Искусственный интеллект в исследованиях древесины

Искусственный интеллект (ИИ) находит все больше областей применения в лесном хозяйстве и деревообрабатывающей промышленности. В сочетании с изображениями компьютерной томографии можно анализировать внутреннюю структуру древесины для прогнозирования ее качества и прочности.

Компьютерное зрение – это обработка и анализ изображений для выполнения таких задач, как локализация или классификация объектов на изображениях. В этой области ИИ уже превзошел человека по результатам многочисленных исследований и сравнительных тестов. Отдел лесопользования Научно-исследовательского института леса Баден-Вюртемберга (FVA) использует эту технологию в прикладных исследованиях древесины, в частности, для анализа внутренних структур древесины с помощью компьютерных томографических изображений для прогнозирования качества и прочности.

Рис. 1: Компьютерный томограф Microtec CT.Log в FVA с зажатым стволом бука. Фото: Stängle (FVA BW)

ИИ встречает КТ

Для некоторых пород деревьев традиционные алгоритмы обработки изображений уже способны с высокой степенью точности определять сердцевину или сучки на снимках компьютерной томографии (КТ). Трудности возникают в тех областях, где разница в плотности древесных структур и, соответственно, контрастность КТ-изображений невелика или их характеристики сильно различаются. Примерами могут служить обнаружение сучков в заболони мягкой древесины или обнаружение сучков в древесине твердых пород, таких как бук или дуб.

Рис. 2: КТ-сканирование бука с низким контрастом между структурами ветвей и окружающей древесиной. Фото: FVA BW

Конволюционные нейронные сети (CNN) состоят из нескольких слоев, которые выполняют определенные функции. Название CNN восходит к так называемым конволюционным слоям. В каждом конволюционном слое к изображениям применяются фильтры, которые позволяют распознавать различные структуры и узоры. В первых слоях это могут быть, например, линии и края, а в более глубоких слоях – все более сложные формы и структуры. Для того чтобы распознать нужные особенности, сеть обучается на большом наборе изображений. Во многих случаях это изображения, на которых соответствующие признаки были отмечены учеными, так что сеть постепенно учится адаптировать фильтры в различных слоях, чтобы распознавать нужные признаки.

Обучение на больших массивах данных

Основная сложность машинного обучения заключается в создании подходящих наборов данных для обучения сетей, поскольку в зависимости от сложности задачи наборы данных должны быть очень большими. Например, чтобы создать набор данных для обучения сети распознавания ветвей на буковых деревьях, было просканировано более 100 участков ствола с помощью компьютерной томографии и тысячи ветвей были отмечены вручную на компьютере на изображениях, полученных с помощью компьютерной томографии.

Создание эталонного набора данных для дуба еще сложнее: к настоящему времени вручную было зарегистрировано более 2 000 признаков на сканах восьми участков ствола. Однако полученные результаты показывают, что для распознавания ветвей как бука, так и дуба необходимо значительно увеличить размер наборов данных, чтобы достичь желаемой точности. В то же время уже достигнутые результаты весьма многообещающи и показывают огромный потенциал, заложенный в использовании искусственного интеллекта.

Рис. 3: КТ-скан дуба с высокой вариативностью структур ветвей. Слева: оригинал; справа: структуры ветвей, распознанные искусственным интеллектом как наложение. Фото: FVA BW

Трассировка: Фотографии вместо меток

ИИ, и в частности компьютерное зрение, все чаще используется и в других сферах деятельности. Совместный проект “Цифровой отпечаток пальца: прослеживаемость без маркировки от срубленного бревна до лесопильного завода” в FVA, который был завершен в 2023 году, был направлен на разработку системы прослеживаемости круглого леса по всей цепочке создания стоимости от заготовки древесины до деревообрабатывающей промышленности. Это должно обеспечить более устойчивое и в то же время более эффективное использование древесины. Особенность: Процесс должен быть возможен без маркировки. Для этого использовались интегрированные в производственный процесс системы камер, которые делали снимки одной и той же передней поверхности секций бревен на харвестере, в штабеле и на лесопильном заводе.

Секция бревна идентифицировалась путем автоматического анализа участка торца вокруг сердцевины. Для этого использовалось машинное обучение в два этапа: На первом этапе с помощью CNN была определена сердцевина, чтобы получить опорную точку для выравнивания и правильного выбора участка торца. Для этого сеть была обучена примерно на 2 000 фотографий поперечных сечений бревен с лесопильного завода и около 5 000 фотографий, сделанных на харвестерной головке и на столбах. Результаты обнаружения сердцевины уже были очень хорошими для снимков, сделанных в харвестерной головке и на столбах, но для снимков с лесопилки пока не удалось достичь желаемой точности.

Рис. 4. и Рис. 5. Полная уборочная головка со встроенной поворотной камерой в проекте DiGeBaSt. Фотографии: последние (FVA BW)

После выбора правильного участка изображения Институт физических измерений Фраунгофера (IPM) во Фрайбурге в сотрудничестве с FVA обучил еще одну CNN для выбора десяти наиболее вероятных совпадений торцевых поверхностей. Из этих десяти торцов для определения нужного торца используется традиционный алгоритм обработки изображений, разработанный в IPM.

При тестировании системы все торцевые лица, кроме одного, были правильно подобраны. Не было ни одного неправильного назначения. Из-за больших затрат на сбор данных для обучения CNN в рамках проекта удалось использовать только около 500 торцов, а протестировать алгоритм удалось только на 65 торцах. Несмотря на небольшой набор обучающих данных, CNN уже в 88 процентах случаев правильно определил наиболее вероятную торцевую поверхность. В связи с такими хорошими и многообещающими результатами планируется значительно расширить набор данных в рамках последующего проекта, чтобы усовершенствовать CNN и протестировать технологию на большем наборе данных.

Перспективы

Помимо вышеперечисленных применений, становится очевидным, что компьютерное зрение с поддержкой ИИ будет играть все более важную роль в измерении и сортировке: например, для измерения столбов, автоматического распознавания отдельных стволов на фотографиях столбов или определения толщины коры с помощью томографических изображений. Методы искусственного интеллекта также все чаще используются для анализа данных и моделирования. Чем дальше продвигается цифровизация лесной и деревообрабатывающей промышленности и чем больше данных становится доступным, тем больше потенциальных применений для ИИ будет в будущем, что приведет к совершенно новым возможностям и сложным исследовательским проектам.

Оригинальная статья размещена в периодическом издании Центра лесных исследований и испытаний в Баден-Вюртемберг