När skannrar lär av varandra: expertinsikter

AI förändrar hur skannrar i sågverk samarbetar. Hos MiCROTEC används data från olika skannrar för att göra varje enhet smartare, vilket förbättrar noggrannhet och prestanda genom hela produktionslinjen. Vi talade med Thomas Gagliardi, produktchef för stocklösningar, om hur detta fungerar i praktiken, vilka träningsmetoder som används och vart AI inom virkesskanning är på väg.

MiCROTEC erbjuder en omfattande portfölj av lösningar för skanning och hantering av material som bearbetas i ett sågverk. Eftersom varje skanner är utformad för att uppfylla de specifika kraven i ett visst steg av produktionsprocessen är varje skanner baserad på olika hård- och mjukvaruteknologier från början. Detta innebär att varje mätinstrument har sina egna tekniska möjligheter samt vissa inneboende begränsningar.

Med framväxten av artificiell intelligens har det blivit möjligt att förbättra en skanners kapacitet genom mjukvaran som bearbetar dess rådata. MiCROTECs tillvägagångssätt bygger på idén att även om varje skanner har sina begränsningar var för sig, kan de olika teknologierna kompensera för varandra när skannrar kopplas samman i sin operativa miljö. Dessutom, eftersom varje skanner är integrerad i olika steg av produktionsprocessen, kan informationen som genereras när materialet gradvis bearbetas fungera som värdefull “ground truth” för att träna AI-modeller för varje skanner.

Som exempel kan man tänka sig en stockskanner som mäter hela objektet och en brädskanner som inspekterar material som ursprungligen var en del av ett och samma objekt före sågning. Att dela denna information mellan de olika produktionsstegen, i kombination med de olika sensorteknologierna, skapar en utökad och avgörande kunskapsbas för att ge AI-modeller så komplett och exakt träning som möjligt.

Som nämnts är kvaliteten på träningsdata avgörande för en AI-modells tillförlitlighet. En AI-modell bör ses som ett system som kan lära sig lösa problem även när den ställs inför situationer som avviker från det normala. Detta visar potentialen i AI-baserade lösningar, som är mer flexibla än traditionella algoritmer som följer en förutbestämd sekvens av steg. Samtidigt blir en AI-modell mer tillförlitlig ju bredare, mer komplett och mer exakt träningsdata den har.

MiCROTEC använder två olika metoder: träning med CT-data och korsinlärning mellan skannrar. 

Den första metoden använder data från tomografiska skannrar som MiCROTEC CT Log eller BIOMETiC Mito för att ge en omfattande och exakt referens för AI-modeller som utvecklas för andra skannrar, utan att en CT-skanner behöver vara installerad i produktionslinjen. Till exempel vid mätning av stockars form under barken med en skanner utrustad med två statiska röntgenkällor (radiografi), som MiCROTEC Logeye 302. Radiografi kan se under barken men ger bara begränsad information eftersom röntgenbilden sammanför alla strukturer till en tvådimensionell bild. I praktiken ger detta direkta mätningar i endast fyra av 360 punkter runt stockens omkrets.

En CT Log-skanner mäter däremot hela den tredimensionella geometrin under barken tack vare tomografi. Med denna exakta referens och möjligheten att automatiskt generera stora datamängder har en multisensorstrategi implementerats i Logeye 302, där laser, högupplösta färgkameror och röntgen används tillsammans. AI-modeller tränade med CT-data ger nu en avsevärt förbättrad noggrannhet vid uppskattning av stockens form under barken. På samma sätt har prestandan förbättrats när det gäller att identifiera kvisttyper, bestämma kvistningsdjup, uppskatta årsringarnas bredd och upptäcka toppbrott och tryckved.

Ett annat exempel är användningen av BiOMETIC MiTO, en tomografisk skanner anpassad för livsmedelsindustrin men även lämplig för brädor tack vare sin mindre storlek. Den exakta tomografiska datan används för att träna AI-modeller i Goldeneye-skannrar, särskilt för funktionen Pith Finder for Knot Connection. Denna metod gör det möjligt att leverera högkvalitativa AI-modeller redan innan skannrar installeras i sågverk. 

Den andra metoden är korsinlärning mellan skannrar i produktionen. MiCROTEC Connect möjliggör spårbarhet för varje virkesbit genom hela processen, från rå stock till färdig produkt. Detta gör det möjligt att koppla varje bräda till dess ursprung och exakta position i stocken före sågning.

Genom att koppla samman olika skannrar i produktionslinjen, till exempel Goldeneye Transverse i sågverket med CT Log i timmersorteringen, har det blivit möjligt att förbättra identifieringen av splintved. För många barrträslag är det svårt att visuellt skilja splintved från kärnved, men med hjälp av densitetsskillnader i CT-data blir detta möjligt. Genom att använda virtuella brädor från CT Log som referens har denna förbättring kunnat implementeras framgångsrikt.

Denna metod sker i realtid under normal produktion och möjliggör kontinuerliga förbättringar från dag till dag.

MiCROTEC är en innovationsledare och möjligheterna framåt är många. Exempelvis finns redan lösningar för att förbättra noggrannheten i diametermätning vid sortering när stockar hanteras med bark i timmersorteringen och barkas senare innan sågning, vilket är ett kritiskt steg för optimering. Samtidigt öppnar högupplösta färgbilder från moderna kameror nya möjligheter.

Det centrala är fortsatt sågverksindustrins globala behov. Tekniken måste anpassas till olika marknader, träslag och produktionskrav. Trenden går mot ökad automatisering, där lösningar kan nå samma nivå som mänskliga operatörer men med betydligt högre repeterbarhet.

Integrationen av AI, tillsammans med möjligheten att träna på CT-data eller genom korsinlärning, skapar en flexibel och skalbar grund för framtida utveckling i en bransch som påverkas av både miljömässiga och ekonomiska förändringar.