Detta projekt kretsade kring två huvudspår för automatisk timmermätning. Den första delen handlade om att använda AI för automatisk objektdetektion vid stockmätning i sågverk. Bilder erhölls från två kameravinklar i sågverket Bygdsiljum, en vy som visar ändytor och en annan som visar mantelytor på stockarna. Dessa bilder hade sedan tidigare annoterats med märkningar som anger träslag (t.ex. gran eller tall), och även ett mycket litet antal andra typer av egenskaper (såsom vissa sällanfel). Målet var att förbättra en befintlig AI-baserad objektdeteksionsmodell (YOLOv7) genom att anpassa den bättre till sågverkets specifika miljö. Genom att experimentera med bland annat utökad träningstid och så kallad ” mosaic-augmentering” förbättrades modellens precision avsevärt relativt de experiment som tidigare gjorts inom ramen för detta ändamål, särskilt när det kommer till att skilja mellan gran och tall. Även tester med varierande mängder träningsdata visade att mer data kan förbättra resultaten, men att effekten avtar efter en viss punkt. Projektet testade också en unifierad modell som kan hantera båda kameravinklar samtidigt. Denna modell presterade stabilt och visade att det är möjligt att effektivt kombinera data från olika perspektiv. Modellen visade sig främst fungera i sågverksmiljön, men presterade sämre i en mer generell “skogsmiljö” (utomhus), vilket inte är förvånande. En av de huvudsakliga slutsatserna utifrån resultaten är att AI kan användas som ett hjälpmedel för att underlätta och snabba upp ytterligare annoteringsarbete i framtiden, vilket i sin tur kan ge upphov till modeller som presterar tillräckligt bra för sökta ändamål.

Den andra delen handlade om att undersöka användningen av hyperspektral avbildning med NIR för att upptäcka defekter (skogsröta och blånad) och klassificera träslag. Modeller utvecklades för att förutsäga olika typer av defekter. Gran- och tallprover, med olika grader av skogsröta samt blånad, samlades in från sågverk för att skannas och analyseras.

Proverna skannades med två kamerasystem, SWIR och VIS-NIR, men det är ännu oklart om de resulterande modellerna är tillräckligt bra för att implementeras i sågverksmiljö. SWIR-kameran har sannolikt mycket goda möjligheter att detektera träslag och barkförekomst. Även detektion av defekt respektive frisk ved kan sannolikt genomföras, men möjligheten att klassa defekterna som skogsröta och blånad är sämre.

De flesta testerna har genomförts på en renkapad yta, vilket är en brist. Hur bra systemet fungerar på smutsiga ytor behöver utredas ytterligare. De prediktioner som gjorts på smutsiga ytor är i nuläget inte tillräckligt bra, vilket till viss del är naturligt. Om stockänden är täckt med ett lager jord/lera så är det svårt att hitta defekterna. Man kan ev göra det om inträngningsdjupet är tillräckligt, men det är tveksamt om det är det.

Om resultaten är tillräckligt bra för att gå vidare och implementera en pilotuppställning beror också på kraven på systemet. Om det räcker med att defekter hittas utan att behöva klassificera dem i skogsröta och blånad, samt att kraven på hur stor del av ytan som är angripen är rimliga, så är det troligen fullt möjligt att ta ett steg till och skapa ytterligare ett projekt där systemet praktiskt testas i sågverksmiljö. I ett sådant projekt kan man dels få svar på praktiska svårigheter med mätmiljön, men det ger också en plattform för att samla mer data och bygga robustare modeller. I så fall måste det finnas enkla och effektiva stöd för annotering av defekter. På så sätt kan mer data samlas in, praktiska omständigheter testas och det kan eventuellt leda till ett fungerande system.