Interpretable convolutional neural networks for microscopic wood identification

Nieradzik, Lars

Vorschau

PDF
DissertationLarsNieradzik.pdf - Veröffentlichte Version
Download (3MB)

URN:	urn:nbn:de:bsz:180-madoc-714440
Dokumenttyp:	Dissertation
Erscheinungsjahr:	2025
Ort der Veröffentlichung:	Mannheim
Hochschule:	Universität Mannheim
Gutachter:	Janis Keuper
Datum der mündl. Prüfung:	2025
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Machine Learning (Keuper 2024-)
Lizenz:	Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Englisch):	neural networks , deep learning , machine learning , interpretability
Abstract:	Global deforestation threatens biodiversity and accelerates climate change, emphasizing the need for transparent supply chains. The EU regulation on deforestation-free supply chains (EUDR) has increased demand for accurate wood species verification, particularly in paper products. However, verifying wood species in paper is challenging due to pulp mixing and DNA degradation during pulp processing. Microscopic wood anatomy remains the primary and traditional approach for species identification. This work explores the use of Convolutional Neural Networks (CNNs) for automating wood species identification in microscopic images, while advancing our understanding of neural network interpretability. We develop a two-stage system combining vessel detection and classification, alongside novel tools for analyzing how neural networks process visual information. Through collaboration with wood anatomy experts, we evaluate both the system’s performance and its decision-making process, providing insights into the relationship between machine learning approaches and domain expertise. The developed methods contribute both to practical wood identification in fiber material and to our broader understanding of neural network behavior.
Übersetzung des Abstracts:	Die globale Entwaldung bedroht die Artenvielfalt und beschleunigt den Klimawandel, was die Notwendigkeit transparenter Lieferketten betont. Die EU-Verordnung über entwaldungsfreie Lieferketten (EUDR) hat die Nachfrage nach präziser Holzartenbestimmung erhöht, unter anderem bei Papierprodukten. Die Verifizierung von Holzarten in Papier stellt jedoch aufgrund von DNA-Degradierung und Fasermischungen eine besondere Herausforderung dar. Da traditionelle Methoden hier an ihre Grenzen stoßen, bleibt die mikroskopische Holzanatomie der primäre Ansatz. Diese Arbeit untersucht den Einsatz von Convolutional Neural Networks (CNNs) zur Automatisierung der Holzartenbestimmung in mikroskopischen Aufnahmen und erforscht gleichzeitig die Interpretierbarkeit neuronaler Netzwerke. Wir entwickeln ein zweistufiges System, das Gefäßerkennung und -klassifizierung kombiniert sowie neue Methoden zur Analyse der visuellen Informationsverarbeitung in neuronalen Netzwerken. In Zusammenarbeit mit Expertinnen und Experten der Holzanatomie evaluieren wir sowohl die Leistung des Systems als auch dessen Entscheidungsprozesse und gewinnen dabei Einblicke in das Zusammenspiel zwischen maschinellen Lernansätzen und Fachwissen. Die entwickelten Methoden leisten damit sowohl einen Beitrag zur praktischen Holzartenbestimmung in Faserstoffen als auch zu unserem grundlegenden Verständnis des Verhaltens neuronaler Netzwerke. (Deutsch)