Bildanalys kan göras både med ”klassiska” metoder och med neurala nätverk (AI). I det här projektet har klassiska bildanalysmetoder använts för att dela upp stocken i de tre klasserna splintved, kärnved och fetved. Vi har sedan utvärderat algoritmen både för enskilda bilder (tvärsnitt) och för hela stockar. Att titta på hela stocken gör man till exempel när man vill klassa en stock som ”fetvedsstock” eller ”normalstock”. Vi klassade en stock som fetvedsstock om dess andel fetved var lika med eller större än 1%. Då klassade algoritmen 89% av stockarna rätt.
På enskilda bilder utvärderade vi hur väl algoritmen detekterade varje klass, både när det gällde mängden fetved och var i tvärsnittet den fanns. Då var träffsäkerheten 84 % för kärnved, 96% för splintved och 45% för fetved.
Bild 1. Exempel på klassning. Övre vänster: originalbild. Övre mitt: algoritmens klassning, där kärnvedsklassen är ljusgrå, splintvedsklassen mörkgrå. Övre höger: symbol A markerar starten av fetvedsområde #1, medan symbol B markerar en perifer del av fetvedsområde #2. Underst: som Övre höger, men sedd i xz-planet. Det gröna strecket visar var i stocken exemplet är lokaliserat.
Utvärderingen visade att algoritmen överskattade mängden fetved, den är med andra ord översensitiv. Överskattningen sker framför allt genom att algoritmen sammanblandar kärnvedens gräns mot splintveden med fetved och att den klassar vissa mycket mörka årsringar som fetved. Det hade varit snäppet bättre om det hade varit tvärt om – att algoritmen underskattade mängden fetved. Då minskar risken för att normalstockar felaktigt vrakas eller sorteras bort. Därför tog vi fram ett metodsteg som dämpade problemet med översensivitet samtidigt som det överdrev algoritmen på stockar med fetved.
Att ytterligare minska översensitiviteten är ett av målen för fortsättningsprojektet CT-Tör 3, finansierat av Kempestiftelserna. Då kommer en AI-baserad variant av algoritmen att utvecklas. Sannolikt kommer den både att vara exaktare och snabbare. Målet är en metod som går att använda i sågverk.
Kanske kommer det i framtiden finnas intresse för att inte bara sortera ut utan också såga stockar med mycket fetved för att använda till produkter som tändpinnar, takspån eller andra byggnadsvårdsdetaljer.
Studien har genomförts av Skogforsk tillsammans med Luleå tekniska universitet och National Bioinformatics Infrastructure Sweden (NBIS).
