Så kan AI upptäcka törskateskador i tall

Törskate är en svampsjukdom som kan orsaka stora skador på tall och leda till att veden förändras. Nu har forskare på Skogforsk tagit fram en AI-modell som kan analysera röntgenbilder (CT-skanningar) av stockar och identifiera den skadade veden – den så kallade fetveden.
Röntgen ser det ögat missar
När en tall angrips av törskatesvampen reagerar trädet genom att producera extra kåda. Det gör att veden i de angripna områdena får lägre densitet jämfört med frisk ved. Törskateangrepp har ökat, inte minst i norra Sverige, och väntas öka ytterligare i framtiden. Genom CT-skanning, samma teknik som används i sjukvården, kan skillnaderna i densitet avslöjas och på så sätt ge en bild av hur mycket av veden som påverkats.
Träning av en AI-modell
För att lära datorn att skilja mellan olika typer av ved skapades ett omfattande träningsmaterial:
- 437 tvärsnittsbilder från 36 stockar märktes upp i åtta olika klasser (bland annat frisk splintved, kärnved och två olika typer av fetved).
- Materialet användes för att träna ett neuralt nätverk av typen UNET, en vanlig AI-modell för bildanalys.
- Totalt testades 14 olika modellvarianter för att se vilken som gav bäst resultat.
Resultatet visade att modellen fungerade bäst när de två typerna av fetved behandlades som separata klasser. Att lägga till vissa andra klasser, som bark, gav däremot sämre precision.
Hur bra fungerade AI:n?
Den bästa modellen lyckades korrekt identifiera:
- 79 % av lågdensitetsfetveden
- 41 % av högdensitetsfetveden (som var relativt ovanlig)
Modellen var särskilt bra på att känna igen stockar som inte var angripna. För stockar med törskateskador underskattades mängden skadad ved något – men allvarliga angrepp upptäcktes ändå.
Ett viktigt resultat var att modellen höll sig konservativ: den riskerade inte att överdriva mängden skadad ved, vilket är avgörande för att bevara virkesvärdet om modellen ska användas för att planera sågningen av stocken.

Samband mellan skador och stockens form
I en delstudie undersöktes också sambandet mellan törskateskador och stockens form. Resultaten visade tydliga mönster:
- Ju mer oval eller excentrisk stammen var, desto större sannolikhet för yttre sår.
- Förskjutning av märgen ökade också sannolikheten för sår.
- Ett visst samband fanns mellan ovala former och förekomst av fetved inne i stocken, men dessa samband var svagare än för de yttre skadorna.
Nästa steg
För att ytterligare förbättra AI-modellens precision behöver den tränas på mer data. Ett steg framåt kan bli att använda tredimensionella modeller istället för enbart tvärsnittsbilder. På sikt kan tekniken få stor betydelse för sågverken, där en bättre kartläggning av skador gör det lättare att styra sågutbytet och därmed uppnå ett bättre tillvaratagande av virket. Kanske kan vissa sågverk till och med ta tillvara fetveden som ett eget sortiment i framtiden.
Vi granskar och publicerar din kommentar så snart som möjligt.




