Una investigación presentada este 7 de octubre en Estados Unidos utiliza visión por computadora para extraer automáticamente información de los anillos de crecimiento de las trozas y relacionarla con propiedades mecánicas de la madera obtenida posteriormente. El objetivo es avanzar hacia una evaluación rápida y objetiva de la calidad antes del aserrado. La línea tecnológica tiene una conexión directa con Uruguay: investigadores de la Universidad de la República desarrollaron UruDendro y UruDendro4 utilizando imágenes de Pinus taeda uruguayo para automatizar la detección de anillos mediante procesamiento de imágenes y aprendizaje profundo.
Una fotografía de la sección transversal de una troza podría convertirse en una fuente de información para decidir su destino industrial antes de transformarla en tablas. Esa es la dirección de una investigación presentada este miércoles 7 de octubre en la Convención Nacional 2026 de la → Society of American Foresters (SAF), que se realiza en Estados Unidos.
El trabajo, denominado Automated Ring Characterization for On-Site Log Quality Assessment, desarrolla un procedimiento de visión por computadora para extraer automáticamente características de los anillos anuales visibles en secciones transversales de pino ponderosa (Pinus ponderosa) y estudiar posteriormente su relación con las propiedades mecánicas de la madera aserrada.
La investigación es desarrollada por Tzu-I “Zack” Liao, estudiante de doctorado del Departamento de Ingeniería Forestal, Recursos y Gestión de la → Oregon State University.
El objetivo final es especialmente interesante para la cadena forestal: disponer de herramientas rápidas y objetivas que permitan estimar la calidad potencial de la madera antes de clasificar las trozas para su procesamiento industrial.
Los anillos contienen información sobre la madera
Los anillos de crecimiento no indican únicamente la edad de un árbol. Su ancho, distribución y proporción entre madera temprana y madera tardía contienen información relacionada con las condiciones en que se desarrolló el árbol y con determinadas características de la madera.
El trabajo presentado en la convención forestal estadounidense utiliza imágenes de los extremos de trozas y piezas de madera para extraer automáticamente esos atributos.
Entre las variables analizadas se encuentran el ancho de los anillos y la relación entre madera temprana y tardía. Posteriormente, los investigadores estudian cómo esos indicadores obtenidos mediante imágenes se relacionan con propiedades mecánicas de la madera.
La propuesta busca transformar características que actualmente pueden evaluarse visualmente en datos medibles y comparables.
De la apreciación visual a una medición automatizada
Según la información presentada por SAF, una parte importante de la clasificación de calidad de las trozas continúa dependiendo de apreciaciones visuales realizadas en el cargadero forestal o posteriormente en la industria.
La visión artificial introduce otra posibilidad: fotografiar la sección transversal, identificar automáticamente los anillos y convertir su geometría en variables cuantitativas.
Un algoritmo puede analizar una imagen de manera sistemática, detectar patrones y medir características que posteriormente pueden compararse con resultados obtenidos mediante ensayos físicos de la madera.
Si las relaciones entre esos patrones y las propiedades mecánicas logran validarse suficientemente, una imagen relativamente sencilla podría convertirse en una primera herramienta de apoyo para determinar el destino más conveniente de una troza.
La posibilidad de clasificar antes del aserrado
El concepto tiene consecuencias industriales potencialmente importantes. Actualmente, una parte considerable de la información sobre la calidad final aparece después de que la troza ya ingresó al proceso de transformación.
Conocer anticipadamente qué trozas poseen mayor probabilidad de producir madera con determinadas propiedades permitiría avanzar hacia una clasificación orientada al producto final.
Las trozas podrían, en el futuro, separarse según su potencial para diferentes usos antes de ingresar al aserradero, aumentando las posibilidades de asignar cada materia prima al proceso industrial que genere mayor valor.
Esto resulta especialmente relevante cuando el destino es madera estructural, donde propiedades como resistencia y rigidez adquieren una importancia fundamental.
Sin embargo, la tecnología presentada todavía se encuentra en investigación. Los propios objetivos del trabajo identifican desafíos técnicos y etapas de validación pendientes antes de convertir el análisis de imágenes en una herramienta práctica para clasificación forestal en terreno.
No se trata todavía de una máquina comercial de clasificación
La diferencia es importante. El trabajo presentado en Estados Unidos no significa que actualmente pueda tomarse cualquier fotografía de una troza y obtener automáticamente una clasificación estructural certificada de la madera que producirá.
El sistema busca establecer primero relaciones suficientemente robustas entre las características visibles de los anillos y las propiedades mecánicas medidas posteriormente.
Diferentes especies, edades, condiciones de crecimiento, defectos y características de las imágenes pueden afectar el desempeño de los algoritmos. Por ello, los modelos requieren conjuntos de datos representativos y validaciones específicas antes de trasladarse a aplicaciones comerciales.
Precisamente allí aparece una conexión particularmente interesante con Uruguay.
Uruguay ya construyó una base propia para enseñar a la computadora a leer anillos
Investigadores de la → Universidad de la República (Udelar) vienen trabajando sobre un problema tecnológico estrechamente relacionado: conseguir que una computadora identifique automáticamente los anillos de crecimiento en imágenes de secciones transversales de Pinus taeda.
El proyecto UruDendro generó inicialmente una base pública de imágenes de madera de pino producida en Uruguay con los límites de los anillos identificados manualmente por especialistas.
A partir de esos datos se desarrolló CS-TRD, un método de procesamiento de imágenes para detectar los anillos completos en las secciones transversales. De acuerdo con la publicación académica de Udelar, el método alcanzó un F-Score de 91% sobre el conjunto UruDendro de Pinus taeda.
El trabajo fue desarrollado por Henry Marichal, Diego Passarella y Gregory Randall, vinculando capacidades de procesamiento de imágenes e investigación forestal dentro de la propia Universidad de la República.
UruDendro4 amplió el experimento con árboles de Rivera
La investigación uruguaya avanzó posteriormente con UruDendro4, una nueva base de datos compuesta por 102 imágenes de alta resolución de secciones transversales de Pinus taeda, cada una con sus anillos de crecimiento identificados manualmente.
Las muestras proceden de árboles cosechados en 2024 en un sitio ubicado aproximadamente a cuatro kilómetros de Tranqueras, en el departamento de Rivera.
Se obtuvieron discos a diferentes alturas del mismo fuste —0, 3, 6 y 9 metros, además de muestras adicionales a 1,3 metros para uno de los tratamientos—, lo que permite estudiar no solamente el crecimiento radial sino avanzar hacia modelos volumétricos del incremento anual de madera.
El proyecto posee además una dimensión directamente vinculada con el manejo forestal. Las muestras incluyen diferentes esquemas de raleo, permitiendo estudiar cómo las prácticas silvícolas modifican el crecimiento de los árboles.
UruDendro4 fue desarrollado por Henry Marichal, Joaquín Blanco, Diego Passarella y Gregory Randall y contó con financiación de la → Agencia Nacional de Investigación e Innovación (ANII).
La inteligencia artificial mejora la detección
La evolución desde UruDendro hacia UruDendro4 incorporó también técnicas de aprendizaje profundo.
El conjunto más reciente permitió evaluar algoritmos avanzados para detectar automáticamente los límites de los anillos. El método DeepCS-TRD alcanzó una precisión media —mean Average Precision— de 0,838 y un mean Average Recall de 0,782 en la base UruDendro4.
Más importante aún, los investigadores comprobaron que incorporar las imágenes uruguayas al entrenamiento mejoraba la capacidad de generalización del modelo para detectar anillos.
Esto muestra por qué disponer de datos locales tiene valor estratégico. Un algoritmo entrenado exclusivamente con madera de otras especies, regiones y condiciones de crecimiento no necesariamente responde de la misma forma cuando se enfrenta a madera producida en Uruguay.
Dos investigaciones diferentes que comienzan a converger
El proyecto de Oregon State University y UruDendro no persiguen exactamente el mismo objetivo y no corresponde presentarlos como una única tecnología.
El trabajo uruguayo se concentra fundamentalmente en detectar y medir automáticamente los anillos y estudiar el crecimiento de Pinus taeda. La investigación presentada este 7 de octubre en Estados Unidos intenta dar un paso adicional: relacionar atributos extraídos de esos anillos con propiedades mecánicas de los productos de madera.
Pero ambas líneas comparten una pieza tecnológica fundamental: convertir una sección transversal de madera en información cuantitativa mediante visión por computadora.
La convergencia resulta especialmente interesante para Uruguay porque significa que una parte del conocimiento necesario para futuras herramientas de clasificación inteligente de madera ya se está desarrollando en el país.
Del árbol al producto final
La digitalización de la madera podría permitir, en el futuro, conectar información que hoy se obtiene en etapas diferentes de la cadena.
Los datos sobre genética, sitio y manejo silvícola podrían relacionarse con imágenes de los anillos, características de las trozas, información obtenida durante el aserrado y finalmente con propiedades mecánicas de las tablas.
La inteligencia artificial puede ayudar a encontrar relaciones dentro de ese volumen de información y construir modelos capaces de anticipar qué materia prima resulta más apropiada para determinados productos.
Para una cadena forestal que busca aumentar la transformación industrial y la producción de madera de mayor valor agregado, esta capacidad puede resultar particularmente relevante.
Una oportunidad para el pino uruguayo
La conexión adquiere además importancia por tratarse de investigaciones realizadas sobre especies del género Pinus. El trabajo estadounidense utiliza pino ponderosa, mientras que UruDendro utiliza Pinus taeda producido en Uruguay.
Los modelos desarrollados para una especie no pueden trasladarse automáticamente a otra, pero la existencia de una base de datos nacional de Pinus taeda ofrece precisamente la posibilidad de desarrollar y validar herramientas adaptadas a la materia prima uruguaya.
El paso siguiente, desde una perspectiva industrial, sería profundizar la relación entre la información obtenida de las imágenes y variables como densidad, rigidez, resistencia, defectos y rendimiento de los productos obtenidos posteriormente.
Si esa relación consigue validarse a escala productiva, una fotografía tomada en el monte, en la cancha de trozas o al ingreso del aserradero podría transformarse en un dato adicional para decidir el destino industrial de cada pieza.
La madera comienza a ser leída por las máquinas
La investigación presentada hoy en Estados Unidos muestra una tendencia que puede adquirir creciente importancia en la industria forestal: utilizar visión artificial no solamente para detectar defectos visibles, sino para extraer de la propia estructura de crecimiento del árbol información relacionada con la calidad del producto.
Uruguay posee una ventaja para seguir esa evolución. UruDendro y UruDendro4 ya proporcionan imágenes, anotaciones y algoritmos desarrollados sobre Pinus taeda cultivado en el país.
El desafío será conectar progresivamente esa capacidad de reconocer cómo creció el árbol con la capacidad de anticipar qué madera puede producir. Allí podría encontrarse una nueva herramienta para integrar silvicultura, cosecha, clasificación industrial y producción de madera estructural con mayor valor agregado.
Fuentes principales
→ SAF 2026 National Convention – Automated Ring Characterization for On-Site Log Quality Assessment.
→ Universidad de la República – CS-TRD: A Cross-Section Tree Ring Detection Method.
