Automatische Erkennung und Messung von Harzkanälen anhand von Holzkernbildern mithilfe von Faltungs-Neuronalen Netzen

Aug 22, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 7106 (2023) Diesen Artikel zitieren

527 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die Struktur und Eigenschaften von Harzkanälen liefern wertvolle Informationen über die Umweltbedingungen, die das Wachstum von Bäumen der Gattung Pinus begleiten. Daher ist die Analyse der Eigenschaften von Harzkanälen eine zunehmend verbreitete Messung in der Dendrochronologie. Die Messung ist jedoch mühsam und zeitaufwändig, da Tausende von Kanälen manuell in einem Bild einer vergrößerten Holzoberfläche markiert werden müssen. Obwohl es Tools gibt, um einige Phasen dieses Prozesses zu automatisieren, gibt es kein Tool, um die Harzkanäle automatisch zu erkennen, zu analysieren und sie mit den Baumringen, zu denen sie gehören, zu standardisieren. Diese Studie schlägt eine neue vollautomatische Pipeline vor, die die Eigenschaften von Harzkanälen anhand der Baumringfläche, zu der sie gehören, quantifiziert. Ein Faltungs-Neuronales Netzwerk liegt der Pipeline zugrunde, um Harzkanäle und Baumringgrenzen zu erkennen. Außerdem wird ein Regionszusammenführungsverfahren verwendet, um verbundene Komponenten zu identifizieren, die aufeinanderfolgenden Ringen entsprechen. Entsprechende Kanäle und Ringe werden dann miteinander in Beziehung gesetzt. Die Pipeline wurde an 74 Holzbildern getestet, die fünf Pinus-Arten repräsentieren. Über 8.000 Jahrringgrenzen und fast 25.000 Harzkanäle wurden analysiert. Die vorgeschlagene Methode erkennt Harzkanäle mit einer Empfindlichkeit von 0,85 und einer Genauigkeit von 0,76. Die entsprechenden Werte für die Erkennung von Baumringgrenzen liegen bei 0,92 bzw. 0,99.

Harzkanäle oder -kanäle sind ein Merkmal von Bäumen der Gattung Pinus (und anderer Gattungen wie Larix, Picea, Psuedotsuga und Shorea). Ihre Struktur und Eigenschaften liefern wertvolle Informationen über die Umweltbedingungen in den entsprechenden Jahren des Baumwachstums. Beispielsweise wurde gezeigt, dass Harzkanäle bei einigen Pinus-Arten in den USA mit der Sterblichkeit durch Käfer und Dürre korrelieren1,2. Außerdem beeinflussen lokale klimatische Anpassungen die Kanaleigenschaften und die Fähigkeit, chemische und physikalische Abwehrkräfte durch Oleoresin bereitzustellen3.

Obwohl die Analyse der Harzkanäle eine zunehmend verbreitete Messung in der Dendrochronologie ist, ist es schwierig, diese potenzielle Quelle wertvoller Informationen zu erhalten. Der Grund dafür ist, dass kein Tool die Harzkanäle automatisch erkennt und ihre Eigenschaften in Bezug auf die Baumringe, zu denen sie gehören, analysiert. Um zuverlässige Messungen zu erhalten, müssen Tausende von Kanälen manuell in einem Bild einer vergrößerten Holzoberfläche markiert werden. Zeitreihen von Harzkanalmessungen sind mit manuellen Methoden mühsam und zeitaufwändig aufzuzeichnen4. Die Messergebnisse können je nach Fähigkeiten und Wahrnehmung des Bedieners variieren.

Nach unserem besten Wissen gibt es keine Methode, die Harzkanäle in Holzbildern automatisch erkennt, misst und eine Zeitreihe ausgibt. Dennoch wurden bereits Versuche vorgeschlagen, einige Teile der Erkennung und Analyse von Harzkanälen zu automatisieren. Hierbei handelt es sich hauptsächlich um halbautomatische Tools in Makros, die mit ImageJ (oder einer anderen Software) gekoppelt sind und die Analyse der Harzkanaleigenschaften teilweise automatisieren. Diese Ansätze erfordern entweder eine manuelle Vorauswahl der Harzkanäle oder verwenden einfache Bildverarbeitungsmethoden zur Erkennung der Harzkanäle. Herkömmliche Bildverarbeitungsmethoden reichen jedoch oft nicht aus, um mögliche Harzkanäle und Baumringgrenzen zuverlässig zu erkennen. Die Variabilität im Erscheinungsbild dieser Strukturen, die von Faktoren wie Baumarten oder Umweltbedingungen abhängen kann, macht die Definition präziser Regeln für die Merkmalserkennung mithilfe von Schwellenwerten zu einer Herausforderung. Darüber hinaus können Störungen durch andere Holzbildmerkmale wie Rinde, Äste oder Holzfasern die Merkmalserkennung mithilfe klassischer Bildverarbeitungsalgorithmen weiter erschweren, was zu einer geringen Erkennungsgenauigkeit, Fehlerkennungen oder falsch positiven Ergebnissen führt.

Die früheste halbautomatische Methode zur Identifizierung von Harzkanälen und zur Quantifizierung ihrer Eigenschaften durch statistische Messungen auf Baumringbasis wurde von Chen et al.5 vorgeschlagen. Der Ansatz verwendet farbgescannte Bilder der Queroberfläche polierter Holzproben und berücksichtigt Farbbeschränkungen und formbasierte Filterung für die Auswahl des Harzkanals. Die gemeldete Erkennungsrate von Harzkanälen ist niedrig (68 %), sodass immer noch eine umfassende visuelle Inspektion und manuelle Korrektur falscher oder fehlender Harzkanäle erforderlich ist.

Der von Thomas und Collings6 vorgeschlagene Ansatz, der Harzkanäle anhand von Bildern zählt, die mit einem kommerziellen Filmscanner aufgenommen wurden, der für den Betrieb mit zirkular polarisiertem Licht modifiziert wurde, weist ähnliche Nachteile auf. Ihr Bildanalyseverfahren nutzt grundlegende Bildverarbeitung (dh Intensitätsschwellenwertbildung, gefolgt von morphologischer Verarbeitung), um mögliche Harzkanäle zu erkennen. Anschließend werden die Partikel anhand experimentell ausgewählter Schwellenwerte für Größe und Rundheit gezählt, um grundlegende Statistiken über Harzkanäle zu erhalten.

Die jüngste von Hood et al.7 beschriebene Studie quantifiziert vom Benutzer erkannte Harzkanäle über ein R-Skript, das drei nicht standardisierte und zwei standardisierte Harzkanalmetriken berechnet. Die Kanäle müssen manuell durch eine Ellipse in Größe und Form angenähert werden, die ein Bediener in der ImageJ-Software anpasst. Darüber hinaus empfehlen die Autoren die Verwendung von CooRecorder zur Messung der Ringbreiten, CDendro zur Erstellung von Ringbreiten-Chronologien und COFECHA zur Überprüfung der Genauigkeit der Kreuzdatierung. Ein solches Verfahren ermöglicht es zwar, die Statistiken der Harzkanäle den entsprechenden Baumringen zuzuordnen, ist jedoch umständlich, da es den Wechsel zwischen mehreren verschiedenen Softwaretypen und der Darstellung von Messdaten erfordert. Um die Zugabe von Harzkanälen weiter zu verbessern, wurde eine Standardisierung von Begriffen und Maßen über die Baumringeigenschaften vorgeschlagen4,8.

Parallel dazu wurde im letzten Jahrzehnt die Möglichkeit untersucht, andere Aufgaben im Zusammenhang mit Holztechnologie und Holzbildanalyse zu automatisieren. Insbesondere Deep Learning (DL) und Convolutional Neural Networks (CNN) haben in den letzten Jahren die Holztechnologie revolutioniert, indem sie außergewöhnliche Fähigkeiten für die Verarbeitung großer Datenmengen, die Identifizierung von Mustern und die Erstellung von Vorhersagen bieten9,10. Die CNN-Modelle wurden hauptsächlich darauf trainiert, Holzarten automatisch zu identifizieren11. Mit der Motivation, gefährdete Arten zu schützen, illegalen Holzeinschlag zu verhindern und die Authentizität von Holzprodukten sicherzustellen, wurden DL-Lösungen vorgeschlagen, um Holzarten anhand von Bildern von Holzoberflächen11,12,13,14,15,16,17 und stehenden Baumarten zu erkennen Erkennung anhand von 3D-Punktwolken von Bäumen, die durch Light Detection and Ranging (LiDAR) oder terrestrisches Laserscanning (TLS)18,19,20 und durch Nahinfrarotspektroskopie (NIR) basierende Baumartenidentifizierung21,22 erfasst wurden. Es wurden auch Faltungs-Neuronale Netze zur Verarbeitung von Fernerkundungs- und Luftbildern vorgeschlagen, um Waldbefall und Gesundheitszustand zu überwachen oder Brände zu erkennen23,24,25,26,27,28. Deep Learning hat auch Eingang in die automatische Qualitätskontrolle von Holz und in die zerstörungsfreie Prüftechnologie gefunden, wo Faltungs-Neuronale Netze vorgeschlagen wurden, um Defekte und Anomalien in Holzprodukten wie Holzknoten, toten Ästen, Rissen, Rissen oder Schädlingsschäden zu erkennen29,30,31, 32,33,34,35,36,37, Schadensvorhersage für Holzverbundwerkstoffe35, Rückverfolgung von Holzstämmen38 oder Kategorisierung der beschädigten Holzelemente39.

Trotz dieser Fortschritte ist der Einsatz von maschinellem Lernen und CNNs in dendrologischen Analysen begrenzt. Bestehende Arbeiten konzentrierten sich auf die Automatisierung der Tonhöhenerkennung40,41 und die Abgrenzung von Baumringgrenzen und -messungen, um den Arbeitsablauf in dendrochronologischen Studien zu verbessern42,43,44,45,46,47,48,49. Daher zielt dieser Artikel darauf ab, die Leistung von CNNs bei der Erkennung von Harzkanälen zu untersuchen. Konkret schlagen wir eine Methode vor und testen sie, die ein CNN-Modell verwendet, um die Erkennung von Harzkanälen in Scans von Baumringproben zu automatisieren und Messungen und Metriken als Zeitreihe auszugeben. Die Verwendung eines CNN zur Harzkanalerkennung bietet gegenüber herkömmlichen Bildverarbeitungsmethoden mehrere Vorteile, darunter das automatische Erlernen komplexer Merkmale, die gleichzeitige Erkennung mehrerer Merkmale und eine verbesserte Leistung bei schwierigen Bildgebungsbedingungen oder bei der Analyse von Holzproben mit unterschiedlichen Eigenschaften.

Die Beiträge dieses Papiers sind wie folgt:

Es wird die erste vollautomatische Methode zur Erkennung von Harzkanälen in Holzkernbildern vorgeschlagen. Die Methode basiert auf einem Faltungs-Neuronalen Netzwerk, das in einem patchbasierten Aufbau angewendet wird.

Es wird ein Ansatz zur Segmentierung von Baumringen vorgeschlagen, der ein neuronales Faltungsnetzwerk zur Erkennung von Baumringgrenzen, zur Transformation von Wassereinzugsgebieten und zur Zusammenführung von Regionen umfasst, um verbundene Komponenten zu identifizieren, die aufeinanderfolgenden Ringen entsprechen.

Die beiden oben genannten Methoden sind in eine Bildanalyse-Pipeline integriert, die die Eigenschaften von Harzkanälen im Hinblick auf den Baumring, zu dem sie gehören, quantifiziert. Dies erweitert frühere automatisierte Methoden, die nur Ringbreiten berücksichtigten, und ermöglicht die Standardisierung von Harzkanalmessungen, wie in Hood et al.4 und Vázquez-González et al.8 vorgeschlagen

In dieser Studie wurden die Holzkernbilder und die entsprechenden Bilddaten mit dem in Abb. 1 zusammengefassten Verfahren erfasst.

Arbeitsablauf zur Datenerfassung und -vorbereitung zum Training des Faltungs-Neuronalen Netzwerks.

Fünf Pinus-Arten wurden berücksichtigt, nämlich Pinus palustris Mill. (PIPA2 oder im Folgenden PIPA), Pinus virginiana Mill. (PIVI2 oder im Folgenden PIVI), Pinus rigida Mill. (PIRI), Pinus taeda L. (PITA), Pinus pungens Lamm. (PIPU5 oder im Folgenden PIPU). Insgesamt wurden 74 Kerne gesammelt. Um diese Proben zu erhalten, wurden 54 Bäume an Standorten im Bundesstaat Maryland und an einem Standort im Bundesstaat Virginia in den USA mit einem 5,15-mm-Inkrementbohrer entkernt. In einigen Fällen wurden mehrere Kerne aus demselben Baum gewonnen, während in anderen Fällen einzelne Kerne gewonnen wurden. Jeder Kern in dieser Studie wurde als einzelne separate Probe behandelt, da die interessierenden Holzmerkmale in jedem Kern einzigartig sind. Insbesondere wurden Holzproben ausgewählt, die sich in der Dichte und Breite der Baumringe, im Aussehen der Harzkanäle und in der Holzstruktur unterscheiden. Die Kerne wurden nach einem Standardverfahren hergestellt50. Konkret wurden Kernproben montiert und mit immer feinerem Schleifpapier der Körnung 120 bis 800 mithilfe eines Bandschleifers vorbereitet, um eine ebene Oberfläche zu erhalten. Der Schleifprozess verbesserte die Erkennbarkeit von Baumringgrenzen und Harzkanälen. Anschließend wurden die Kerne mit einem Flachbettscanner mit 2400 Punkten pro Zoll gescannt. Die räumliche Auflösung der Bilder reichte von 244 \(\times\) 6990 bis 410 \(\times\) 27666 Pixel.

Der Experte für Dendrochronologie hat die Baumringgrenzen und die Harzkanäle in jedem Holzkernbild manuell kommentiert. Eine Kombination aus einem Touchscreen-Monitor, einem Stift und einer Maus wurde verwendet, um Kreise und Linien über die Harzkanäle und Baumringgrenzen in den Scandateien zu zeichnen. Dieses Verfahren führte dazu, dass 8.024 Baumringgrenzen und 24.735 Harzkanäle identifiziert und von einem Experten kommentiert wurden. Ihre Verteilung auf die betrachteten Pinus-Arten ist in Tabelle 1 zusammengefasst. Außerdem wurde die Zeit erfasst, die ein Experte für die Kommentierung der Daten aufgewendet hat (siehe Abschnitt „Ergebnisse“).

Der Datensatz der von Experten kommentierten Bilder wurde anschließend in drei Falten unterteilt, wobei jede betrachtete Art mehr oder weniger gleich vertreten war. Diese Falten wurden für die dreifache Kreuzvalidierung der vorgeschlagenen Pipeline verwendet. Konkret wurden zwei Falten zum Trainieren eines Faltungs-Neuronalen Netzwerks (CNN) verwendet und eine Falte war für Tests reserviert. Dieser Vorgang wurde dreimal wiederholt, wobei bei jeder Wiederholung unterschiedliche Faltungen zum Trainieren und Testen vorgenommen wurden.

Die vorgeschlagene Methode zielt darauf ab, aus Bildern der Holzproben automatisch Messungen der Harzkanäle im Vergleich zu Baumringen zu erhalten. Es transformiert ein eingegebenes Holzkernbild \(\mathscr {I}(x,y)\) in zwei beschriftete Bilder \(\mathscr {R}(x,y)\) und \(\mathscr {D}(x, y)\), so dass \(\mathscr {R}(x,y): \Omega \subset \mathbb {R}^2 \rightarrow \{1, 2, \ldots , K\}\) zusammengesetzt ist aus K verbundene Komponenten \(r_i = \{(x,y): \mathscr {R}(x, y) = i\}\), die jeweils einem Baumring entsprechen, wobei \(\mathscr {R} = \big [\ bigcup _{i=1}^K r_i\big ]\) und \({r}_i \cap {r}_j = \emptyset\) für \(i \ne j\), und \(\mathscr {D }(x,y): \Omega \subset \mathbb {R}^2 \rightarrow \{0, L\}\) besteht aus \(L+1\) zusammenhängenden Komponenten \(d_i = \{(x, y): \mathscr {D}(x, y) = i\}\) entsprechend Harzkanälen (\(i>0\)) und Hintergrund (\(i=0\)), so dass \(\mathscr {D} = \big [\bigcup _{i=0}^L d_i\big ]\) und \({d}_i \cap {d}_j = \emptyset\) für \(i \ne j\) . Zu diesem Zweck wird eine in Abb. 2 skizzierte Rohrleitung vorgeschlagen.

Pipeline des vorgeschlagenen Ansatzes.

Der vorgeschlagene Ansatz basiert auf dem Convolutional Neural Network (CNN) zur Erkennung von Harzkanälen und Baumringgrenzen. Das Modell Attention UNet (AttUNet) wird in die Pipeline integriert, um gemeinsame Wahrscheinlichkeitskarten der oben genannten Strukturen zu erstellen. Anschließend werden die Karten einer Nachbearbeitung unterzogen, die darauf abzielt, die genaue Lage der Harzkanäle zu definieren und aufeinanderfolgende Baumringe zu segmentieren. Abschließend werden die Statistiken der Harzkanäle im Vergleich zu den entsprechenden Baumringen ermittelt. Eine detaillierte Beschreibung der aufeinanderfolgenden Schritte der Pipeline finden Sie in den folgenden Unterabschnitten.

Das in diesem Artikel verwendete CNN-Modell erweitert die frühere Studie des Autors zur Erkennung von Baumringgrenzen mithilfe des U-Net-Modells48 und leitet sich vom ursprünglich in51 vorgeschlagenen Attention U-Net ab. Konkret musste das Modell an die unkonventionelle Bildauflösung der in dieser Studie betrachteten Kernbilder angepasst werden. Da Kernbilder unterschiedlich groß sind und ihre Länge deutlich größer als die Höhe ist, wurde das Modell in einem Patch-basierten Aufbau auf aufeinanderfolgende Bildkacheln angewendet. Darüber hinaus wurde das Modell durch die Integration von Aufmerksamkeitsmechanismen erweitert, um die Fähigkeit des Modells weiter zu verbessern, sich auf wichtige Bildmerkmale im Zusammenhang mit Harzkanälen und Baumringgrenzen zu konzentrieren und irrelevante zu ignorieren.

Das in dieser Studie verwendete endgültige Modell stellt die Encoder-Decoder-Architektur \(\mathscr {N}: \mathscr {I}(x,y) \rightarrow \mathscr {P}(x,y)\) dar, die eingegebene Holzkernbilder transformiert \(\mathscr {I}\) in Wahrscheinlichkeitskarten \(\mathscr {P} = [\mathscr {P}_R, \mathscr {P}_D, \mathscr {P}_B]\) von Strukturen, die das Modell anstrebt erkennen, dass \(\mathscr {P}_R(x, y)\in [0, 1]\), \(\mathscr {P}_D(x,y)\in [0,1]\), \ (\mathscr {P}_B(x,y)\in [0,1]\) und \(\mathscr {P}_R+\mathscr {P}_D+\mathscr {P}_B = \textbf{1}\ ). Das Modell wurde darauf trainiert, zwei Arten von Objekten zu erkennen, nämlich Wahrscheinlichkeitskarten von Harzkanälen \(\mathscr {P}_D\) und Baumringgrenzen \(\mathscr {P}_R\) vorherzusagen. Zusätzlich wird als Nebeneffekt eine Hintergrundwahrscheinlichkeitskarte \(\mathscr {P}_B\) generiert.

Ein modifiziertes Attention U-Net-Modell, das in dieser Studie verwendet wird.

Die Eingabegröße des Modells wurde auf 128 \(\times\) 128 Pixel festgelegt. Dies ist die größte auf Zweierpotenzen basierende Größe, die aus allen in der Studie verwendeten Kernbildern ermittelt werden konnte. Da diese Eingabegröße jedoch kleiner ist als die im ursprünglichen AttUNet-Modell verwendete Eingabegröße, wurde die Anzahl der Filter in jedem Filterblock reduziert, um das Modell zu verkleinern. Um das optimale Downscale-Niveau zu ermitteln, wurde die ursprüngliche Anzahl der Filter schrittweise um den Faktor zwei reduziert und gleichzeitig die Genauigkeit des Modells überwacht. Die Reduzierung der Filteranzahl wurde gestoppt, als die Genauigkeit des Modells im Vergleich zur ursprünglichen Einstellung sichtbar abnahm. Dies führte zu einer Verkleinerung um den Faktor vier.

Das resultierende Modell umfasst zwei Pfade (siehe Abb. 3). Das Eingabebild wird im Kontraktionspfad schrittweise durch Max-Pooling-Schichten heruntergesampelt, die auf wiederholte Anwendungen von zwei Faltungsblöcken folgen. Letzteres umfasst die Faltungsschicht, gefolgt von der Batch-Normalisierung und der ReLU-Aktivierung. Die Anzahl der Filter im Faltungsblock verdoppelt sich mit jedem Pooling. Es beginnt mit vier Filtern im ersten Faltungsblock, während in der tiefsten Faltungsschicht des kontrahierenden Pfads die Anzahl der Filter 64 beträgt. Im Vergleich zum ursprünglichen AttUNet-Modell wurde die Anzahl der Filter in jeder Faltungsschicht somit um einen Faktor reduziert von vier.

Der Erweiterungspfad ist symmetrisch, wobei die Pooling-Ebenen durch das Bild-Upsampling um den Faktor zwei ersetzt werden, begleitet von einer Halbierung der Anzahl der Filter in jeder Ebene. Die letzte Ebene beinhaltet die Softmax-Aktivierung, die für jedes Pixel die Wahrscheinlichkeit ausgibt, dass jedes Pixel zu einem Harzkanal oder einer Baumringgrenze gehört.

Die Feature-Maps aus dem expandierenden Pfad werden über die Skip-Verbindungen mit ihren Gegenstücken aus dem kontrahierenden Pfad verkettet, um das Bild-Upsampling zu erleichtern. Letztere beinhalten Soft Attention Gates, die sich stärker auf die Bildbereiche mit hoher Relevanz konzentrieren und Aktivierungen in irrelevanten Regionen unterdrücken.

Das Modell wurde mit Paaren \((\mathscr {I}, \mathscr {G})\) von Bildfeldern trainiert, die den Holzkern \(\mathscr {I}\) (Eingabe in das Modell) und die entsprechenden Harzkanäle und darstellen Mit unterschiedlichen Farben markierte Baumringgrenzen \(\mathscr {G}\) (Ausgabe des Modells). Da die in dieser Studie betrachteten Bilder von Holzkernbildern eine unterschiedliche und nicht typische räumliche Auflösung aufweisen (mit einer Bildlänge, die zehnmal größer ist als ihre Höhe), wurde das CNN-Modell in einem Patch-basierten Aufbau angewendet. Für das Training des Modells werden 1500 Patches \(p_i = (p_{I_i}^{(x,y)}, p_{G_i}^{(x,y)})\) der Größe 128 \(\times\) 128 benötigt Pixel wurden zufällig aus jedem Zugholzkernbild (\(p_{I_i}^{(x,y)} \subset \mathscr {I}\)) und jedem mit Expertenkommentaren versehenen Bild (\(p_{G_i}^{(x ,y)} \subset \mathscr {G}\)) aus den entsprechenden Orten (x, y), was insgesamt etwa 74000 Zugfelder ergibt. Die Patchgröße wurde experimentell ausgewählt. Es wurde sichergestellt, dass jeder Zugabschnitt mindestens eine der interessierenden Strukturen enthielt. Beispielpaare von Trainingspatches sind in Abb. 4 dargestellt.

Beispielhafte Zugflicken; obere Tafel – Original-Holzbilder; Unteres Feld – Grundwahrheiten für Baumringgrenzen (blau) und Harzkanäle (rot).

Die Zug-Patches wurden zufällig in einen Zug (80 %) und einen Validierungssatz (20 %) aufgeteilt. Da die Probenahme der Zugfelder ziemlich umfangreich war, wurde eine künstliche Datenerweiterung verwendet, um eine Überanpassung des Modells zu vermeiden. Die Transformationen umfassten vertikales und horizontales Spiegeln, Drehen und Scheren in einem kleinen Bereich.

Das Modell wurde auf einer GeForce GTX TITAN X-GPU mit 12 GB DDR5-RAM trainiert und benötigte etwa 265 s pro Epoche. Eine frühe Stoppbedingung regulierte die Anzahl der Epochen und das Training wurde gestoppt, nachdem sich der durch die kategoriale Kreuzentropie definierte Validierungsverlust zehn Epochen lang nicht verbessert hatte. Als Optimierer wurde Adam mit Standardeinstellungen52 verwendet.

Nahtlose Harzkanäle \(\mathscr {P}_D\) und Wahrscheinlichkeitskarten der Baumringgrenzen \(\mathscr {P}_R\) wurden im Vorhersageschritt durch Anwenden eines trainierten Modells auf jedes Bild in einem Schiebefenster-Setup erhalten überlappende Bildkacheln (siehe Algorithmus 1). Das Schiebefenster mit einer Größe von 128 \(\times\) 128 Pixeln, was einer für das Modelltraining verwendeten Patchgröße entspricht, wurde über die aufeinanderfolgenden Bildkacheln verschoben, die sich in horizontaler und vertikaler Richtung mit einem Schritt von 20 Pixeln überlappten. Der Schritt wurde empirisch ausgewählt, um sicherzustellen, dass die Patches, aus denen ein Eingabebild besteht, in den GPU-Speicher passen. Schließlich wurde die Reaktion des Modells auf überlappende Kacheln gemittelt und als endgültige Harzkanäle und Baumringgrenzen-Likelihood-Karten \(\mathscr {P}_D\) bzw. \(\mathscr {P}_R\) ausgegeben.

Ein Beispielbild eines Holzkerns und die vorhergesagte Wahrscheinlichkeit von Harzkanälen und Baumringgrenzen sind in Abb. 5 dargestellt.

Vom CNN-Modell generierte Wahrscheinlichkeitskarten; (a) Musterholzkern; (b) gemeinsame Wahrscheinlichkeitskarte von Harzkanälen (rot) und Baumringgrenzen (blau); (c) Wahrscheinlichkeitskarte für Harzkanäle; (d) Wahrscheinlichkeitskarte der Baumringgrenzen; (e) erkannte Harzkanäle und Baumringgrenzen, die dem Originalbild überlagert sind.

Die Wahrscheinlichkeitskarte \(\mathscr {P}_D\) der Harzkanäle wird verwendet, um die genaue Position und Größe der Harzkanäle \(d_i \in \mathscr {D}\) zu definieren. Die Karte ist somit binarisiert \(\mathscr {T}: \mathscr {P}_D \rightarrow \{\mathscr {B}\): \(\mathscr {B}(x,y) \in \{0, 1 \} \wedge \forall _{(x,y): \mathscr {P}(x,y)>t_L} \mathscr {B}_D(x,y) = 1\}\), um Regionen mit dem höchsten Wert zu erhalten Harzkanalwahrscheinlichkeiten. Die Binarisierung wird adaptiv über lokale Schwellenwerte durchgeführt, um sich an schwächere (weniger offensichtliche) Harzkanäle anzupassen. Die lokale Nachbarschaft von 25 \(\times\) 25 Pixeln jedes Pixels wird berücksichtigt, um einen Schwellenwert \(t_L\) zu bestimmen. Dieser Bildteilbereich entspricht ungefähr der Fläche von 0,278 mm\(^2\) und wurde durch empirische Analyse unter Berücksichtigung der typischen Größe eines Harzkanals ermittelt. Insbesondere haben wir beobachtet, dass Harzkanäle in analysierten Bildern einen Durchmesser von etwa 20–30 Pixeln haben. Die gewählte Patchgröße ist daher groß genug, um zwischen Harzkanälen und Hintergrund zu unterscheiden, und gleichzeitig klein genug, um eine Beeinflussung durch größere Variationen im Bild, wie z. B. Änderungen in der Textur, zu vermeiden. Es ermöglicht auch, schnell die notwendigen Statistiken zur Schwellenwertbestimmung zu erhalten. Der Schwellenwert, der der mittleren Wahrscheinlichkeit innerhalb der Nachbarschaft entspricht, erhöht um eine kleine Konstante, um den Rauschwiderstand zu erhöhen, wird angewendet, um die lokalen Maxima der Harzkanalwahrscheinlichkeiten zu ermitteln.

Der letzte Schritt ist die formbasierte Filterung der erkannten Objekte, um nicht kreisförmige Bereiche zu entfernen. Wenn die Kreisform eines Objekts unter 0,9 liegt und seine Fläche kleiner als die Hälfte des Durchschnitts aller Objekte ist, wird ein solches Objekt als Ausreißer betrachtet und aus der resultierenden binären Karte der Harzkanäle entfernt.

Aufeinanderfolgende Schritte der formbasierten Filterung sind in Abb. 6 dargestellt, einschließlich des Beispielholzkernabschnitts (Abb. 6a), der vom CNN-Modell ausgegebenen Wahrscheinlichkeit der Harzkanäle, im Original (Abb. 6b) und nach der Binarisierung (Abb. 6c). und schließlich erkannte Harzkanäle in Rot und Ausreißer in Grün (Abb. 6d).

Aufeinanderfolgende Schritte der Nachbearbeitung der Harzkanal-Wahrscheinlichkeitskarte; (a) Beispielbild eines Holzkerns; (b) Karte der Wahrscheinlichkeit von Harzkanälen; (c) Wahrscheinlichkeitskarte binärisierter Harzkanäle; (d) erkannte Harzkanäle (in Rot), überlagert auf einem Holzprobenbild, zusammen mit Bereichen, die durch formbasierte Filterung entfernt wurden (in Grün).

Für die Segmentierung von Baumringen werden Baumring-Grenzwahrscheinlichkeitskarten \(\mathscr {P}_B\) verwendet (siehe Abb. 7b). Zunächst wird, ähnlich wie im vorherigen Schritt, die lokale adaptive Schwellenwertbildung \(\mathscr {T}: \mathscr {P}_B \rightarrow \{\mathscr {P}_B': \mathscr {P}_B'(x,y) \ in (0, 1) \wedge \forall _{(x,y): \mathscr {P}_B'(x,y)

Aufeinanderfolgende Schritte der Nachbearbeitung der Baumringgrenzenwahrscheinlichkeit; (a) Beispielbild eines Holzkerns; (b) Baumringgrenzen-Likelihood-Karte; (c) Baumringe nach der Segmentierung (jeweils in einer anderen Farbe dargestellt); (d) Baumringe, die einem eingegebenen Holzprobenbild überlagert sind.

Schließlich wird die Wassereinzugsgebietstransformation auf das Binärbild der verknüpften Baumringgrenzen angewendet, um verbundene Komponenten \(r_i \in \mathscr {R}\) zu extrahieren und sie mit eindeutigen Beschriftungen \(i\in [0, K]\) zu kennzeichnen K ist die Anzahl der erkannten Baumringe (siehe Abb. 7).

Die segmentierten Karten der Baumringe \(\mathscr {R}\) und Harzkanäle \(\mathscr {B}\) werden als nächstes für die linearen und Oberflächenmessungen dieser Strukturen verwendet.

Die Ringbreiten in Holzkernbildern (siehe Abb. 8a) werden entlang der horizontalen Linie gemessen, die durch die Kernmitte verläuft (siehe Abb. 8b). Die Krümmung der Ringgrenzen wird nicht durch die Verwendung des Kernzentrums berücksichtigt, der Zweck hier ist jedoch der Vergleich zwischen den automatisch und vom Experten platzierten Ringgrenzen und nicht die chronologische Entwicklung. Da jeder Baumringregion \(r_i \in \mathscr {R}\) eine eindeutige Bezeichnung \(i \in [1,K]\) zugewiesen wurde, wobei K die Anzahl der Ringe ist, zählt die Prozedur die Anzahl aufeinanderfolgender verbundener Ringe Pixel, die sich entlang der Kernmittellinie befinden und denen eine Beschriftung zugewiesen ist. Da die Kernbilder mit einer Auflösung von 2400 dpi gescannt wurden, wird die resultierende Zahl dann mit 25,4/2400 multipliziert, um die Kernbreite in Millimetern zu erhalten.

Ein Ring ist eine Verbindungskomponente \(r_i\), wobei allen Pixeln eine Bezeichnung i zugewiesen ist. Die Ringfläche wird somit bestimmt, indem die Anzahl der einem Etikett zugeordneten Pixel gezählt wird (siehe Abb. 8b, c) und mit \((25,4/2400)^2\) multipliziert wird, um die Kernfläche in Quadratmillimetern zu erhalten.

Um die Anzahl der im Ring enthaltenen Kanäle zu bestimmen, wird \(r_i\) zunächst maskiert, mit einer Maske \(m_i = \{(x,y): \mathscr {R}(x,y) = i\}\) wobei \(i \in [1, K]\) und K die Anzahl der Ringe ist (siehe Abb. 8c). Dann wird die logische UND-Verknüpfung zwischen der resultierenden Ringmaske \(m_i\) und der binären Kanalkarte \(\mathscr {R}(x,y)\) berechnet (siehe Abb. 8d). Die Anzahl der verbundenen Komponenten im resultierenden logischen Bild \(d_i = m_i \wedge \mathscr {R}_R(x,y)\) bildet die Anzahl der Kanäle im Ring \(r_i\) (siehe Abb. 8e,f ).

Der Anteil des von Kanälen bedeckten Rings wird bestimmt, indem die Gesamtfläche der Kanäle im Bild \(d_i\) durch die Gesamtfläche des Rings \(r_i\) dividiert wird. Die Flächen sowohl der Kanäle als auch der Baumringe können durch Zählen von Nicht-Null-Pixeln in den Bildern \(r_i\) bzw. \(m_i\) bestimmt werden.

Aufeinanderfolgende Schritte zur Messung der Baumring- und Kanaleigenschaften; (a) Muster eines Holzkernsegments; (b) Karte der entsprechenden Baumringe mit markierter Breite eines dritten Jahresrings; Die gestrichelte Linie stellt die horizontale Mittellinie des Kerns dar. (c) eine binäre Maske des dritten Rings; (d) binäre Maske von Kanälen im Holzkernsegment; (e) Kanäle innerhalb des dritten Rings (logisches UND von (c) und (d)); (f) der dritte Ring mit enthaltenen Kanälen. Der Messvorgang wird für jeden gefundenen Holzkern wiederholt.

Abbildung 9 zeigt visuelle Ergebnisse der Erkennung von Harzkanälen und Baumringgrenzen in Probeholzkernsegmenten unter Verwendung der vorgeschlagenen Pipeline. Die erkannten Baumringgrenzen sind blau markiert, während die erkannten Harzkanäle rot umrandet sind. Für die Präsentation wurden Bilder ausgewählt, die jede der fünf betrachteten Arten darstellen.

Visuelle Ergebnisse der Erkennung von Harzkanälen und Baumringgrenzen. Die durch die Proben repräsentierten Arten sind wie folgt (von oben nach unten): Pinus palustris Mill. (PIPA2 oder PIPA), Pines Lamb. (PIPU5 oder PIPU), Pinus starre Mühle. (PIRI), Pinus taeda L. (PITA), Pinus virginiana Mill. (PIVI2 oder PIVI).

Die numerische Bewertung der Erkennung von Harzkanälen und Baumringgrenzen wurde durch den Vergleich der Ergebnisse der vorgeschlagenen Pipeline mit den Expertenkommentaren beider betrachteten Strukturen durchgeführt. Sowohl für Harzkanäle als auch für Baumringgrenzen umfasste das Verfahren die Zählung von (i) echten Positiven (TP), also von Strukturen, die von der vorgeschlagenen Pipeline korrekt erkannt wurden, und (ii) falschen Negativen (FN), also von einem Experten markierten Strukturen aber vom vorgeschlagenen Ansatz übersehen wurden, und (iii) falsch positive Ergebnisse (FP), dh falsche Harzkanäle/Baumringgrenzen, die durch den automatischen Ansatz eingeführt wurden.

Zusätzlich wurden die Empfindlichkeit \(SEN =\frac{TP}{TP+FN}\) und die Präzision \(PREC = \frac{TP}{TP+FP}\) bestimmt. Konkret beschreibt die Sensitivität, wie gut ein vorgeschlagener Ansatz in der Lage ist, betrachtete Strukturen korrekt zu erkennen, während Präzision das Verhältnis der positiv klassifizierten Strukturen angibt, die relevant sind.

Die numerische Bewertung des vorgeschlagenen Ansatzes bei der Aufgabe zur Erkennung von Harzkanälen ist in den Tabellen 2 und 3 dargestellt. Insbesondere enthält Tabelle 2 die Gesamtbewertung für jede der drei Testfalten, während Tabelle 3 zusätzlich die über jedes der betrachteten Hölzer gemittelten Bewertungen enthält Spezies. Ein Harzkanal galt als richtig positiv, wenn er zumindest teilweise mit der entsprechenden Expertenanmerkung überlappte.

Die numerische Bewertung des vorgeschlagenen Ansatzes bei der Aufgabe zur Erkennung von Baumringgrenzen ist in den Tabellen 4 und 5 dargestellt. Ähnlich wie bei Harzkanälen gelten globale Bewertungen (vgl. Tabelle 4) und gemittelte Bewertungen für jede betrachtete Art (vgl. Tabelle 5). vorgeführt. Die Jahrringgrenze galt als erkannt, wenn sie zumindest teilweise mit der entsprechenden, von einem Experten kommentierten Jahrringgrenze überlappte.

Die Ergebnisse der Messungen von Baumringen und Kanaleigenschaften sind in Abb. 10 und den Tabellen 6 und 7 zusammengefasst. Insbesondere zeigt Abb. 10 Boxplots der Verteilungen der durchschnittlichen Baumringbreite, der durchschnittlichen Baumringfläche und der durchschnittlichen Anzahl von Kanälen pro Baumring und eine durchschnittliche Abdeckung der Baumringfläche durch Kanäle, die für Kerne in jeder Testfalte unter Verwendung der vorgeschlagenen Pipeline (Serie Auto) ermittelt wurde. Die Ergebnisse werden mit den entsprechenden Messungen aus Expertenanmerkungen (Serienexperte) verglichen. Das untere Feld vergleicht auch einzelne Messungen, die für jeden Kern mit beiden betrachteten Messmethoden erhalten wurden. Die Ergebnisse werden durch einen quadrierten Korrelationskoeffizienten zwischen den aus einer vollautomatischen Pipeline erhaltenen Messungen und den aus Expertenkommentaren abgeleiteten Messungen ergänzt, die in Tabelle 6 aufgeführt sind. Schließlich werden die mittleren Durchschnittswerte der betrachteten Ring- und Kanalparameter in Tabelle 7 dargestellt.

Die Ergebnisse der automatischen Messung von Baumringen und Kanaleigenschaften (Serienauto) werden mit den Werten aus Expertenanmerkungen (Serienexperte) verglichen. Der Messtyp ist im Plottitel angegeben. Boxplots stellen die Verteilung der Durchschnittswerte dar, die für Kerne in jeder Testfalte erhalten wurden.

Schließlich wurde die Zeit, die für die automatische Erkennung von Kanälen und Jahrringgrenzen mithilfe der vorgeschlagenen Pipeline erforderlich ist, mit der Zeit verglichen, die ein Experte für die Kommentierung dieser Strukturen in Holzkernbildern aufgewendet hat. Die aufgezeichneten Zeiten sind in Tabelle 8 dargestellt. Für jede betrachtete Art wird eine Gesamt- und Durchschnittszeit in Sekunden angegeben, die für die Verarbeitung der Kerne (manuell oder automatisch) aufgewendet wurde.

Die Ergebnisse der vorgeschlagenen Pipeline sind vielversprechend. Die Leistung der Modelle bei der Erkennung von Harzkanälen ist hoch. Die durchschnittliche Empfindlichkeit auf dem Niveau von 0,85 zeigt an, dass das Faltungs-Neuronale Netzwerk etwa 85 % der von einem Experten markierten Harzkanäle erkannte. Andererseits bedeutet eine Präzision auf dem Niveau von 0,76, dass das Modell eine auffällige Anzahl falscher Kanäle eingeführt hat. Eine genauere Untersuchung dieser Kanäle ergab jedoch, dass einige von einem Experten als übersehen, vom Modell jedoch als gefunden angesehen werden könnten. Infolgedessen scheint das CNN-Modell bei der Erkennung der Harzkanäle etwas besser abzuschneiden, als der Fehler vermuten lässt. Ein Qualitätskontrollschritt wäre hilfreich, um die Zuverlässigkeit der Zugdaten zu verbessern und damit die Leistung des Modells bei der Aufgabe der Harzkanalerkennung zu verbessern.

Es können Unterschiede in der Leistung des Modells zwischen den Arten beobachtet werden. Die größte Herausforderung war PIVI. Bei dieser Art erkannte das Modell durchschnittlich 22 % der Gänge falsch und führte gleichzeitig zu der höchsten Anzahl falscher Gänge. Schmale Ringe mit einer insgesamt geringen Größe der Harzkanäle bei dieser Art könnten die Entdeckung erschwert haben. Andererseits scheint die PITA für die automatische Verarbeitung am einfachsten zu sein. Für diese Art erzielte das CNN-Modell die höchste Sensitivität (0,93) und Spezifität bei der Aufgabe zur Erkennung von Harzkanälen. PITA weist im Vergleich zu den anderen Arten hohe Wachstumsraten auf, was zu breiten Ringen mit größeren und klaren Grenzen der Harzkanäle führt, was die Erkennungsaufgabe möglicherweise vereinfacht hätte.

Das CNN-Modell war bei der Erkennung der Baumringgrenzen sogar noch genauer. Insgesamt wurden nur 8 % dieser Strukturen übersehen, wobei die Rate falscher Baumringgrenzen sehr gering war (durchschnittliche Genauigkeit 0,99). Das CNN-Modell schnitt bei der Erkennung linearer und regelmäßiger Baumringgrenzen sehr gut ab. Solche Grenzen bildeten überwiegend den Trainingssatz. Andererseits waren die meisten fehlenden Grenzen geschwungen, gekrümmt und bogenförmig (vgl. Abb. 11c–e). Solche Grenzen waren im Trainingssatz unterrepräsentiert, was zu einer schlechteren Leistung des Modells im Vergleich dazu führte. Auch bei der Erkennung von Grenzen dicht gepackter und dünner Baumringe versagte das CNN-Modell größtenteils. Dies wiederum führte zu einer Übersegmentierung dieser Baumringe (vgl. Abb. 11a,b). Auch hier variierte die Leistung des Modells bei der Erkennung von Baumringgrenzen je nach Art. Die höchsten Werte (SEN von 0,97 und PREC von 1,0) wurden für PIPU erzielt. Im Vergleich zu den anderen Kiefern im Datensatz hatte PIPU klare Ringgrenzen mit gutem Kontrast und sehr wenigen „falschen“ Ringen. Die größte Herausforderung stellte hingegen PIPA dar, da das Modell bei dieser Art mit 18 % fehlenden Jahrringgrenzen und der höchsten Anzahl falscher Grenzen die schlechteste Leistung erbrachte. PIPA wies im Vergleich zu den anderen Kiefern im Datensatz einen geringen Kontrast auf, was zu weniger ausgeprägten Ringgrenzen führte.

Erkennung von Baumringgrenzen – häufige Fehler; oberes Feld – Ausschnitte mit Originalbildern; mittleres Feld – Ergebnisse der Ringsegmentierung; unteres Feld – Experten- und automatisches Ergebnis (grün – fehlende Grenzen, Magenta – falsche Grenzen, weiß – Experten- und automatische Grenzen überlappen sich).

Eine gute Leistung bei der Erkennung von Baumringgrenzen führt direkt zu genauen Messungen der Baumringbreiten. Wie in Abb. 10 gezeigt, stimmen automatische Breitenmessungen mit den aus Expertenkommentaren abgeleiteten Messungen überein. Dies wird dadurch bestätigt, dass der \(R^2\)-Koeffizient im Durchschnitt 0,91 beträgt, für Falte 3 sogar den Wert 0,95 erreicht (vgl. Tabelle 6). Auch der mittlere absolute Fehler der mittleren Baumringbreite übersteigt nicht 10 % (vgl. Tabelle 7), was als sehr gutes Ergebnis gewertet werden kann.

Anspruchsvoller als die Erkennung von Baumringgrenzen ist die Baumringsegmentierung, die darauf abzielt, verbundene Komponenten zu extrahieren, die durch zwei Baumringgrenzen begrenzt sind und aufeinanderfolgenden Ringen entsprechen. Die Genauigkeit der Baumringsegmentierung führt zu einer Genauigkeit der Messung der Baumringfläche. Eine Herausforderung bei diesem Problem besteht darin, dass die erkannten Baumringgrenzen oft diskontinuierlich oder schwach sind oder sich nicht über die Kernbreite erstrecken. Infolgedessen können einige benachbarte Baumringe zusammenwachsen, wodurch sich die durchschnittliche Kernfläche vergrößert. Andererseits können sich einige eng beieinander liegende, dichte Jahrringgrenzen in der Mitte der Kernbreite verbinden, was zu einer Übersegmentierung führt (vgl. Abb. 11b). Dennoch können die Ergebnisse der Kernflächenmessung als genau angesehen werden. Der Korrelationskoeffizient \(R^2\) zwischen der vollautomatisch ermittelten und aus Expertenanmerkungen abgeleiteten Ringfläche ist mit durchschnittlich 0,79 hoch und erreicht für Falte 2 sogar den Wert von 0,88 (vgl. Tabelle 6). Die Über- und Untersegmentierungsfehler des Rings scheinen sich gegenseitig zu kompensieren, da die globale Differenz zwischen der automatisch ermittelten mittleren Durchschnittsfläche und der auf Expertenanmerkungen basierenden mittleren Fläche nicht mehr als 4 % beträgt (vgl. Tab. 7).

Die verbleibenden beiden Statistiken, also die durchschnittliche Anzahl von Kanälen pro Ring und die Abdeckung der Ringfläche durch Kanäle, sind sichtbar ungenauer. Der Grund dafür ist, dass sie Fehler sowohl bei der Kanalerkennung als auch bei der Baumringsegmentierung kumulieren. Erstens überschätzt der Mechanismus zur Erkennung von Harzkanälen die Gesamtzahl der Kanäle (die Anzahl falsch negativer Ergebnisse ist geringer als die Anzahl falsch positiver Ergebnisse). Als nächstes tendiert der Baumring-Segmentierungsalgorithmus dazu, die dünnen und dicht angeordneten Baumringe zu übersegmentieren. Folglich wird die durchschnittliche Anzahl der Kanäle pro Ring im Vergleich zu Statistiken, die aus manuellen Anmerkungen von Experten abgeleitet wurden, um ca. 36 % überschätzt. Dies entspricht etwa einem zusätzlichen (falschen) Harzkanal in einem statistischen Baumring (vgl. Tabelle 7). Dennoch ist die Korrelation zwischen automatischen Messungen und Expertenmessungen recht hoch, wobei der Korrelationskoeffizient \(R^2\) im Mittel 0,55 erreicht (vgl. Tabelle 6).

Der größte Fehler ergibt sich aus der Messung der durchschnittlichen Abdeckung der Baumringfläche durch Kanäle. Abgesehen von den oben genannten Faktoren scheint die vorgeschlagene Pipeline die Ringgröße im Vergleich zu Expertenkommentaren zu überschätzen. Dieser Effekt ist in Abb. 12 dargestellt, wo die von der vorgeschlagenen Pipeline erkannten Kanäle (in Marine dargestellt) sichtbar größer sind als die von einem Experten kommentierten Kanäle (die überlappenden Bereiche sind in Cyan dargestellt). Das Problem könnte durch eine spezielle Nachbearbeitung der Ringerkennungsergebnisse oder durch die Entwicklung eines speziellen Kanalsegmentierungsalgorithmus behoben werden.

Fehler bei der Erkennung von Harzkanälen; Cyan – Regionen, in denen automatische und Expertenanmerkungen übereinstimmen, Marine – Regionen, die von einer automatischen Pipeline erkannt, aber nicht von einem Experten markiert wurden; Gelb – Regionen, die von einem Experten markiert, aber von einer automatischen Pipeline übersehen wurden.

Wie jedes auf maschinellem Lernen basierende Tool bringt unsere Methode einige Herausforderungen und Einschränkungen mit sich53. Die vorgeschlagene Pipeline erfordert eine beträchtliche Anzahl annotierter Harzkanäle und Baumringe, um das Modell zu trainieren. In dieser Studie wird nicht getestet, wie viele weitere Harzkanäle oder Baumringe die Fehlerquote verbessern würden. Die Genauigkeit der vorgeschlagenen Methode kann durch die Qualität und Auflösung der Holzbilder, die Qualität der Expertenanmerkungen und die Variabilität der Harzkanalstrukturen und ihre Beziehungen zu Baumringen verschiedener Pinus-Arten beeinflusst werden. Die vorgeschlagene Methode erfordert möglicherweise eine weitere Validierung, um ihre Leistung und Zuverlässigkeit an einer Vielzahl von Holzproben, einschließlich Abschnitten abgestorbener Bäume, zu bewerten. Zukünftige Forschungsmöglichkeiten umfassen das Testen eines größeren Datensatzes mit artspezifischen Modellen oder den Versuch, andere Merkmale von Baumringen (z. B. Feuernarben oder Frostringe) zu erkennen und zu messen.

Schließlich reduziert die vorgeschlagene Pipeline die Kernverarbeitungszeit erheblich (vgl. Tabelle 8). Die Zeit, die ein Experte mit der Kommentierung von Harzkanälen und Baumringgrenzen in einem Holzkernbild verbrachte, lag zwischen 120 und 5465 s, mit einem Durchschnitt von 1217 s (ca. 20 Minuten) pro Kern. Die Gesamtzeit, die ein Experte mit der Kommentierung aller 74 Kerne verbrachte, betrug etwa 25 Stunden. Die Zeit, die die vorgeschlagene Pipeline für die automatische Ausführung dieser Aufgabe benötigte, betrug 423 s (ca. 7 Minuten), mit einem Durchschnitt von weniger als 6 s pro Kern. Die automatische Bearbeitung war dann mehr als 200-mal schneller als ein Experte. Dies stellt eine deutliche Verbesserung dar, auch wenn noch einige manuelle Korrekturen erforderlich sind, um die Ergebnisse der automatischen Erkennung von Harzkanälen und Jahrringgrenzen zu korrigieren. Die vorgeschlagene Methode kann den Zeit- und Arbeitsaufwand für die Analyse von Harzkanälen und Baumringen erheblich reduzieren und sie so für Forscher und Praktiker der Dendrochronologie zugänglicher machen.

Hier haben wir neue automatische Methoden vorgestellt, die weiterentwickelt werden können, um zukünftige Forschungsanstrengungen zu Harzkanälen zu unterstützen. Das Faltungs-Neuronale Netzwerk und insbesondere das modifizierte AttUNet-Modell, das in einem Patch-basierten Aufbau implementiert ist, bieten eine nützliche Methode zur automatischen Erkennung von Baumringen und Harzkanälen in Holzkernbildern. Die Nachbearbeitung der erkannten Strukturen ermöglicht die Bestimmung der Harzkanalstatistik in Bezug auf die Baumringe mit relativ hoher Genauigkeit.

Die vorgeschlagene Pipeline bietet mehrere Vorteile gegenüber herkömmlichen manuellen Methoden. Erstens ist es viel schneller, da kein menschlicher Bediener zum Markieren und Messen der Harzkanäle erforderlich ist. Dies führt insbesondere bei großen Datensätzen zu einer deutlichen Reduzierung der Verarbeitungszeit. Zweitens eliminiert die Pipeline die Möglichkeit menschlicher Fehler bei der Markierung und Messung der Harzkanäle, was zu einer genaueren und konsistenteren Erkennung führt. Dies ist besonders wichtig beim Umgang mit großen Datensätzen, bei denen die manuelle Methode je nach Erfahrung und Urteilsvermögen des Bedieners anfällig für Abweichungen und Fehler sein kann. Zukünftige Forschungen könnten eine Untersuchung darüber umfassen, welche falsch positiven Harzkanäle, die das Modell erkannte, tatsächlich echte Kanäle waren, die von einem Experten übersehen wurden. Die Aufgabe, Harzkanäle und Baumringe zu markieren, erfordert anhaltende Konzentration, daher wäre ein gewisses Maß an menschlichem Versagen zu erwarten, das in den Modellleistungswerten nicht berücksichtigt wird. Schließlich ermöglicht die Pipeline eine standardisierte Analyse der Harzkanaleigenschaften in Bezug auf den Baumringbereich, zu dem sie gehören. Dies ist eine Verbesserung gegenüber herkömmlichen Methoden, die die Lage und Verteilung der Harzkanäle innerhalb der Baumringe nicht berücksichtigen. Die Standardisierung erleichtert den Vergleich der Ergebnisse verschiedener Proben und Studien und führt zu belastbareren und zuverlässigeren Schlussfolgerungen. Das durch die Methode ermöglichte erhöhte Datenvolumen kann wertvolle Einblicke in die Umweltbedingungen und Wachstumsmuster von Pinusbäumen liefern, die zur Untersuchung und Überwachung der Auswirkungen des Klimawandels und anderer Faktoren auf Waldökosysteme verwendet werden können.

Es hat sich gezeigt, dass die Eigenschaften der Harzkanäle und die Oleoresinproduktion wichtige Abwehrmechanismen für bestimmte Baumarten der Gattung Pinus sind54. Die Messung der Harzkanaleigenschaften von Bäumen kann Trends im Zusammenhang mit der Wirkung von Bewirtschaftungsmaßnahmen zu bestimmten Zeitpunkten sowie Reaktionen auf Schädlinge und Krankheitserreger liefern. Trotz jüngster Fortschritte bei der Messung und Quantifizierung von Harzkanälen4,55 wurde die Forschung zu diesem wichtigen Abwehrmechanismus durch die schwierige und zeitaufwändige Aufgabe der manuellen Abgrenzung von Kanalbereichen und Baumringgrenzen behindert. Die hier vorgestellte Automatisierung stellt eine große Verbesserung der Geschwindigkeit der Messung dieser Eigenschaften für Kiefernholzkerne dar. Die in dieser Studie beschriebenen Methoden könnten in zukünftige dendrochronologische Softwareanwendungen integriert werden, um den Arbeitsablauf zu verbessern. Die Methode kann für andere Holzarten und -arten angepasst und optimiert werden, was möglicherweise neue Anwendungen in Bereichen wie Holzwissenschaft, Ökologie und Forstwirtschaft ermöglicht.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Ferrenberg, S., Kane, JM & Mitton, JB Harzkanaleigenschaften im Zusammenhang mit der Resistenz von Bäumen gegen Borkenkäfer bei Dreh- und Litzenkiefern. Oecologia 174, 1283–1292. https://doi.org/10.1007/s00442-013-2841-2 (2014).

Artikel ADS PubMed Google Scholar

Hood, S. & Sala, A. Abwehrkräfte und Wachstum des Ponderosa-Kiefernharzes: Maßstäbe sind wichtig. Baumphysiol. 35, 1223–1235. https://doi.org/10.1093/treephys/tpv098 (2015).

Artikel PubMed Google Scholar

Vázquez-González, C., López-Goldar, X., Zas, R. & Sampedro, L. Neutrale und klimabedingte Anpassungsprozesse tragen zur Erklärung der Populationsvariation in den Harzkanalmerkmalen einer mediterranen Kiefernart bei. Vorderseite. Pflanzenwissenschaft. 10, 1613. https://doi.org/10.3389/fpls.2019.01613 (2019).

Artikel PubMed PubMed Central Google Scholar

Hood, SM, Reed, CC & Kane, JM Quantifizierung axialer Harzkanäle in Baumringen: Ein funktionelles Abwehrmerkmal. MethodsX 7, 101035. https://doi.org/10.1016/j.mex.2020.101035 (2020).

Artikel PubMed PubMed Central Google Scholar

Chen, FF, Yang, JL & Downes, G. Ein visuelles Informationsbewertungstool für die Identifizierung von Harzkanälen und die Messung von Eigenschaften. IAWA J. 29, 397–408. https://doi.org/10.1163/22941932-90000194 (2008).

Artikel Google Scholar

Thomas, J. & Collings, DA Erkennung und Kartierung von Harzkanälen durch Bildanalyse in Querschnitten mechanisch gestörter, junger Pinus radiata-Bäume. IAWA J. 38, 170–181. https://doi.org/10.1163/22941932-20170166 (2017).

Artikel Google Scholar

Hood, SM, Reed, CC & Kane, JM Quantifizierung axialer Harzkanäle in Baumringen: Ein funktionelles Abwehrmerkmal. MethodsX 7, 101035. https://doi.org/10.1016/j.mex.2020.101035 (2020).

Artikel PubMed PubMed Central Google Scholar

Vázquez-González, C. et al. Harzkanäle als Resistenzmerkmale bei Nadelbäumen: Verknüpfung von Dendrochronologie und harzbasierten Abwehrmechanismen. Baumphysiol. 40, 1313–1326. https://doi.org/10.1093/treephys/tpaa064 (2020).

Artikel CAS PubMed Google Scholar

Russakovsky, O. et al. ImageNet ist eine groß angelegte visuelle Erkennungsherausforderung. Int. J. Comput. Vis. 115, 211–252. https://doi.org/10.1007/s11263-015-0816-y (2015).

Artikel MathSciNet Google Scholar

Chai, J., Zeng, H., Li, A. & Ngai, EW Deep Learning in Computer Vision: Eine kritische Überprüfung neuer Techniken und Anwendungsszenarien. Mach. Lernen. Appl. 6, 100134. https://doi.org/10.1016/j.mlwa.2021.100134 (2021).

Artikel Google Scholar

Silva, JL, Bordalo, R., Pissarra, J. & de Palacios, P. Computer Vision-basierte Holzidentifizierung: Ein Überblick. Wälderhttps://doi.org/10.3390/f13122041 (2022).

Artikel Google Scholar

Arifin, MR, Sugiarto, B., Wardoyo, R. & Rianto, Y. Entwicklung einer mobilen Anwendung zur praktischen Holzidentifizierung. IOP-Konf. Ser. Erdumgebung. Wissenschaft. 572, 012040. https://doi.org/10.1088/1755-1315/572/1/012040 (2020).

Artikel Google Scholar

Yusof, R. et al. Transfer-Lernansatz im automatischen Tropenholz-Erkennungssystem. In Computational and Experimental Simulations in Engineering (Hrsg. Okada, H. & Atluri, SN) 1225–1233 (Springer, 2020).

Kapitel Google Scholar

Wu, F., Gazo, R., Haviarova, E. & Benes, B. Holzidentifizierung basierend auf Längsschnittbildern durch Deep Learning. Holzwissenschaft. Technol. 55, 553–563. https://doi.org/10.1007/s00226-021-01261-1 (2021).

Artikel CAS Google Scholar

de Geus, AR, Backes, AR, Gontijo, AB, Albuquerque, GHQ & Souza, JR Amazonas-Holzartenklassifizierung: Ein Vergleich zwischen Deep Learning und vorgefertigten Funktionen. Holzwissenschaft. Technol. 55, 857–872. https://doi.org/10.1007/s00226-021-01282-w (2021).

Artikel CAS Google Scholar

Kırbaş, İsmail & Çifci, A. Eine effektive und schnelle Lösung zur Klassifizierung von Holzarten: Ein Deep-Transfer-Learning-Ansatz. Ökologisch. Inf. 69, 101633. https://doi.org/10.1016/j.ecoinf.2022.101633 (2022).

Artikel Google Scholar

Fabijanska, A., Danek, M. & Barniak, J. Automatische Identifizierung von Holzarten anhand von Holzkernbildern mit einem verbleibenden Faltungs-Neuronalen Netzwerk. Berechnen. Elektron. Landwirtschaft. 181, 105941. https://doi.org/10.1016/j.compag.2020.105941 (2021).

Artikel Google Scholar

Liu, B., Chen, S., Huang, H. & Tian, ​​X. Baumartenklassifizierung von Rucksack-Laserscandaten unter Verwendung der Pointnet++-Punktwolken-Deep-Learning-Methode. Fernerkundung. https://doi.org/10.3390/rs14153809 (2022).

Artikel Google Scholar

Hell, M., Brandmeier, M., Briechle, S. & Krzystek, P. Klassifizierung von Baumarten und stehenden toten Bäumen mit Lidar-Punktwolken unter Verwendung zweier tiefer neuronaler Netze: Pointcnn und 3dmfv-net. PFG J. Fotogramm. Fernerkundung. Geoinform. Wissenschaft. 90, 103–121. https://doi.org/10.1007/s41064-022-00200-4 (2022).

Artikel Google Scholar

Allen, MJ, Grieve, SWD, Owen, HJF & Lines, ER Klassifizierung von Baumarten anhand komplexer Laserscandaten in mediterranen Wäldern mithilfe von Deep Learning. Methoden Ecol. Evol.https://doi.org/10.1111/2041-210X.13981 (2022).

Artikel PubMed PubMed Central Google Scholar

Yang, S.-Y. et al. Anwendung neuronaler Netze zur Klassifizierung von Nadelholzarten mittels Nahinfrarotspektroskopie. J. Nahinfrarotspektroskopie. 28, 298–307 (2020).

Artikel ADS CAS Google Scholar

Moura, MM et al. Auf dem Weg zur Wiederherstellung des Amazonaswaldes: Automatische Erkennung von Arten aus UAV-Bildern. Fernerkundung. https://doi.org/10.3390/rs13132627 (2021).

Artikel Google Scholar

Jiang, S., Yao, W. & Heurich, M. Totholzerkennung basierend auf semantischer Segmentierung von VHR-Luftbildern mit optimiertem FCN-Densenet. Int. Bogen. Fotogramm. Fernerkundung. Rauminformatik. XLII–2/W16, 127–133. https://doi.org/10.5194/isprs-archives-XLII-2-W16-127-2019 (2019).

Artikel Google Scholar

Huang, J. et al. Genaue Identifizierung der Kiefernnematodenkrankheit mit einem neuronalen Netzwerk mit tiefer Faltung. Fernerkundung. https://doi.org/10.3390/rs14040913 (2022).

Artikel Google Scholar

Li, H., Fang, W., Li, L. & Chln, X. Erkennung von Kiefernholz, das mit der Kiefernfadenwurmkrankheit infiziert ist, basierend auf Deep Learning. J. Für. Ing. 6, 142–147. https://doi.org/10.13360/j.issn.2096-1359.202012041 (2021).

Artikel Google Scholar

Yu, R. et al. Früherkennung der Kiefernwelkekrankheit mithilfe von Deep-Learning-Algorithmen und UAV-basierten multispektralen Bildern. Für. Ökologisch. Geschäftsführer 497, 119493. https://doi.org/10.1016/j.foreco.2021.119493 (2021).

Artikel Google Scholar

Tao, H. et al. Deep-Learning-basierte Erkennung toter Kiefern anhand von Bildern unbemannter Luftfahrzeuge. Int. J. Remote Sens. 41, 8238–8255. https://doi.org/10.1080/01431161.2020.1766145 (2020).

Artikel Google Scholar

Qiao, R., Ghodsi, A., Wu, H., Chang, Y. & Wang, C. Einfache schwach überwachte Deep-Learning-Pipeline zur Erkennung einzelner rotbefallener Bäume in VHR-Fernerkundungsbildern. Remote Sens. Lett. 11, 650–658. https://doi.org/10.1080/2150704X.2020.1752410 (2020).

Artikel Google Scholar

Norlander, R., Grahn, J. & Maki, A. Erkennung von Holzknoten mithilfe von Convnet-Transfer-Lernen. In Image Analysis (Hrsg. Paulsen, RR & Pedersen, KS) 263–274 (Springer, 2015).

Kapitel Google Scholar

Gao, M., Chen, J., Mu, H. & Qi, D. Ein Transfer-Rest-Neuronales Netzwerk basierend auf Resnet-34 zur Erkennung von Holzknotendefekten. Wälder 12, 1–16. https://doi.org/10.3390/f12020212 (2021).

Artikel Google Scholar

Chen, Y., Sun, C., Ren, Z. & Na, B. Überblick über den aktuellen Stand der Anwendung der Technologie zur Erkennung von Holzfehlern. BioResources 18, 2288–2302. https://doi.org/10.15376/biores.18.1.Chen (2023).

Artikel Google Scholar

Ding, F. et al. Erkennung von Defekten an Massivholzplatten basierend auf einem verbesserten SSD-Algorithmus. Sensorenhttps://doi.org/10.3390/s20185315 (2020).

Artikel PubMed PubMed Central Google Scholar

Li, D., Zhang, Z., Wang, B., Yang, C. & Deng, L. Erkennungsmethode von Holzfehlern basierend auf einem Zielerkennungsalgorithmus. Messung 203, 111937. https://doi.org/10.1016/j.measurement.2022.111937 (2022).

Artikel Google Scholar

Sun, P. Erkennung von Holzqualitätsfehlern basierend auf Deep Learning und einem Multikriterien-Framework. Mathematik. Probl. Ing. 2022, 4878090. https://doi.org/10.1155/2022/4878090 (2022).

Artikel Google Scholar

Yang, Y., Zhou, X., Liu, Y., Hu, Z. & Ding, F. Holzfehlererkennung basierend auf einer Deep-Extrem-Learning-Maschine. Appl. Sci.https://doi.org/10.3390/app10217488 (2020).

Artikel Google Scholar

Ling, J. & Xie, Y. Forschung zur Klassifizierung von Holzfehlern basierend auf Deep Learning. Holzres. 67, 147–156. https://doi.org/10.37763/WR.1336-4561/67.1.147156 (2022).

Artikel Google Scholar

Celik, Y., Guney, S. & Dengiz, B. Anwendungen von Deep-Learning-Techniken zur Erkennung von Holzanomalien. In: 2022).

Wimmer, G., Schraml, R., Hofbauer, H., Petutschnigg, A. & Uhl, A. Zweistufige CNN-basierte Holzstammerkennung. Vorlesungsunterlagen in Informatik (einschließlich der Unterreihen „Vorlesungsunterlagen in Künstlicher Intelligenz“ und „Vorlesungsunterlagen in Bioinformatik“)12955 LNCS, 115–125, https://doi.org/10.1007/978-3-030-87007-2_9(2021).

Hacıefendioğlu, K. et al. Erkennung und Lokalisierung von Holzbauschäden mithilfe eines tiefen Faltungsnetzwerks mit Transferlernen. EUR. J. Wood Wood Prod. 80, 791–804. https://doi.org/10.1007/s00107-022-01815-5 (2022).

Artikel Google Scholar

Kurdthongmee, W. & Suwannarat, K. Lokalisieren von Holzmark in einem Holzstamm-Querschnittsbild mithilfe der Yolo-Objekterkennung. Im Jahr 2019 Internationale Konferenz über Technologien und Anwendungen der künstlichen Intelligenz (TAAI). https://doi.org/10.1109/TAAI48200.2019.8959823(2019).

Habite, T., Abdeljaber, O. & Olsson, A. Bestimmung der Markposition entlang von Fichtenholzbrettern mithilfe eindimensionaler neuronaler Faltungsnetze, die auf virtuellen Holzbrettern trainiert wurden. Konstr. Bauen. Mater. 329, 127129. https://doi.org/10.1016/j.conbuildmat.2022.127129 (2022).

Artikel Google Scholar

Soille, P. & Misson, L. Baumringflächenmessungen mittels morphologischer Bildanalyse. Dürfen. J. Für. Res. 31, 1074–1083. https://doi.org/10.1139/x01-025 (2001).

Artikel Google Scholar

Cerda, M., Hitschfeld-Kahler, N. & Mery, D. Robuste Baumringerkennung. Im Pacific-Rim Symposium on Image and Video Technology, vol. 4872 von LNCS, 575–585 (Springer, 2007).

Hietz, P. Ein einfaches Programm zum Messen und Analysieren von Baumringen mit Excel. R und SigmaScan. Dendrochronologia 29, 245–250. https://doi.org/10.1016/j.dendro.2010.11.002 (2011).

Artikel PubMed Google Scholar

Henke, M. & Sloboda, B. Halbautomatische Baumringsegmentierung unter Verwendung aktiver Konturen und eines optimierten Gradientenoperators. Für. J. 60, 185–190 (2014).

Google Scholar

Lara, W., Bravo, F. & Sierra, C. Messung: Ein R-Paket zur Messung der Baumringbreiten anhand gescannter Bilder. Dendrochronologia 34, 43–50. https://doi.org/10.1016/j.dendro.2015.04.002 (2015).

Artikel Google Scholar

Fabijańska, A., Danek, MG, Joanna, B. & Piórkowski, A. Auf dem Weg zur automatischen Baumringerkennung in Bildern gescannter Holzproben. Berechnen. Elektron. Landwirtschaft. 140, 279–289. https://doi.org/10.1016/j.compag.2017.06.006 (2017).

Artikel Google Scholar

Fabijańska, A. & Gorzata Danek, M. Deepdendro: Ein Baumringdetektor basierend auf einem tiefen Faltungs-Neuronalen Netzwerk. Berechnen. Elektron. Landwirtschaft. 150, 353–363. https://doi.org/10.1016/j.compag.2018.05.005 (2018).

Artikel Google Scholar

Poláček, M. et al. Automatisierung der Baumringerkennung und -messung mittels Deep Learning. bioRxivhttps://doi.org/10.1101/2022.01.10.475709(2022). https://www.biorxiv.org/content/early/2022/03/22/2022.01.10.475709.full.pdf.

Speer, JH Fundamentals of Tree Ring Research (University of Arizona Press, Tucson, 2012), Nachdruckausgabe Hrsg.

Oktay, O. et al. Achtung U-Net: Lernen, wo man nach der Bauchspeicheldrüse sucht (2018). arXiv:1804.03999.

Kingma, DP & Ba, J. Adam: Eine Methode zur stochastischen Optimierung. AdR. arxiv:1412.6980. (2014).

Nasir, V. & Sassani, F. Ein Überblick über Deep Learning in der Bearbeitung und Werkzeugüberwachung: Methoden, Chancen und Herausforderungen. Int. J. Adv. Hersteller Technol. 115, 2683–2709. https://doi.org/10.1007/s00170-021-07325-7 (2021).

Artikel Google Scholar

Hood, S., Sala, A., Heyerdahl, EK & Boutin, M. Feuer mit geringem Schweregrad erhöht die Baumverteidigung gegen Borkenkäferangriffe. Ökologie 96, 1846–1855. https://doi.org/10.1890/14-0487.1 (2015).

Artikel PubMed Google Scholar

Valor, T., Hood, SM, Piqué, M., Larrañaga, A. & Casals, P. Harzkanäle und Rindendicke beeinflussen die Widerstandsfähigkeit von Kiefern gegen Borkenkäfer nach vorgeschriebenem Feuer. Für. Ökologisch. Geschäftsführer 494, 119322. https://doi.org/10.1016/j.foreco.2021.119322 (2021).

Artikel Google Scholar

Referenzen herunterladen

Diese Autoren haben gleichermaßen beigetragen: Anna Fabijańska und Gabriel D. Cahalan.

Institut für Angewandte Informatik, Technische Universität Lodz, 18 Stefanowskiego Str., 90-537, Lodz, Polen

Anna Fabijańska

The Nature Conservancy, 425 Barlow Place Suite 100, Bethesda, MD, 20814, USA

Gabriel D. Cahalan

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AF-Methodik, Software, Validierung, formale Analyse, Untersuchung, Schreiben – Originalentwurf, Schreiben – Überprüfung und Bearbeitung, Visualisierung. GC: Konzeptualisierung, Datenkuratierung, Untersuchung, Validierung, Schreiben – ursprünglicher Entwurf, Schreiben – Überprüfung und Bearbeitung. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Anna Fabijańska.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Fabijańska, A., Cahalan, GD Automatische Harzkanalerkennung und -messung anhand von Holzkernbildern mithilfe von Faltungs-Neuronalen Netzen. Sci Rep 13, 7106 (2023). https://doi.org/10.1038/s41598-023-34304-7

Zitat herunterladen

Eingegangen: 30. November 2022

Angenommen: 27. April 2023

Veröffentlicht: 02. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-34304-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.