Wenn Scanner voneinander lernen: Experteneinblicke

KI verändert die Art und Weise, wie Scanner in Sägewerken zusammenarbeiten. Bei MiCROTEC werden Daten von verschiedenen Scannern genutzt, um jeden einzelnen intelligenter zu machen und so Genauigkeit und Leistung entlang der gesamten Produktionslinie zu verbessern. Wir haben mit Thomas Gagliardi, Product Manager für Rundholz-Lösungen, darüber gesprochen, wie dieses Konzept in der Praxis funktioniert, welche Trainingsmethoden dahinterstehen und wohin sich die KI im Bereich Scanlösungen für die Holzindustrie entwickelt.

MiCROTEC bietet ein umfangreiches Portfolio an Lösungen für das Scannen und die Verwaltung von Material, das in einem Sägewerk verarbeitet wird. Da jeder Scanner für die spezifischen Anforderungen eines bestimmten Prozessschritts entwickelt wird, basiert jedes System von Anfang an auf unterschiedlichen Hardware- und Softwaretechnologien. Das bedeutet, dass jedes Messsystem eigene technische Fähigkeiten, aber auch bestimmte Limitationen hat.

Mit Künstlicher Intelligenz ist es möglich geworden, die Fähigkeiten eines Scanners durch seine Software zu erweitern. Der Ansatz von MiCROTEC basiert auf der Idee, dass einzelne Scanner zwar gewisse Einschränkungen haben, diese jedoch durch ihre Vernetzung im operativen Kontext ausgeglichen werden können. Zudem liefern die unterschiedlichen Prozessstufen, in die die Scanner integriert sind, wertvolle Informationen aus dem zunehmend weiterverarbeiteten Material, die als „Ground Truth“, also Referenzdaten, für das Training der jeweiligen KI-Modelle dienen können.

Ein Beispiel ist ein Rundholzscanner, der den gesamten Stamm erfasst, und ein Bretterscanner, der Material analysiert, das ursprünglich ein zusammenhängender Stamm war. Der Austausch dieser Informationen über verschiedene Produktionsstufen hinweg, kombiniert mit den unterschiedlichen Sensortechnologien, stellt eine erweiterte und wesentliche Wissensbasis dar, um KI-Modelle möglichst vollständig und präzise zu trainieren.

Wie bereits erwähnt, ist die Qualität des Trainingsdatensatzes der entscheidende Faktor für die Zuverlässigkeit eines KI-Modells. Ein KI-Modell ist ein System, das lernen kann, ein Problem auch dann zu lösen, wenn es mit ungewöhnlichen oder neuen Szenarien konfrontiert wird. Genau darin liegt das Potenzial von KI im Vergleich zu klassischen Algorithmen, die auf festen Abläufen basieren. Gleichzeitig gilt, dass ein KI-Modell umso zuverlässiger wird, je umfangreicher, vollständiger und genauer die Trainingsdaten sind.

MiCROTEC verfolgt zwei Hauptansätze: Training mit CT-Daten und Cross-Training zwischen Scannern.

Der erste Ansatz nutzt Daten von tomografischen Scannern wie dem CT Log oder dem BIOMETiC Mito, um eine umfassende, präzise „Ground Truth“ für KI-Modelle bereitzustellen, die auf anderen Scannern eingesetzt werden, ohne dass ein CT-Scanner in der Produktionslinie installiert sein muss. Ein Beispiel ist die Messung der Form unter der Rinde mit einem Scanner, der mit zwei statischen Röntgenquellen arbeitet, wie dem Logeye 302. Obwohl diese Technologie unter die Rinde blicken kann, liefert sie nur begrenzte Informationen, da alle Strukturen in einer zweidimensionalen Projektion überlagert werden. In der Praxis bedeutet das, dass nur an 4 von 360 Punkten der Stammoberfläche direkte Messungen vorliegen.

Im Gegensatz dazu erfasst der CT Log die vollständige 3D-Geometrie unter der Rinde. Diese präzisen Referenzdaten und die Möglichkeit, große Datenmengen automatisch zu generieren, ermöglichen einen Multisensor-Ansatz im Logeye 302, der Laser, hochauflösende Farbkameras und Röntgensysteme kombiniert. KI-Modelle, die mit CT-Daten trainiert wurden, liefern heute eine bisher unerreichte Genauigkeit bei der Bestimmung der Form unter der Rinde. Darüber hinaus wurden auch die Erkennung von Astmerkmalen, die Bestimmung der Asttiefe, die Schätzung der Jahrringbreite sowie die Erkennung von Defekten wie Wipfelbruch oder Buchs deutlich verbessert.

Ein weiteres Beispiel ist der Einsatz des BiOMETIC MiTO, eines tomografischen Scanners aus der Lebensmittelindustrie. Aufgrund seiner kompakteren Bauweise eignet er sich für das Scannen von Brettern. Die gewonnenen tomografischen Daten werden genutzt, um KI-Modelle für Goldeneye-Scanner zu trainieren, insbesondere für die Funktion der Lokalisierung der Markröhre zum Verbinden der Äste. Dieser Ansatz ermöglicht es, hochwertige KI-Modelle bereits vor der Installation in der Produktionslinie bereitzustellen.

Der zweite Ansatz ist das Cross-Learning zwischen Scannern in der Linie. Mit der Lösung MiCROTEC Connect wird eine lückenlose Rückverfolgbarkeit jedes Holzstücks über den gesamten Produktionsprozess hinweg ermöglicht, vom Rohstamm bis zum fertigen Brett. Dadurch kann jedes Produkt mit seinen vorherigen Prozessschritten und den entsprechenden Scannern verknüpft werden.

So kann beispielsweise bei einem Brett, das von einem Goldeneye Transverse in der Nasssortierung gescannt wurde, der ursprüngliche Stamm sowie seine genaue Position im Stamm vor dem Einschnitt bestimmt werden. Durch die Verknüpfung dieses Systems mit dem CT Log im Rundholzplatz und weiteren Scannern entlang der Linie konnte die Erkennung von Splintholz deutlich verbessert werden. Bei vielen Nadelholzarten ist die Unterscheidung zwischen Splint- und Kernholz anhand visueller Daten schwierig, während sie aufgrund von Dichteunterschieden für den CT-Scanner eindeutig ist. Mithilfe virtueller Bretter aus CT-Daten als Ground Truth wurde diese Verbesserung erfolgreich umgesetzt.

Dieses Cross-Learning erfolgt in Echtzeit während der laufenden Produktion und ermöglicht kontinuierliche Verbesserungen im täglichen Betrieb.

MiCROTEC ist ein Innovationsführer, und die zukünftigen Möglichkeiten sind vielfältig. Beispiele sind bestehende Lösungen zur Verbesserung der Durchmesserbestimmung im Rundholzsortierprozess oder die Potenziale hochauflösender Bilder aus Farbkameras, die mittlerweile auf nahezu allen Scannern installiert sind.

Entscheidend bleibt jedoch der Fokus auf die Anforderungen des globalen Sägewerksmarktes. Technologien müssen auf die spezifischen Bedürfnisse unterschiedlicher Märkte abgestimmt sein, die sich durch Holzarten, Produktionsprozesse und Endprodukte unterscheiden. Der allgemeine Trend geht in Richtung höherer Automatisierung mit Lösungen, die Leistungen auf dem Niveau menschlicher Bediener erreichen, jedoch mit deutlich höherer Konsistenz.

Die Integration von KI-Lösungen, die sowohl auf CT-Daten als auch auf Cross-Learning basieren, eröffnet weiterhin neue Entwicklungsmöglichkeiten. Diese Ansätze sind flexibel und skalierbar und können sich an die sich wandelnden Anforderungen des globalen Holzmarktes sowie an ökologische und wirtschaftliche Herausforderungen anpassen.