logga
I spåren av ökade törskateangrepp kan vi förvänta oss mer fetved i sågtimret. För att ändå kunna använda stocken maximalt kan röntgen användas för att identifiera och mäta de skadade områdena.

Sågtimmer med fetved till följd av törskateangrepp väntas bli vanligare, särskilt i norra Sverige. Nu har en automatisk metod baserad på CT-scanning (datortomografi, från engelskans computed tomography) tagits fram för att identifiera och mäta mängden fetved i stockar. 

Törskate (Cronartium pini spp.) är en rostsvamp som angriper tall. Svampen kommer in i trädet framför allt genom årsbarren från vilka den tar sig till innerbarken. Där nyttjar den trädets vatten och näringsämnen. Tallen försvarar sig genom att fylla igen intilliggande ved med extraktivämnen (kåda), vilket resulterar i fetved. Kådanrikningen hämmar svampens tillväxt genom att transporten av vatten och näringsämnen stoppas. Men det stoppar även tillväxten i det angränsande kambiet (trädets tillväxtskikt precis innanför barken) och leder till att veden torkar ut. Det är inte ovanligt att tallen tar död på sig själv i sin strävan att hindra svampinfektionen.

En del av de överlevande träden når dimensioner som är lämpliga för sågning och detta sågtimmer kan innehålla fetved som bildats på grund av infektionen. Infektionen kan synas på trädstammens utsida som orangefärgade fläckar under perioder då svampen är sporbildande, som svarta zoner på barken, kådrinningar, eller lös bark. Det är dock möjligt för trädet att övervalla skadan, vilket kan göra den i stort sett osynlig från utsidan.

Det finns idag inget automatiskt sätt att mäta fetvedsförekomst på. Det kan också vara svårt att se och bedöma om en stock har fetved. En stock med ocentrerad märg eller oval form har högre sannolikhet att ha fetved än en symmetrisk stam, men de defekterna kan också ha andra orsaker. Fetved ingår i klassningsaspekten ”ej levande stamdel” som bedöms på stockens ändyta. Men om inte fetveden syns i ändytan så kommer den inte med i klassningen.

Skogforsk har i ett tidigare projekt visat att fetved till följd av törskateinfektion kan detekteras i bilder på CT-skannade stockar. En slutsats var att skadan ofta var större på insidan av stocken än vad den verkade från utsidan. Fetved har generellt sett lägre densitet än vanlig ved då vatten ersätts av kåda och det är just densiteten CT-skannern mäter. 

Läs fördjupning

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.

imagexxkgn.png
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).

Nr 6-2024    Publicerad 2024-02-05 14:26

Kommentarer
Det finns ännu inga kommentarer på denna sida. Var först med att ge en kommmenter.
Kommentera
Skicka in
Kommentarer granskas innan publicering
Tack för din kommentar!
Vi granskar och publicerar din kommentar så snart som möjligt.
Tyvärr lyckades vi inte spara din kommentar.