3 Boyutlu Görüntüleme Kullanılarak Bir Ağaç Gövde Çap Ölçüm Uygulamasının Geliştirilmesi

Abstract

Orman işletmelerinde sürekli ve rasyonel bir çalışma gerçekleştirebilmek için ağaçların odun hacim ve artım miktarının periyodik olarak belirlenmesi önemlidir. Ağaçlardan elde edilecek materyallerin farklı kullanım amaçları için ağaçların odun hacimlerini belirlemede ağaç gövde çapının hassas bir şekilde ölçülmesi gerekmektedir. Ağaç gövde çapları çoğunlukla manuel olarak kumpaslarla ölçülmektedir. Bu işlem sürecinde bir orman işçisi kumpasla ağacın gövde çapını ölçmekte ve başka bir işçi ise bu ölçüm bilgisini dikili ağaç ölçüm tutanağına kaydetmekte ve daha sonra analiz için bu veriler bilgisayar ortamına aktarılmaktadır. Tüm bu süreçler zaman, iş gücü ve ölçüm hataları gibi sorunları da beraberinde getirmektedir. Bu çalışmada, ağaç gövde çaplarını ölçebilmek amacıyla derinlik bilgisi içeren bir kamera, tek kart bilgisayar ve diğer çevre birimlerden oluşan düşük maliyetli taşınabilir bir ölçüm sisteminin tasarımı ortaya konmuş ve ön testleri gerçekleştirmek amacıyla deneysel bir sistem oluşturulmuştur. Hedef plan doğrultusunda oluşturulan görüntüleme sistemi ile bazı ön testler gerçekleştirilmiştir. Derinlik bilgisi içeren görüntülerde, hedeflenen bir ağaç gövdesinin dış aydınlatma ortamından etkilenmeksizin ön plana çıkarabiliyor olması, ağaç gövde çapının hassas bir şekilde belirlenmesini sağlamaktadır. Kamera sensörü-ağaç gövdesi arası mesafe belirli bir sınır değer içerisinde (20-100cm) olması koşuluyla 15 farklı ölçüm gerçekleştirilmiş ve manuel kumpas ölçümüne göre ağaç gövde çapları maksimum 1.975 cm hata değeri ile belirlenmiştir.

Keywords

• Orman amenajmanı
• Görüntü bölütleme
• Üç boyutlu görü

Development of a Tree Trunk Diameter Measurement System Using 3D Imaging

Abstract

In order to carry out a continuous and rational work in forest enterprises, it is important to determine the wood volume and increment amount of the trees periodically. It is necessary to measure the tree trunk diameter precisely in determining the wood volume of the trees for the different uses of the materials to be obtained from the trees. Tree trunk diameters are mostly measured manually with calipers. In this process, a forest worker measures the trunk diameter of the tree with a caliper, and another worker records this measurement information in the standing tree measurement report and then this information is transferred to the computer for further analysis. All these processes bring problems such as time, labor and measurement errors. In this study, it is planned to develop a low-cost portable measurement system consisting of a depth camera, single board computer and other peripherals with depth information in order to measure tree trunk diameters, and an experimental system was created to carry out preliminary tests. Some preliminary tests were carried out with the imaging system created in line with the target plan. In images containing depth information, the fact that a targeted tree trunk can be highlighted without being affected by the external lighting environment enables the tree trunk diameter to be determined precisely. 15 different measurements were performed, provided that the distance between the camera sensor and the tree trunk was within a certain limit value (20-100 cm), and tree trunk diameters were determined with a maximum error value of 1.975 cm according to manual caliper measurement.

Keywords

• Forest management planning
• Image segmentation
• Three dimensional measurement

References

1. Alcarria R, Bordel B, Manso M. A, Iturrioz T, Pérez M. 2018. Analyzing UAV-based remote sensing and WSN support for data fusion. In Proceedings of the International Conference on Information Technology & Systems, February 8-10, Cusco, Peru, pp: 756-766.
2. Barrett F, McRoberts RE, Tomppo E, Cienciala E, Waser LT. 2016. A questionnaire-based review of the operational use of remotely sensed data by national forest inventories. Remote Sens Environ, 174: 279-289.
3. Buğday E. 2016. Ormancılıkta üretimin planlaması ve hassas ormancılık anlayışı. Anadolu Orman Araşt Derg, 2(12): 54-57.
4. Celes CHS, Araujo RFD, Emmert F, Lima AJN, Campos MAA. 2019. Digital approach for measuring tree diameters in the Amazon forest. Floresta e Ambiente, 26: 1-10
5. Chen C, Wang Y, Li Y, Yue T, Wang X. 2017. Robust and parameter-free algorithm for constructing pit-free canopy height models. ISPRS Int J Geo-Info, 6(7): 219-232.
6. Durgun H, Çoban H.O, Mehmet E. 2022. İnsansız hava aracıyla elde edilen hava fotoğraflarından kızılçam ağaçlarının çap ve boylarının ölçümü ve gövde hacminin tahmini. Turkish J Forest, 23(4): 255-267.
7. Eker M. Özer D. 2015. Üretim işlerinde hassas ormancılık yaklaşımı: Kavramsal çerçeve. Türkiye Ormancılık Derg, 16(2): 183-194.
8. Elaksher AF, Bhandari S, Carreon-Limones CA, Lauf R. 2017. Potential of UAV lidar systems for geospatial mapping. Lidar Remote Sens Environ Monit, 2017(10406): 121-133.

9. Gougherty AV, Keller SR, Kruger A, Stylinski CD, Elmore AJ, Fitzpatrick MC. 2018. Estimating tree phenology from high frequency tree movement data. Agri Forest Meteorol, 263: 217-224.
10. Hosoi F, Omasa K. 2006. Voxel-based 3-D modeling of individual trees for estimating leaf area density using high-resolution portable scanning lidar. IEEE Transact Geosci Remote Sens, 44(12): 3610-3618.
11. Hosoi F, Nakai Y, Omasa K. 2013. 3-D voxel-based solid modeling of a broad-leaved tree for accurate volume estimation using portable scanning lidar. ISPRS J Photogrammet Remote Sens, 82: 41-48.
12. Kalıpsız A. 1999. Dendrometri. İstanbul Üniversitesi Orman Fakültesi Yayınları, İ.Ü. Yayın No: 3194, O.F. Yayın No: 354, İstanbul, Türkiye.
13. Karadöl H, Aybek A. 2019. Determination of live tree trunk diameter with close-range imaging. 1st International Congress on Biosystems Engineering, September 24-27, 2019, Hatay, Türkiye, pp: 142-147.
14. Kazmi W, Foix S, Alenyà G, Andersen HJ. 2014. Indoor and outdoor depth imaging of leaves with time-of-flight and stereo vision sensors: Analysis and comparison. ISPRS J Photogrammet Remote Sens, 88: 128-146.
15. Liang X, Kankare V, Hyyppä J, Wang Y, Kukko A, Haggrén H, Vastaranta M. 2016. Terrestrial laser scanning in forest inventories. ISPRS J Photogrammet Remote Sens, 115: 63-77.
16. Omasa K, Hosoi F, Konishi A. 2007. 3D lidar imaging for detecting and understanding plant responses and canopy structure. J Exper Botany, 58(4): 881-898.
17. Otsu N. 1979. A threshold selection method from gray-level histogram. IEEE Transact Syst Man Cybernetics, 9: 62-66.
18. Özdemir İ. 2013. Yersel lazer tarama ile tek ağaç özelliklerinin belirlenmesi. Turkish J Forestry, 14(1): 40-47.
19. Pérez DS, Bromberg F, Antivilo FG. 2014. Computer vision approach for low cost, high precision measurement of grapevine trunk diameter in outdoor conditions. ArXiv Preprint arXiv, 140:4845.
20. SPSS. 2011. IBM SPSS statistics for Windows, version 20.0. Methods for soil characterization. In Diagnosis and improvement of saline and alkali soils. Agricultural Handbook 60. USDA Washington, US, pp: 83-147.
21. Suciu G, Ciuciuc R, Pasat A, Scheianu A. 2017. Remote sensing for forest environment preservation. proceedings of the 2017 world conference on ınformation systems and Technologies. Madeira, Portugal, 13: 211–220.
22. Tadic V, Odry A, Kecskes I, Burkus E, Kiraly Z, Odry P. 2019. Application of Intel realsense cameras for depth image generation in robotics. WSEAS Transac Comput, 18: 2224-2872.
23. Vatandaşlar C, Zeybek M, Borucu S. 2022. Mobil LiDAR ile orman envanterlerinde farklı örnekleme tasarımlarının veri hassasiyeti ve iş verimliliğine etkisi: Rize Şenyuva örneği. Bartın Orman Fak Derg, 24(2): 258-271.
24. Vatandaşlar C, Zeybek M, Çankaya EÇ, Demiraslan T, Şahin C, Gündüz Y. 2022. El tipi mobil LiDAR teknolojisinin orman envanterlerinde kullanımı: Artvin-Şavşat Örneği. Orman Araşt Derg, 9(1): 81-96.
25. Zhang L, Xia H, Qiao Y. 2020. Texture synthesis repair of RealSense D435i depth images with object-oriented RGB Image Segmentation. Sensors, 20(23): 6725.