Quando gli scanner imparano gli uni dagli altri: approfondimenti di esperti

L’AI sta cambiando il modo in cui gli scanner nelle segherie lavorano insieme. In MiCROTEC, i dati provenienti da diversi scanner vengono utilizzati per rendere ciascuno più intelligente, migliorando precisione e prestazioni lungo l’intera linea di produzione. Abbiamo parlato con Thomas Gagliardi, Product Manager per le soluzioni log, di come questo concetto funzioni nella pratica, dei metodi di training alla base e di dove è diretta l’AI nella scansione del legno.

MiCROTEC offre un ampio portfolio di soluzioni per la scansione e la gestione del materiale lavorato all’interno di una segheria. Considerando che ogni scanner è progettato per soddisfare i requisiti specifici di una determinata fase del processo produttivo, ne consegue che ciascun sistema si basa su tecnologie hardware e software differenti. Questo significa che ogni strumento di misura possiede capacità tecniche proprie, ma anche alcune limitazioni intrinseche.

Con l’avvento dell’Intelligenza Artificiale, è diventato possibile migliorare le capacità di uno scanner attraverso il software che elabora i dati grezzi forniti. L’approccio di MiCROTEC si basa sul concetto che, sebbene ogni scanner considerato singolarmente presenti alcune limitazioni, quando gli scanner sono interconnessi nel loro contesto operativo, le diverse tecnologie possono compensarsi a vicenda. Inoltre, poiché ogni scanner è integrato in diverse fasi del processo produttivo, le informazioni ottenute dal materiale man mano che viene lavorato possono costituire un prezioso ground truth per l’addestramento dei modelli AI dedicati a ciascun sistema.

Ad esempio, si può considerare uno scanner per tronchi che misura l’intero oggetto e uno scanner per tavole che analizza materiale proveniente da quello che in origine era un unico elemento prima del taglio. La condivisione di queste informazioni tra le diverse fasi produttive, combinata con le differenti tecnologie di sensori, rappresenta una fonte di conoscenza ampliata ed essenziale per fornire ai modelli AI un training il più completo e accurato possibile.

Come già accennato, il fattore chiave alla base dell’affidabilità di un modello AI è la qualità del dataset di training. Un modello AI deve essere visto come un sistema capace di imparare a risolvere un problema anche quando si trova di fronte a scenari diversi dalla norma. Questo rappresenta il vero potenziale di una soluzione basata su AI, ovvero una maggiore flessibilità rispetto a un algoritmo tradizionale progettato per seguire una sequenza predefinita di passaggi. Tuttavia, un modello AI diventa più affidabile quanto più il dataset è ampio, completo e accurato.

MiCROTEC implementa due approcci principali: l’addestramento con dati CT e il cross training tra scanner.

Il primo approccio utilizza i dati provenienti da scanner tomografici, come il CT Log o il BIOMETiC Mito, per fornire un ground truth completo, esteso e preciso ai modelli AI destinati ad altri scanner, senza richiedere la presenza di uno scanner CT nella linea produttiva. Si consideri, ad esempio, la misurazione della forma sotto corteccia di un tronco tramite uno scanner con due sorgenti a raggi X statiche (radiografia), come il Logeye 302 o sistemi analoghi. Sebbene la radiografia permetta di vedere sotto la corteccia, fornisce informazioni parziali, poiché la la proiezione X comprime tutte le informazioni attraversate in un piano bidimensionale. In pratica, questo tipo di scanner fornisce misure dirette solo in 4 dei 360 punti della superficie circolare del tronco.

Al contrario, il CT Log misura l’intera geometria 3D sotto corteccia grazie alla tecnologia tomografica. Grazie a questo riferimento preciso e alla possibilità di generare automaticamente grandi quantità di dati, è stato implementato un approccio multisensore nel Logeye 302, sfruttando laser, telecamere a colori ad alta risoluzione e unità a raggi X. I modelli AI addestrati con dati CT Log consentono oggi una precisione senza precedenti nella stima della forma sotto corteccia. Inoltre, questi dati hanno migliorato significativamente le prestazioni nell’identificazione delle caratteristiche dei nodi, nella determinazione della profondità di potatura, nella stima della larghezza degli anelli di crescita e nel rilevamento di difetti come deviazione di fibra da rottura apicale e legno di compressione.

Un altro esempio è l’uso del BiOMETIC MiTO, scanner tomografico utilizzato nell’industria alimentare. Grazie alle dimensioni più contenute rispetto al CT Log, è stato utilizzato per scansionare delle tavole. I dati tomografici precisi sono stati utilizzati per addestrare i modelli AI installati sugli scanner Goldeneye, in particolare per la funzione Pith Finder per la connessione dei nodi. Questo approccio consente di fornire modelli AI di alta qualità ancora prima dell’installazione degli scanner nella linea produttiva.

Il secondo approccio è il cross learning tra scanner in linea. Con la soluzione MiCROTEC Connect, è possibile tracciare con precisione ogni pezzo di legno lungo l’intero processo produttivo, dal tronco grezzo alla tavola finita. Questo permette di collegare ogni elemento alle fasi precedenti e agli scanner coinvolti.

Ad esempio, partendo da una tavola analizzata da un Goldeneye Transverse nel Green Mill, è possibile risalire al tronco di origine e alla sua posizione esatta prima del taglio. Collegando questo sistema con il CT Log nel piazzale tronchi e altri scanner lungo la linea, è stato possibile migliorare significativamente il rilevamento dell’alburno. In molte specie di conifere, distinguere tra alburno e durame è difficile con immagini visive, mentre è semplice per il CT grazie alle differenze di densità. Utilizzando tavole virtuali generate dal CT come ground truth, questo miglioramento è stato applicato con successo.

Questo approccio di cross learning avviene in tempo reale durante la normale produzione e consente miglioramenti continui giorno dopo giorno.

MiCROTEC è leader nell’innovazione e le prospettive future sono numerose. Si pensi alle soluzioni già esistenti per migliorare la precisione nella misurazione del diametro durante la selezione dei tronchi, o alle opportunità offerte dalle immagini ad alta definizione delle telecamere a colori installate su quasi tutti gli scanner.

Resta fondamentale il focus sulle esigenze del mercato globale delle segherie. La tecnologia deve servire questo settore ed essere in grado di rispondere alle specificità locali, legate alle specie legnose, ai processi produttivi e ai prodotti finali. La tendenza generale va verso una maggiore automazione, con soluzioni in grado di raggiungere livelli di prestazione comparabili a quelli umani, ma con una coerenza molto superiore.

L’integrazione di soluzioni basate su AI, con la possibilità di training su dati CT o tramite cross learning, mantiene aperta la strada a sviluppi futuri, grazie alla flessibilità e scalabilità di questi metodi, in risposta alle nuove esigenze del mercato globale del legno e alle sfide ambientali ed economiche in continua evoluzione.