UruDendro4：针对 Pinus taeda L 树木截面图像中自动树轮检测的基准数据集
计算机视觉与模式识别
2026-01-21 v1
摘要
树轮生长代表单棵树的年度木质组织增量，量化其生长可用于评估哪些林业实践最适合于特定树种。手动测量此生长耗时且常常不够精确，因为通常在截面盘的 4 至 8 个径向方向上进行测量。近年来，出现了自动化算法和数据集，以提高准确性并自动描绘截面图像中的年度环。为解决木质截面数据稀缺的问题，本文引入 UruDendro4 数据集，包含 102 个 Pinus taeda L. 样本，每个样本均手动标注了年度生长环。与现有公开数据集不同，UruDendro4 包括沿树干多个高度提取的样本，允许基于手动描绘的树轮进行体积建模。该数据集（图像和标注）允许开发基于截面图像的年度木质估计体积模型。此外，我们提供了针对该数据集的自动树轮检测性能基准，使用最先进的方法。最高性能由 DeepCS-TRD 方法实现，平均精度为 0.838，平均召回率为 0.782，适应化兰德误差分为 0.084。进行了一系列消融实验，以实证验证最终的参数配置。进一步，我们实证表明，包含该数据集的训练模型可提高模型在树轮检测任务中的泛化能力。
引用
@article{arxiv.2511.20935,
title = {UruDendro4: A Benchmark Dataset for Automatic Tree-Ring Detection in Cross-Section Images of Pinus taeda L},
author = {Henry Marichal and Joaquin Blanco and Diego Passarella and Gregory Randall},
journal= {arXiv preprint arXiv:2511.20935},
year = {2026}
}
备注
Accepted at IEEE 15th International Conference on Pattern Recognition Systems (ICPRS-25)