el cilindro nudoso en imágenes de tomografía computarizada (TC) de trozas podadas de Pinus radiata, utilizando un algoritmo de clasifi cación supervisada. El proceso de clasifi cación fue necesario para identifi car y separar el cilindro nudoso de la zona libre de defectos y nudos. Diez trozas podadas de Pinus radiata fueron escaneadas en un escáner médico de rayos X, multi-slice, de marca Philips, donde las imágenes TC resultantes fueron obtenidas cada 5 mm. Un total de 270 imágenes TC fueron clasifi cadas con el clasifi cador de máxima verosimilitud, y los mapas temáticos resultantes, fueron fi ltrados con un fi ltro median de 7 x 7. Luego, 90 mapas temáticos fueron seleccionados y utilizados para evaluar la precisión del proceso de clasifi cación. Para ello, la matriz de confusión e índice kappa fueron obtenidas utilizando una muestra de 70 pixeles seleccionados aleatoriamente de cada mapa temático. Un valor de precisión de 98,5 % fue obtenido para la identifi cación del cilindro nudoso y de 92,5 % para la precisión global de la clasifi cación. El valor Kappa fue de 0,730, lo cual indica que existe un fuerte grado de conformidad entre los datos de referencia y el procedimiento de clasifi cación. Estos resultados sugieren que es factible aplicar el procedimiento de clasifi cación para identifi car las características internas de trozas podadas de Pinus radiata. Palabras claves: Cilindro nudoso, rayos X, máxima verosimilitud, matriz de confusión, Pinus radiata ABSTRACTThis study aims to identify the defective core on computed tomography images (CT) of pruned radiata pine logs, using an algorithm of supervised classifi cation. The classifi cation process was required to identify and separate the defective core from the free defect part and knots. Ten pruned radiata pine logs were scanned into a medical X-ray multi-slice Philips scanner and the resulting CT images at 5 mm. were obtained. A total amount of 270 CT images were classifi ed under with the maximum likelihood classifi er and the resulting thematic maps were fi ltered with a median fi lter of 7 x 7. Then, 90 thematic maps were selected and used to assess the accuracy of the classifi cation process. To accomplish this, the Confusion Matrix and Kappa statistic were obtained using a sample consisting of 70 randomly selected pixels of each thematic map. An accuracy value of 98.5% was obtained for the

RESUMENEl objetivo de este estudio fue comparar la precisión de los algoritmos de máxima verosimilitud (MV) y otro basado en redes neuronales arti ciales (RNA), en la identi cación del cilindro nudoso a partir de imágenes TC (Tomografía Computarizada) de trozas podadas de pino radiata (Pinus radiata D.Don). Para este n, treinta trozas podadas fueron seleccionadas y luego escaneadas en un escáner médico multi-slice de rayos X (Tomografía Computarizada). Del total de imágenes TC obtenidas del escáner, 270 fueron seleccionadas para este estudio. Estas imágenes TC fueron clasi cadas utilizando ambos algoritmos y los mapas temáticos obtenidos de este proceso, fueron posteriormente ltrados utilizando un ltro median de 7 x 7. Los resultados de la evaluación cuantitativa indicaron que el cilindro nudoso puede ser identi cado con una precisión de 98.5 % y 96.3 % utilizando el clasi cador MV y RNA, respectivamente. Aunque ambos algoritmos presentaron elevados valores de precisión para identi car el cilindro nudoso, el análisis estadístico de estos resultados arrojo diferencias signi cativas entre ambos valores de precisión; por lo tanto se concluye que el algoritmo de máxima verosimilitud presenta un mejor desempeño que el algoritmo basado en redes neuronales arti ciales, en la identi cación del cilindro nudoso en imágenes TC de trozas de pino radiata (Pinus radiata D.Don).Palabras claves: Cilindro nudoso, tomografía computarizada (TC), pino radiata, máxima verosimilitud, redes neuronales arti ciales ABSTRACT e aim of this study was to compare the accuracy of both the maximum likelihood classi er (ML) algorithm and another one based on an arti cial neural networks classi er (ANN) algorithm for knotty core identi cation in CT images of pruned radiata pine (Pinus radiata D. Don) logs. For this purpose, thirty pruned radiata pine logs were chosen and then scanned in an X-ray multi-slice medical scanner (Computed Tomography (CT)). From the total CT images obtained, a sample of 270 CT images was selected for this study. is CT images were classi ed using both methods and the thematic map obtained a erwards, were ltered by a 7 x 7 median lter. Quantitative assessment results showed that knotty core can be identi ed with 98.5 % and 96.3 % accuracy by using the ML and ANN classi ers respectively. Although both algorithms showed a high capacity level to detect knotty core statistical analysis showed signi cant di erences among those accuracy values; this is an indication that the maximum likelihood classi er algorithm shows a better performance compared Ciencia y tecnología, 14(1): [65][66][67][68][69][70][71][72][73][74][75][76][77] 2012 Maderas.