Wood Artificial Intelligence — Knot modeling by Computed Tomography

Tre kan fungere som langsiktig karbonlager, og derfor kan økt bruk av tre i bygninger være en metode for å redusere de negative effektene av klimaendringer. Som en konsekvens er det viktig å produsere mest mulig trelast med god nok kvalitet til at den kan brukes i bygg, møbler og andre produkter med lang levetid. Når byggeindustrien bruker mer tre, blir det enda viktigere å bruke tre så effektivt som mulig. Skanning av tømmer med industriell computertomografi (CT) er i ferd med å bli mer utbredt i trelastindustrien, og det har bidratt til betydelig økt produksjon av trelast med god kvalitet. CT skanning av tømmer før skjæring gir informasjon om de indre egenskapene, og dette kan bli tatt hensyn til når man optimaliserer skjæringen. De største utfordringene med CT er å detektere størrelsen på kvister i yteveden og overgangen mellom frisk og tørr kvist. Kviststørrelse og om kvisten er frisk eller tørr er viktige kvalitetsfaktorer, men kravene varierer mellom ulike produkter. Kviststørrelse er en begrensning for konstruksjonsvirke siden den påvirker styrken og stivheten. For trelast som skal brukes i treprodukter hvor utseendet har betydning, er det i tillegg ulike krav til friske og tørre kvister. En mer nøyaktig deteksjon av kvistegenskaper i CT skanning vil derfor forbedre prediksjonen av kvalitet og bidra til mer effektiv bruk av tømmerressursene. Kvistegenskapene er relatert til kroneutviklingen og greinene til trærne og kan estimeres fra ytre målinger på trærne og data fra skogen. Prosjektet har som mål å forbedre algoritmene for deteksjon av kvist i CT skanning ved hjelp av kunstig intelligens (AI) gjennom å kombinere data fra CT skanning med fysiske målinger av kvister og data fra skogen, og å utvikle nye modeller for å estimere kvistegenskaper, styrke og stivhet til trelast.

Knot-extraction methodology from CT log scans will be developed with more details and a higher accuracy than those of existing algorithms. This will correspond to a significant improvement over existing methods. Industrial CT scanning of logs is becoming a more widespread tool in sawmill production and has proven to considerably increase the volume of high-value sawn timber. Still, there is great potential in improving its accuracy. The novel image analysis methods based on deep learning and neural network approaches, in combination with improved models, will enable a more precise production optimisation from forestry to log and final end-product (sawn-timber). The project is divided into 9 WPs covering different levels of the processing chain, centering the branch/knot structure, and linking tree (crown, growth) and mechanical wood (strength, stiffness) properties. A unique database will be created and will be used for the following purposes: - AI-based algorithms for better extraction of knots from CT images, combined with statistical modelling based on the training data sets. - Combination of forest inventory data and detailed tree growth data, external stem, crown and branch measurements and knot properties with data from CT scanning to improve sawing simulations. It will also make systems for more optimal bucking of stems possible, and feedback to forestry and silviculture, and therefore the forest value chain will be more sustainable due to a higher material efficiency. - Systematically compare CT measurements of stem/knot structure in green and dry conditions with manual, physical measurements of the same properties in order to improve algorithms for knot extraction from CT images. - Development of new grading models for estimating strength and stiffness of virtual boards based on CT data.