SAHATAVARAN TARKASTUS ITSEORGANISOIVILLA KARTOILLA

Transkriptio

1 SAHATAVARAN TARKASTUS ITSEORGANISOIVILLA KARTOILLA MATTI NISKANEN

2 Niskanen M. (2000) Sahatavaran tarkastus itseorganisoivilla kartoilla. Oulun yliopisto, sähkötekniikan osasto. Diplomityö, 67 s. TIIVISTELMÄ Sahatavaran ulkonäössä on suurta vaihtelua, joka ei hankaloita ihmisen tekemiä päätöksiä vikojen tyypeistä ja lautojen laatuluokista. Vaihtelut aiheuttavat kuitenkin ongelmia automaattisille puuntarkastusjärjestelmille. Esimerkiksi syykuvio ja oksat pitäisi pystyä erottamaan joka tilanteessa toisistaan, mutta useimpien tarkastusjärjestelmien käyttämät yksinkertaiset kynnystyspohjaiset havainnointimenetelmät usein epäonnistuvat tässä tehtävässä. Lisäksi vikojen ulkoasu vaihtelee: esimerkiksi jonkin laudan tuore oksa voi näyttää toisen laudan mustalta oksalta. Tässä työssä esitetään ohjaamattomaan ryhmittelyyn pohjautuva tapa vikojen havaitsemiseksi ja niiden tunnistamiseksi sahatavarasta. Ratkaisu on helposti opetettavissa ja mahdollistaa vikojen havaitsemisen pienille ruuduille (esim. 32*32 pikseliä) laskettujen moniulotteisten piirrevektoreiden avulla. Pääideana on käyttää itseorganisoivaa karttaa erottelemaan hyvä puu vioista. Vastaavanlaista menetelmää käytetään luokiteltaessa eri vikoja. Tarve ihmisen osallistumiselle opetukseen on minimaalinen. Menetelmää on testattu laudoista otetuilla värikuvilla. Väärien hälytysten ja erityisesti havaitsematta jääneiden vikojen määrä on pieni. Tarkka suorituskyvyn arviointi on kuitenkin hankalaa, sillä mitatut tulokset ovat suhteessa ihmisen tekemään luokitteluun. Esitettyjä ohjaamattomia menetelmiä käytettäessä vikojen tunnistus ja luokittelu eivät kuitenkaan riipu ihmisen tekemästä luokittelusta eivätkä siten kärsi tämän tekemistä virheistä. Ratkaisumalli tarjoaa myös helposti ymmärrettävän visuaalisen käyttöliittymän. Avainsanat: SOM, ohjaamaton ryhmittely, konenäkö, puu, visuaalinen tarkastus

3 Niskanen M. (2000) Lumber inspection with Self-Organizing Maps. University of Oulu, Department of Electrical Engineering. Diploma Thesis, 67 p. ABSTRACT The appearance of sawn timber has huge natural variations that a human inspector easily compensates for in his brain when determining the types of defects and the grade of each board. However, for automatic wood inspection systems these variations are a major source for complication. For instance, normal wood grain and knots should be reliably discriminated in all circumstances, but simple thresholding based detection methods used in stateof-the-art inspection systems frequently fail even in this apparently straightforward task. Furthermore, the appearances of defects vary; so one board s sound knot is another board s dark knot, making it difficult to use textbook methodologies for visual inspection. These generally aim at systems that are trained in a supervised manner with samples of defects and good material, but selecting and labeling the samples is an error prone process that limits the accuracy that can be achieved. In this thesis, a non-supervised clustering based approach for detecting and recognizing the defects of lumber boards is presented. The solution is simple to train, and supports detecting knots and other defects by using multidimensional feature vectors containing texture and color cues for small (e.g., 32-by-32 pixel) non-overlapping regions in the image. A key idea is to employ a Self-Organizing Map (SOM) for discriminating between sound wood and defects. An identical scheme is employed in classifying the defects. Human involvement needed for training is minimal. The approach has been tested with color images of lumber boards. The false detection and especially error escape rates are very low. Assessing the exact accuracy is difficult, since results measured are related to human labeling. The defect recognition and classification are however not affected by human errors in training. The approach also provides a self-intuitive visual user interface. Key words: SOM, non-supervised clustering, machine vision, lumber, visual inspection

4 SISÄLLYSLUETTELO TIIVISTELMÄ...1 ABSTRACT...2 SISÄLLYSLUETTELO...3 ALKULAUSE...5 LYHENTEIDEN JA MERKKIEN SELITYKSET JOHDANTO SAHATAVARAN VISUAALINEN LAADUTUS Puun ominaisuuksia Automaattinen pinnantarkastus Sahatavaran pinnantarkastusjärjestelmät Kuva-anturit Visuaalinen tarkastus Automaattisen tarkastuksen ongelmat VISUAALISEN TARKASTUKSEN MENETELMIÄ Vikojen ilmaisu Segmentoimaton vikojen ilmaisu Segmentoiva vikojen ilmaisu Ilmaisujen tunnistus Ohjattu opetus Ohjaamaton opetus Sääntöpohjainen luokittelu Itseorganisoivat kartat Näytteiden ryhmittely kartalle SOM:in käyttö luokittelussa Itseorganisoivan kartan opetus SOM:in visualisointi VIKOJEN ILMAISU JA LUOKITTELU SOM:ILLA SOM:iin pohjautuva segmentoimaton vikojen ilmaisumenetelmä Ilmaisussa käytettävät piirteet SOM:in solmun valinta Puhtaan puun ja vikojen välisen rajan määrittäminen SOM:issa Vianilmaisun tehostaminen lisätiedon avulla SOM:iin pohjautuva luokittelumenetelmä Ilmaistujen alueiden liittyvyysanalyysi Vikojen tunnistuksessa käytettävät piirteet Vikojen luokittelu SOM:illa SOM:in käyttöön liittyviä ongelmia Piirteiden valinta Näytteiden painottaminen Poikkeustilanteiden käsittely Kartan järjestäytyminen Opetusparametrien valinta Laskennan nopeus Sääntöpohjaisen luokittelun tarve...44

5 5. LAADUTUSTARKKUUDEN ARVIOINTI Vikojen ilmaisu Vikojen tunnistus Mittaustuloksien tulkinta Mitatun luokittelutuloksen ja käytetyn menetelmän riippuvuudet Mitatun ja todellisen luokittelutuloksen suhde MENETELMÄTESTIT Vikojen ilmaisutarkkuus Ilmaisutarkkuuden mittaus Herkkyys rajan valinnan suhteen Ruudun koon vaikutus Vikojen ilmaisun ongelmat Virheellisten havaintojen jakautuminen Havaitsematta jääneiden vikojen luokat Virhehälytysten tyypit Ihmisen virheistä aiheutuvia ongelmia Vikojen tunnistuksen tarkkuus Nimettyjen vikojen luokittelutarkkuus Havaittujen vikojen luokittelutarkkuus Luokittelun ongelmia Johtopäätökset YHTEENVETO LÄHTEET...65

6 ALKULAUSE Tämä diplomityö on tehty Oulun yliopiston sähkötekniikan osaston informaationkäsittelyn laboratoriossa. Esitän parhaat kiitokseni työn ohjaajana ja valvojana toimineelle professori Olli Silvénille saamistani neuvoista ja kommenteista sekä mielenkiintoisesta aiheesta. Kiitän myös toista työni tarkastajaa professori Matti Pietikäistä. Lisäksi haluaisin kiittää työkavereitani kaikesta työni kuluessa saamastani avusta. Erityisesti kiitän Johannaa hänen opiskeluaikanani antamastaan, myös opiskeluun liittymättömästä tuesta. Oulussa, elokuun 25. päivänä 2000 Matti Niskanen

7 LYHENTEIDEN JA MERKKIEN SELITYKSET IR knn LBP LVQ NIR RGB SOM TS-SOM InfraRed, infrapuna K- Nearest Neighbor, luokittelumenetelmä Local Binary Pattern, tekstuuripiirre Learning Vector Quantization, luokittelumenetelmä Near InfraRed, lähi-infrapuna Red, Green, Blue, väriavaruus Self-Organizing Map, itseorganisoiva kartta Tree-Structured SOM, hierarkkinen SOM

8 1. JOHDANTO Vuonna 1999 metsäteollisuuden tuotteiden osuus Suomen viennistä oli 66,2 mrd mk ollen 29 % kokonaistavaraviennistä ja niukasti suurin yksittäinen vientiryhmä. Pelkästään havusahatavaraa Suomesta vietiin 8,4 miljoonaa m 3 kokonaistuoton ollessa 11,7 miljoonaa m 3. Suomi oli vuonna 1998 maailman kolmanneksi suurin havusahatavaran viejä. [1] Sahatavarasta saatava hinta riippuu laadusta, joka määräytyy vikojen perusteella. Yksittäisen sahatavaralappeen laatua voidaan parantaa mm. sahaamalla ulkopuolelle sen reunoilla esiintyviä vikoja. Ennen sahatavarakappaleiden myyntiä niiden laatuluokat määritetään ja ne lajitellaan luokkiensa mukaisesti. Joidenkin arvioiden [2] mukaan prosentin parannus luokittelutarkkuudessa vastaa noin prosentin parempaa hintaa. Suurimmilla sahoilla kone on korvannut ihmisen laadutuksessa. Vaikka automaattisen luokittelijan luokittelutarkkuus onkin ihmisen saavuttamaa tarkkuutta parempi, on siinä edelleen parantamisen varaa, sillä ihmisen tekemät virheet heikentävät myös automaattisen luokittelijan tarkkuutta. Yleisimmät käytössä olevat tarkastusjärjestelmät toimivat sääntöpohjaisesti vertaamalla eri parametrien arvoja vioille asetettuihin kynnysarvoihin. Järjestelmän toimintakuntoon saattamiseksi ihminen säätää näitä toisistaan riippuvia parametreja tarkkailemalla samalla säätöjen vaikutuksia luokittelussa. Useissa tilastollisissa hahmontunnistusmenetelmissä luokittelijat taas opetetaan näytteiden avulla. Ulkonäöltään vaihteleva puumateriaali tekee menetelmästä kuitenkin liian työlään, sillä opetukseen käytettävää materiaalia tarvitaan paljon ja sen valinta pitää tehdä tarkasti. Opetusmateriaalin yksittäisten vikojen virheellinen nimeäminen ja valinta heikentää koneella saavutettavaa luokittelutarkkuutta. Tässä työssä on kehitetty automaattisella luokittelulla saavutettavaa tarkkuutta. Painopiste on ollut vikojen ilmaisussa ja tunnistamisessa sahatavarasta värikameralla otetuista kuvista. Vikojen ilmaisuun ja tunnistukseen käytetään ohjaamatonta itseorganisoiviin karttoihin pohjautuvaa menetelmää, mikä vähentää ihmisen virheiden vaikutusta tunnistuksessa. Myös muita itseorganisoivien karttojen vaikutuksia ja tarjoamia mahdollisuuksia luokittelun yhteydessä esitetään. Aluksi luvussa 2 esitetään sahatavaran automaattisen tunnistuksen taustaa ja ongelmia. Luvussa 3 esitetään tarkemmin visuaalisen tarkastuksen vaihtoehtoisia ratkaisuja ja itseorganisoivien karttojen käytön periaatetta. Luvussa 4 on esitetty uusi, itseorganisoiviin karttoihin perustuva menetelmä vikojen ilmaisuun ja tunnistamiseen. Luvussa 5 perehdytään suoritustarkkuuden mittauksiin ja niiden ongelmiin, minkä jälkeen luvussa 6 on esitetty varsinaiset mittaustulokset. Lopuksi pohditaan menetelmän luonnetta ja jatkokehitystarpeita.

9 9 2. SAHATAVARAN VISUAALINEN LAADUTUS Sahatavara on yleisnimitys vähintään neljältä sivulta sahatulle puutavaralle. Sahatavarat, kuten laudat ja lankut, luokitellaan eri laatuluokkiin niiden pinnoilla näkyvien vikojen mukaan. Laatuun vaikuttavia tekijöitä ovat mm. eri vikatyyppien lukumäärät, pinta-alat, vakavuudet ja sijainnit. Pohjoismaisen tavan mukaan laatuluokat ovat A, B, C ja D [3]. Paras laatu, A, jaetaan edelleen luokkiin A1, A2, A3 ja A4. Laatuun D riittää, että sahatavarakappale pysyy koossa ja sahanterä on koskettanut kappaleen jokaista sivua koko pituudeltaan. Kuvassa 1 on esimerkit eri laatuluokkiin sijoittuvista laudoista [1]. Kuva 1. Esimerkkejä eri laatuluokkiin kuuluvista laudoista. Kuva on julkaistu Metsäteollisuus ry:n luvalla. Pohjoismaisen tavan lisäksi eri luokittelusääntöjä on lukuisia. Yksistään Euroopan tärkeimmät standardit määrittävät satoja eri laatuluokkia [4]. Virallisten sääntöjen lisäksi lajittelu tehdään usein jonkin muun ohjeiston perusteella: Vuonna 1992

10 10 Suomen sahat käyttivät kolmea vaihtoehtoista tapaa sahatavaran laadun luokitukseen ja vain 5 % luokitteli virallisten luokittelusääntöjen mukaan. Valtaosa, 76 %, käytti omia sääntöjään ja 19 % luokitteli asiakkaan määräämien laatuluokkien mukaan. [5] Eri laatuluokkiin kuuluville sahatavarakappaleille on erilaisia käyttökohteita. Parhaaseen laatuluokkaan kuuluvaa puuta käytetään mm. listoihin ja puusepäntuotteisiin, kun taas huonolaatuisimmat soveltuvat muottilaudoiksi tai pakkausmateriaaliksi [3, 6]. Hinta, jonka saha saa myymästään sahatavarasta, riippuu sen laatuluokasta. Taulukossa 1 on esitetty suhteelliset arviot eri luokkien mänty- ja kuusisahatavaroista saatavista hinnoista [6]. Laatuluokan nouseminen asteella, esimerkiksi B:stä A4:een, voi kasvattaa sahatavaran arvoa jopa puolella. Taulukko 1. Arvio mänty- ja kuusisahatavaran suhteellisista hinnoista eri laatuluokissa laatuluokka puulaji A1 A2 A3 A4 B C mänty kuusi Sahat haluavat luonnollisesti myymistään tuotteista maksimituoton. Koska parempilaatuisesta sahatavarasta saa selvästi paremman hinnan, haluavat sahat tietenkin tuottaa korkealaatuista sahatavaraa. Ennen sahatavaran kuivatusta sille suoritetaan tuorelajittelu. Hyvälaatuiset kappaleet kuivatetaan hitaasti matalammassa lämpötilassa, jotta niihin ei syntyisi kuivumishalkeamia. Myös sahatavaran laitoja ja päitä voidaan leikata pois ns. trimmauksessa, jotta laatua saataisiin parannettua. Laatuluokka voi parantua, kun esimerkiksi vajaasärmä tai reunalla sijaitsevia oksia saadaan poistettua. Määrän suhteellisen pieni väheneminen trimmauksessa korvautuu moninkertaisesti laatuluokan parantuessa. [7] Visuaaliselle tarkastukselle on käyttöä myös sahatavaran jatkokäsittelyssä. Kun sahatavarasta valmistetaan edelleen tuotteita, pyritään vikojen vaikutus minimoimaan ja puusta saatava hyötysuhde maksimoimaan. Joissain kohdissa kappaleita sijaitsevat viat ovat pahempia kuin muualla, esimerkiksi ikkunanpielien liitoskohtiin [7] voidaan vaatia parempilaatuista kestävää puuta. Usein näkyvälle pinnalle sallitaan vähemmän vikoja kuin piilossa olevalle, joten kappaleet voidaan sahata siten, että vika jää piiloon. Lisäksi voidaan haluta vaikkapa syykuvioltaan samantapaista puuta samaan pintaan. Sahatavaran käytön optimointi edellä mainitut seikat huomioonottaen on monimutkainen ongelma ja käytännössä mahdotonta manuaalisesti sahattaessa. Pohjoismaisen käytännön mukaan tukit sahataan kuvan 2 a) mukaisesti. Aluksi tukista sahataan pintalaudat kahdelta syrjältä. Näin muodostunut pelkka käännetään kyljelleen ja jakosahausvaiheessa se halkaistaan keskeltä sekä sahataan keskitavaroiksi ja sivulaudoiksi [3, 6]. Tukin alkuperäisestä tilavuudesta alle puolet saadaan sahatavaraksi [1], jota joudutaan edelleen jälkikäteen hylkäämään siinä esiintyvien virheiden takia. Sahausta voitaisiin optimoida jo tässä vaiheessa. Tulevaisuuden saha toimiikin luultavammin monelta osin paljon nykyistä älykkäämmin. Toistaiseksi kuvitteellisen esimerkkisahan tilaustietokanta voi sisältää tiedot tilatusta materiaalista. Tiedot sisältävät niin yksittäisten kappaleiden mitat kuin niiden eri kohdille asetetut laatuvaatimuksetkin. Aiempien sahausten paljastamien

11 11 pintojen avulla voidaan arvioida puun sisäistä rakennetta ja ennakoida mm. piilossa olevien oksien paikkoja. Eri kohdista sahattavat kappaleet valitaan niiden kokojen ja asetettujen laatuvaatimusten perusteella. Edellä havainnollistettu älykäs saha on esimerkki siitä, kuinka automaattisella tarkastuksella voitaisiin tehostaa puutavaran käyttöä. Kuva 2 b) havainnollistaa, miten tukki voitaisiin sahata puun käyttö optimoiden ottamalla huomioon vikojen sijainnit. Luonnollisesti automaattiset luokittelut ja optimoivat järjestelmät vaativat toimiakseen luotettavan ja tarkan vikojen paikannuksen ja tunnistuksen. a) Perinteinen pohjoismainen tapa b) Optimoiva tapa. Kuva 2. Vaihtoehtoisia tapoja sahata tukki sahatavaraksi Puun ominaisuuksia Pohjoismainen sahatavaran lajitteluohjeisto [3] erittelee kaikkiaan 40 eri sahatavaran laatuun vaikuttavaa ominaisuutta. Tässä työssä näitä ominaisuuksia kutsutaan yleisesti vioiksi, vaikka esimerkiksi tietynkokoiset oksat voivat toisinaan olla haluttu koristeellinen ominaisuus. Yleisin sahatavarakappaleen laatuluokitukseen vaikuttava tekijä onkin oksaisuus. Oksat voidaan jakaa karkeasti neljään ryhmään, jotka ovat tuore oksa (terve oksa), kuiva oksa (kuollut oksa), kuorioksa ja laho-oksa. = = = = Tuore oksa on selvästi kasvanut kiinni ympäröivään puuaineeseen, eikä se ole lahon vioittama. Kuiva oksa on oksa, jonka elintoiminta on lakannut kasvavassa puussa. Kuiva oksa voi olla kokonaan tai osittain kiinnittynyt ympäröivään puuaineeseen, mutta se ei ole edellytys. Tumman väristä kuivaa oksaa sanotaan mustaksi oksaksi. Kuorioksa on puun sisään kasvaneen kuoren kokonaan tai osittain ympäröimä oksa. Jos kuori ympäröi alle ¼ oksasta, luokitellaan oksa kuivaksi. Laho-oksa on kokonaan tai osittain lahon vioittama oksa.

12 12 Helmioksa on hyvin pieni, läpimitaltaan korkeintaan 7 mm, tuore tai kuiva oksa. Lisäksi oksan luokkaan vaikuttaa halkaisusuunta ja sen sijainti laudalla. Sarvioksa ja lehtioksa ovat pituussuunnassa halkaistuja oksia, joista sarvioksa ylettyy syrjään saakka. Muuten oksat voidaan sijainnin perusteella jakaa lapeoksiin, syrjäoksiin ja särmäoksiin. Halkeamat muodostuvat puuhun kohdistuvien jännitysten voimasta. Jännitykset voivat olla kuivumisen aiheuttamia, kuten syysuuntaisessa kuivumishalkeamassa tai puun sisäisten jännitysten aiheuttamia, kuten puun keskustasta lähtevässä sydänhalkeamassa. Esimerkkejä muista näkyvistä virheistä ovat vajaasärmä, pihkakolo, kaarnaroso, sienivauriot ja hyönteisten aiheuttamat vauriot. Vaikeasti visuaalisesti havaittavia ominaisuuksia ovat esimerkiksi dimensio-ongelmat, kuten kierous ja kuperuus sekä syyviat, kuten vinosyisyys ja lyly Automaattinen pinnantarkastus Sahalla ihmisellä on tyypillisesti pari sekuntia aikaa laaduttaa yksi lauta. Ihmisen luokittelu perustuukin lähinnä yleissilmäykseen. Hän käsittelee laudan kokonaisuutena ja pystyy helposti käsittämään materiaalissa esiintyvät variaatiot, kun taas koneelle esimerkiksi laudan tummuuden vaihtelu tai karheuden aiheuttama varjo saattaa aiheuttaa suuriakin ongelmia. Ihminen tunnistaa helposti sahatavarassa olevan poikkeavuuden kynän jäljeksi tai liaksi, kun taas kone saattaa luulla sitä pahaksikin viaksi, vaikka se häviäisikin pinnan höyläyksellä. Kone ei kykene laajaan loogiseen ajatteluun kuten ihminen. Automaattisen tarkastuksen käytölle on kuitenkin vahvat perusteet. Alla on koottuna yleisimpiä syitä automaattisen tarkastuksen käyttöön [7]. = = = = = Joustavuus ja monimutkaisuus: Automaattisessa ympäristössä pystytään käsittelemään paljon monimutkaisempia tilanteita. Vikojen tarkat koot ja sijainnit pystytään määrittämään sekunnin murto-osassa, kun taas ihminen arvioi silmäyksellä vikojen määrää. Luokittelusäännöt koostuvat kuitenkin tarkoista määrityksistä ja soveltuvat näin koneelle paljon ihmistä paremmin. Automaattinen järjestelmä pystyy käsittelemään paljon enemmän sääntöjä ja voi helposti sopeutua uusiin vaatimuksiin tai luokitussääntöihin. Nopeus: Vaikka tarkastajalla on vain pari sekuntia aikaa tarkastaa kappale, on nopeus usein tuotannon pullonkaula. Nopeammalla tarkastamisella voitaisiin kokonaistuotantoa nostaa. Tarkkuus: Kokeneenkin ihmisen luokittelutarkkuus on suhteellisen heikko, maksimissaankin vain noin 80 %. Kehittyneellä automaattisella järjestelmällä voidaan päästä parempaan tarkkuuteen. Kone ei myöskään väsy, joten sen suorituskyky ei heikkene parin tunnin kuluessa, kuten käy ihmiselle. Kallis työvoima: Työvoima käy koko ajan suhteessa kalliimmaksi, kun koneiden hinnat halpenevat. Ikävystyttävä työ: Puun tarkastajalta vaaditaan korkeaa ammattitaitoa ja kokemusta hyvän tuloksen saavuttamiseksi. Työ on kuitenkin ikävystyttävää ja pitkästyttävää, joten työvoiman vaihtuvuus tehtävässä on suuri.

13 Sahatavaran pinnantarkastusjärjestelmät Yleinen malli pinnantarkastusjärjestelmästä on hahmoteltu kuvaan 3. Vastaavaa mallia voidaan käyttää myös optimoivassa sahauksessa. Kuvaus ja käsittelymekanismit osio sisältää sahatavaran liikuttelun ja muun käsittelyn tarvitsemat mekanismit sekä mittauksessa käytettävät anturit ja valaistuksen. Kuvaus ja käsittelymekanismit kuvatieto Kuvankäsittely tiedot vioista Luokittelu/ optimointi luokka/ uusi sahauskohta Käyttöliittymä Luokittelusäännöt/ tilauskanta Kuva 3. Puuntarkastusjärjestelmän looginen rakenne. Kuvankäsittelyssä antureilta, kuten värikameralta, tuleva tieto analysoidaan. Vikojen tarkat tyypit ja paikat selvitetään ja syötetään luokittelu- tai optimointilohkolle, joka tekee niiden ja sääntö- tai tilaustietokannan perusteella päätöksen laudalle annettavasta laatuluokasta tai seuraavasta sahauskohdasta. Käyttöliittymä mahdollistaa toiminnan ohjaamisen, järjestelmän opettamisen, sääntöjen syöttämisen ja tulosten raportoinnin. [5, 7] Kuva-anturit Kuvauksessa käytettäville antureille on lukuisia vaihtoehtoja ja niiden käyttämistä eri menetelmillä on tutkittu laajasti. Mustavalko- [8, 9, 10, 11] ja värikamerat [12, 13, 14, 15] ovat yleisesti käytettyjä. Näkyvään valoon perustuva tarkastelu vastaa ihmisen suorittamaa tarkastusta, mutta voi olla joissain olosuhteissa riittämätöntä. Laser-mittauksella [7] saadaan selville kappaleiden tarkat mitat. Sillä havaitaan helposti esimerkiksi vajaasärmä tai laudassa esiintyvät kaareutumat. Vaaleat oksat ovat kameroilla vaikeasti havaittavia. Röntgenlaitteella [16, 17, 18] voidaan havaita myös pinnan alla olevat oksat, koska ne ovat muuta puuta kovempia. Puun kovuutta voidaan tutkia myös esimerkiksi valon sirontaan perustuvan ns.

14 14 tracheid-ilmiön avulla [7, 19] tai mittaamalla infrapuna-alueella juuri lämmitettyä kappaletta. Mitattu spektri voi olla näkyvällä aallonpituudella [17, 20] tai laajeta sen ulkopuolelle sisältäen esimerkiksi mikroaaltoja [16, 17] tai NIR-alueen taajuuksia [17, 19]. Luonnollisesti edellä mainittuja antureita voi yhdistää mittauksissa. Lasermittauksella tuskin saa yksinään kovin hyvää kuvaa sahatavaran laadusta, mutta se antaa arvokasta lisätietoa kappaleen muodosta esimerkiksi värikuvan lisäksi. Röntgenin avulla havaitaan oksat, mutta niiden tyyppien tunnistaminen on mahdotonta eikä kokojen ja sijaintienkaan arviointi onnistu pelkästään yhdellä anturilla. Tässä työssä tarkastelu on rajoitettu näkyvän valon aallonpituudelle ja aistimena on käytetty värikameraa. Verrattuna esimerkiksi röntgenlaitteisiin kamerat ovat sekä turvallisia että halpoja vaihtoehtoja. Kalliiden laitteiden hankkiminen esimerkiksi piensahoille ei ole yleensä mielekästä eikä edes mahdollista Visuaalinen tarkastus Joitain yrityksiä [11] on tehty laudan luokittamiseksi pelkästään sen yleisilmeen perusteella, yksittäisiä vikoja tunnistamatta. Myös pikselikohtaista luokittelua on kokeiltu [17, 18, 20]. Lähes aina laudan luokittelu perustuu kuitenkin yksittäisten vikojen ilmaisuun ja niiden tunnistamiseen. Kuvassa 4 on esitetty Silvénin ja Kauppisen [12] esittelemän yleisen mallin kaavio automaattiselle visuaaliselle sahatavaran luokittelijalle. kamera kuvanmuodostus valaistus puhtaan puun opetus vikojen opetus luokittelusäännöt laatustandardit tunnistussäännöt laatuluokituksen opetus laatuluokitus säännöt puhtaan puun karsinta vikojen tunnistus laatuluokitus luokituksen ohjaus Kuva 4. Sahatavaran visuaalisen luokittelun yleinen arkkitehtuuri.

15 15 Kuvanmuodostus koostuu sahatavaran kuvauksesta, kameran kalibroinnista ja valaistuksen säädöstä sekä kuvatiedon siirrosta käsittely-yksikölle. Puhtaan puun karsinnassa pyritään etsimään puusta mahdolliset vika-alueet. Nämä alueet käsitellään tarkemmin vikojen tunnistus -vaiheessa. Tässä vaiheessa pyritään tunnistamaan yksittäiset viat, joiden tiedot lähetetään edelleen laatuluokitusvaiheeseen. Laatuluokitus päättelee sahatavaran laatuluokan siinä esiintyvien vikojen ominaisuuksien, kuten tyyppien, lukumäärien ja sijaintien, perusteella. Kuvaus ja valaistus ovat erittäin tärkeä osa tunnistusketjua, mutta niitä ei käsitellä tässä työssä tarkemmin. Myös laatuluokitus jätetään vähemmälle painopisteen ollessa vikojen ilmaisussa eli puhtaan puun karsinnassa ja vikojen tunnistuksessa valmiista värikuvista. Yleinen tilastollisen hahmontunnistuksen malli on kuvassa 5. Esikäsittelyvaiheessa voidaan esimerkiksi tehostaa laskentaa vähentämällä pikseleiden kirkkautta ilmaisevien bittien määrää tai pyrkiä korostamaan hahmojen luonteenomaisia piirteitä suodattamalla kuvasta satunnaisia häiriöitä. Hahmontunnistus ei tapahdu suoraan kuvasta, vaan siitä lasketaan erilaisia piirteitä. Sopivat piirteet riippuvat tarkastelun kohteista. Yksinkertaisia piirteitä ovat esimerkiksi alueen pikseleiden intensiteettien keskiarvo ja varianssi. Hahmo luokitellaan piirrevektorinsa avulla siihen luokkaan, johon piirrevektori parhaiten kuvautuu. hahmo esikäsittely piirteiden irrotus luokittelu tunnistustulos tunnistusvaihe opetusvaihe näytehahmot piirteiden valinta opetus Kuva 5. Yleinen tilastollisen hahmontunnistuksen malli. Malli sopii kuvassa 4 sekä puhtaan puun karsinta että vikojen tunnistus vaiheisiin. Puhtaan puun karsinnassa tunnistustuloksena saadaan joko puhdas puu tai mahdollinen vika, kun taas vikojen tunnistusvaiheessa tuloksena saadaan vian tyyppi Automaattisen tarkastuksen ongelmat Sahatavaran ulkonäössä esiintyy paljon vaihtelua ja kappaleiden ulkonäöt voivat poiketa toisistaan huomattavasti mm. tummuuden ja kuvioinnin osalta, kuten kuvasta 6 voi havaita. Esimerkiksi normaali syykuvio ja oksa voi olla vaikea erottaa toisistaan kaikissa tilanteissa. Oksa toisessa kohdassa lautaa voi olla vaaleampi kuin normaali puu muualla.

16 16 Kuva 6. Esimerkkejä luokiteltavasta materiaalista, jossa vaihtelu niin tummuudessa kuin kuvioinnissakin on huomattava. Kuvassa 7 on esitetty kaksi ongelmallista tilannetta vikojen etsinnässä, kun ratkaisuna on käytetty suosittua kynnystyspohjaista menetelmää. Kuvassa 7 a) jää vaalea tuore oksa löytämättä. Kuvassa 7 b) ilmaistaan voimakas syykuvio viaksi sen ollessa oksaa tummempi. Usein ongelmat vikojen ilmaisussa johtuvatkin epävarman kynnystysmenetelmän käytöstä. Myös yksittäisten vikojen ulkonäkö vaihtelee huomattavasti: jonkin laudan tuore oksa näyttää toisen laudan mustalta. Näiden luokitteleminen oikeisiin luokkiin vaatii tietoa vian lisäksi myös sen ympäristöstä. Kuvassa 8 on esitetty kuusi oksaa, jotka ammattilainen on luokitellut tuoreiksi ja toiset kuusi, jotka on luokiteltu kuiviksi. Luokkien sisäinen vaihtelu on huomattava, esimerkiksi toisen oksan väri voi olla vaaleampi kuin toisen tausta. Ihminen pääsee harvoin yli 70 %:n tulokseen luokitellessaan sahatavaraa. Eräässä testissä [21] yksittäisten vikojen ilmaisemisessa, tunnistamisessa ja paikallistamisessa ammattilainen saavutti 68 % tuloksen parhaasta mahdollisesta. Toisessa kokeessa [22] paljastui, että luokiteltaessa lauta neljään luokkaan kaksi ammattilaista luokitteli vain 60 % laudoista keskenään samalla tavalla. Neljänsadan oksasta otetun hyvälaatuisen värikuvan luokittelussa on saavutettu noin 80 %:n tulos [23].

17 17 a) Vaaleaa tuoretta oksaa ei havaita. b) Voimakasta syykuviota luullaan viaksi. Kuva 7. Vikojen ilmaisu mukautuvalla kynnystysmenetelmällä. a) Tuoreita oksia. b) Kuivia oksia. Kuva 8. Esimerkkejä oksista.

18 Oppikirjojen ehdottamissa visuaalisen tarkastelun menetelmissä järjestelmä opetetaan näyttämällä mallikappaleita vioista ja puhtaasta. Näytteiden valinta ja nimeäminen on virhealtista ja rajoittaa saavutettavaa tarkkuutta, sillä väärin opetettu järjestelmä ei voi luokitella näytteitä optimaalisesti. Järjestelmän opetus ja käyttöönotto venyy helposti todella pitkäksi prosessiksi, ja tuloksena saadaan epätarkka luokittelija. Johtavat käytössä olevat järjestelmät ovatkin lähestymistavaltaan jäykkiä sääntöpohjaisia luokittelijoita. Tällainen järjestelmä sisältää lukuisia toisistaan riippuvia parametreja, joita säätämällä ihminen sitä opettaa. Nykyisillä käytössä olevilla järjestelmillä päästään parhaimmillaan noin 80 %:n luokittelutarkkuuteen. Työläästi opetettavia järjestelmiä ei kuitenkaan saada helposti sopeutumaan vaihtelevaan materiaaliin tai kuvausolosuhteiden muutoksiin. 18

19 19 3. VISUAALISEN TARKASTUKSEN MENETELMIÄ Yleensä sahatavaran visuaalinen tarkastaminen on vaiheistettu kuvan 9 esittämällä tavalla. Vikojen ilmaisuvaiheessa tarkasteltavana on koko kappaleen data, mikä rajoittaa monimutkaisten piirteiden käyttöä, joten siinä pyritään vain havaitsemaan puusta mahdolliset vika-alueet. Esimerkiksi 6 m * 150 mm laudasta 0,5 mm resoluutiolla saadaan yli 20 MB dataa. Lautoja on tarkastettava jopa 120 kappaletta minuutissa, jolloin pitää käsitellä yli 15 miljoonaa pikseliä sekunnissa. Havaintoja ei kuitenkaan pystytä tekemään täysin oikein. Havaitsematta jääneitä vikoja ei enää myöhemmin käsitellä, eikä niiden aiheuttamaa haittaa kappaleen laadutuksessa voida myöhemmin korjata. Sen sijaan epäillyt viat, joista osa voi olla todellisuudessa puhdasta puuta, käsitellään tarkemmin ilmaisujen tunnistusvaiheessa. Ilmaisujen tunnistusvaiheessa käsiteltävästä datasta on jäljellä enää kymmenisen prosenttia, joten eri vikatyyppien tunnistamiseen voidaan käyttää laskennallisesti monimutkaisempia piirteitä laskenta-ajan pysyessä silti lyhyenä. Väärät hälytykset voidaankin useimmiten eliminoida, joten havaitsemattomien vikojen määrä kannattaa ilmaisuvaiheessa säätää pieneksi väärien hälytysten kustannuksella. Tunnistusvaiheessa virheitä syntyy luokiteltaessa havaintoja puhtaaksi puuksi ja vioiksi eri vikatyyppien mukaan. Luonnollisesti yksittäisen vian tunnistaminen ei voi onnistua, jos sitä ei ole aiemmin ilmaistu. Kappaleen laadutuksessa määrätään kappaleen laatuluokka tunnistettujen vikojen ja laadutussääntöjen perusteella. Uusia luokitteluvirheitä voi syntyä tässä vaiheessa, jos säännöstössä on virheitä. Laadutusvirheet johtuvatkin käytännössä aiemmista virheistä, hukatuista vioista ja virheellisestä vikojen luokittelusta. Vikojen ilmaisu Ilmaisujen tunnistus Kappaleen laadutus Yksittäinen kappale Epäillyt viat Tunnistuksen tulokset Kappaleen laatuluokka Kuva 9. Laadutuksessa käytettävä menetelmä Vikojen ilmaisu Vikojen ilmaisu tähtää puhtaan puun eliminointiin tarkastuksesta. Ilmaisumenetelmät voidaan jakaa esimerkiksi kahteen eri luokkaan, segmentoimattomiin ja segmentoiviin [5].

20 Segmentoimaton vikojen ilmaisu Segmentoimattomassa menetelmässä kuva jaetaan vakiokokoisiin suorakaiteen muotoisiin alueisiin, joissa on tyypillisesti satoja pikseleitä. Jokaiselle alueelle lasketaan erikseen piirrejoukko ja alueet luokitellaan piirrejoukkonsa perusteella. Puhtaan puun karsinnassa kukin alue luokitellaan joko puhtaaksi puuksi tai mahdolliseksi vika-alueeksi. Kuvassa 10 on esimerkki segmentoimattomasta menetelmästä. Kuva 10 a) on jaettu 32*32 pikselin alueisiin, joista lasketaan joukko värihistogrammipiirteitä. Laskettujen piirteiden perusteella alueet luokitellaan. Tuloksena saadaan mahdolliset vikaa sisältävät alueet, jotka näkyvät ympäröityinä kuvassa 10b). a) Kuva jaettuna 32*32 pikselin ruutuihin. b) Tulos puhtaan puun karsinnan jälkeen. Kuva 10. Segmentoimaton menetelmä. Usein segmentoimaton menetelmä on säädetty epäilemään viaksi myös niitä alueita, joissa on vain vähän vikaan viittaavia piirteitä. Hyvää puuta olevat, viallisiksi epäillyt alueet voidaan luokitteluvaiheessa tulkita hyväksi puuksi, vaikka ne olisikin ilmaistu mahdollisiksi vioiksi. Segmentoimattomalla menetelmällä voidaan ilmaista myös epämääräiset viat, joilla ei ole selvää rajaa, kuten sinistymät ja pihkaisuus. Ongelmana segmentoimattomassa menetelmässä on alueiden kokojen valinta. Pienet alueet antavat tarkemman erottelun, mutta lisäävät laskennallista kuormaa ja virhehälytyksiä. Suuremmat alueet vaikeuttavat vikojen muotojen ja kokojen arviointia. Myös riski, että useampi vika liittyy samaan alueeseen, kasvaa suuria ruutuja käytettäessä.

21 Segmentoiva vikojen ilmaisu Segmentoivat menetelmät jakavat kuvan puhtaaseen puuhun ja alueisiin, jotka muodostuvat yksittäisistä vioista. Segmentointi perustuu piirteisiin, jotka ovat yksittäisen alueen sisällä suhteellisen homogeenisia ja poikkeavat ympäröivän alueen piirteistä. Yleensä segmentointi tehdään kynnystämällä kuva jollain kynnysarvolla, jolloin ympäristöään selvästi tummemmat alueet käsitellään vikoina. Segmentointi voi perustua myös muihin piirteisiin, kuten eri värikanavista muodostettujen vektoreiden etäisyyksiin naapuripikselien värivektoreista [14]. Kuvan 7 ongelmalliset laudat segmentoitiin mukautuvalla kynnystysmenetelmällä. Kynnysarvo valittiin automaattisesti ympäröivän puun yleisvärin perusteella. Segmentointi toimii alueittain, jolloin alueen tunnistamiseen vaaditaan useampi kynnysarvon ylittävä pikseli. Segmentoivan menetelmän etuna on vian tarkan sijainnin, koon ja muodon laskenta. Ongelmana on, että ns. puhdas puu on ulkonäöltään kaikkea muuta kuin puhdasta. Voimakkaat syykuviot voivat olla jopa oksia tummempia, kuten on kuvan 7 b) laudassa. Kynnysarvon valinta segmentoinnissa on ongelmallista [5, 7] Ilmaisujen tunnistus Ilmaisujen tunnistusvaiheessa aiemmin ilmaistut mahdolliset vika-alueet jatkokäsitellään. Tunnistuksen tuloksena pyritään saamaan hyvää puuta olevat alueet lopullisesti karsittua ja viat luokiteltua tyyppiensä mukaisesti. Periaatteessa viat olisi voitu yrittää luokitella suoraan lopullisiin luokkiinsa jo vikojen ilmaisuvaiheessa, mutta käytännössä tällainen menetelmä olisi laskennallisesti varsin kallis toteuttaa. Tunnistusvaiheessa alkuperäisestä datasta on jäljellä vain murto-osa, mikä mahdollistaa kehittyneempien piirteiden käytön. Ilmaisujen tunnistuksessa käytetty menetelmä voidaan jakaa siinä käytetyn luokittelijan opetuksen perusteella. Ohjatussa ja ohjaamattomassa opetusmenetelmässä luokittelija opetetaan näytteiden avulla. Ohjatussa opetuksessa näytteiden luokat on tiedetty ennalta, kun taas ohjaamattomassa ei [24]. Nämä ja kolmas yleisesti käytetty sääntöpohjainen tapa on selitetty lyhyesti seuraavana Ohjattu opetus Ohjattu luokittelijan opetus tarkoittaa opetusta opettajan kanssa, tarkoituksena vähentää keskimääräistä luokitteluvirheittä näytteiden haluttujen luokitusten ja nykyisten luokitusten välillä [24]. Ohjatun menetelmän lohkokaavio on esitetty kuvassa 11. Ohjatun opetuksen ongelmana on, että näytteiden nimeäminen yksi kerrallaan on virhealtista. Joissain tapauksissa valinta eri luokkien välillä on vaikeaa ja tuloksena opetusnäytteet voidaan nimetä väärin, mikä taas heikentää saavutettavaa luokittelutarkkuutta. Kuvassa 8 esitettyjen eri luokkiin sijoittuvien oksien vaihtelevat ulkonäöt kuvastavat hyvin opetuksen ongelmien vaikeutta.

22 22 Opetusmateriaalin keräys Nimetty opetusmateriaali Tarkkailu Vian ilmaisu Piirteiden irrotus Luokittelija Luokitellut virheet Kuva 11. Visuaalinen pinnantarkastus ohjatusti opetettavaa luokittelijaa käytettäessä Ohjaamaton opetus Ohjaamattomassa opetuksessa näytteiden luokkia ei tarvitse tietää etukäteen, vaan luokat pyritään löytämään analysoitavasta datasta automaattisesti etsimällä niiden muodostamia kasautumia piirreavaruudessa. Samassa rykelmässä olevat näytteet kuuluvat samaan luokkaan. Kun ryhmät on saatu muodostettua, ne nimetään ryhmäkohtaisesti. Ohjaamattoman menetelmän lohkokaavio on esitetty kuvassa 12. Kuvassa oleva visualisointityökalu mahdollistaa ryhmittymien nimeämisen. Nimeämiseen vaadittava työ on huomattavasti pienempi kuin ohjatussa menetelmässä, ja virheellisen nimeämisen riski pienenee selvästi. Tarkkailu Nimeäminen Visualisointi Vian ilmaisu Piirteiden irrotus Klusterointi/ luokittelija luokitellut virheet Kuva 12. Lohkokaavio visuaalisesta pinnan tarkastuksesta käytettäessä ohjaamattomasti opetettavaa luokittelijaa. Ryhmittelymenetelmään perustuvan luokittelijan säätäminen voi olla hankalaa. Usein visuaalisissa tarkastussovellutuksissa, mukaanluettuna sahatavaran tarkastus, eri luokat näyttävät hyvin samanlaisilta ja voivat olla osittain päällekkäin. Eri luokkien välisiä rajoja pitäisi pystyä säätämään. Tämä onnistuu helposti vielä kaksiulotteisessa avaruudessa, mutta käytännön tilanteessa luokittelijan piirrevektoreilla on paljon enemmän ulottuvuuksia. Moniulotteisen, esimerkiksi 20 eri piirrettä sisältävän vektorijoukon havainnollistaminen on vaikea järjestää. Itse ryhmittelymenetelmä ei sisällä eri ryhmien välisten riippuvuuksien visualisointia [5].

23 Sääntöpohjainen luokittelu Useimmat teolliset sahatavaran tunnistusjärjestelmät pohjautuvat sääntöpohjaiseen vikojen luokitteluun. Sääntöpohjaisessa luokittelijassa vioille lasketaan erilaisia parametreja ja näiden arvoja verrataan vikatyypeille asetettuihin kynnysarvoihin. Järjestelmän opetuksessa ihminen säätää näiden toisistaan riippuvien parametrien kynnysarvoja tarkkailemalla samalla säätöjen vaikutuksia luokitteluun kuvan 13 mukaisesti. kynnysarvojen säätö Sääntöpohjainen luokittelija säädön vaikutuksen tarkkailu Luokittelutesti Kuva 13. Sääntöpohjaisen luokittelijan opetus: ihminen parametrisoi järjestelmää tarkkaillen samalla säätöjen vaikutusta. Puurakenteinen luokittelija on esimerkki sääntöpohjaisesta luokittelijasta. Puun solmukohdissa laskettuja piirteitä verrataan solmun haaroille asetettuihin kynnysarvoihin. Vertailun tuloksen perusteella edetään seuraavan vertailuun, kunnes lopulta päädytään itse tulokseen. Kuvassa 14 on yksinkertaistettu esimerkki puuluokittelijasta. Luokittelupuuta lähdetään käymään läpi vasemmalta. Ensimmäisessä solmukohdassa tehdään valinta alueen tummuuden mukaan. Kaikki kynnysarvoa vaaleammat alueet luokitellaan viattomaksi puuksi. Tummien alueiden muoto määritetään, jonka jälkeen pyöreät alueet tunnistetaan oksiksi. Halkeamat ja vajaasärmät voidaan erottaa toisistaan vaikkapa sijaintiensa avulla. Käytännön tapauksissa [18, 25] säädettäviä parametreja on tätä esimerkkiä enemmän. kuiva oksa tuore oksa vajaasärmä halkeama hyvä puu Kuva 14. Yksinkertaistettu malli sääntöpohjaisesta puuluokittelijasta.

24 24 Sääntöpohjaisen luokittelijan heikkoutena on sen kankeus. Luokittelijan opetus ja käyttöönotto voi viedä paljon aikaa, sillä yhden parametrin muuttaminen vaikuttaa muihin. Tämän takia myös uusiin tilanteisiin mukautuminen on hankalaa Itseorganisoivat kartat Itseorganisoivat kartat mahdollistavat kompromissiratkaisun ohjatun ja ohjaamattoman menetelmän välillä. Itseorganisoiva kartta, SOM, on keinotekoisiin neuroverkkoihin perustuva menetelmä, joka esittää moniulotteisen datan tyypillisesti kaksiulotteisen vakiokokoisen taulukon avulla. Itseorganisoivien karttojen yleisimmät sovellutukset ovatkin moniulotteisen tiedon esittämistä ja käsittelyä kaksiulotteisella näytöllä. Itseorganisoivilla kartoilla data pyritään esittämään siten, että näytteiden väliset etäisyydet uudessa kaksiulotteisessa koordinaatistossa ovat mahdollisimman hyvin suhteessa niiden todellisiin etäisyyksiin alkuperäisessä koordinaatistossa. SOM ei erikseen pyri esittämään datan sisältämiä ryhmittymiä, vaan esittää arvion datan todennäköisyystiheydestä mahdollisimman uskottavasti säilyttäen sen paikallisen rakenteen. SOM on moniulotteisen datan todennäköisyystiheyden epälineaarinen projektio kaksiulotteiseen koordinaatistoon [24, 26]. Itseorganisoiva kartta koostuu rajatun kokoisesta neuroverkosta. Tässä työssä kartan neuroneita nimitetään solmuiksi. SOM yrittää ilmaista kaikki havainnot kartan solmujen avulla. Solmun koordinaatti kartalla vastaa siten havainnon uutta koordinaattia kaksiulotteisessa avaruudessa. Jokainen havainto siis liittyy yhteen solmuun, mutta yhteen solmuun voi liittyä useampikin havainto. SOM:in tärkeä ominaisuus on, että moniulotteisessa avaruudessa lähellä toisiaan olevat vektorit sijaitsevat lähekkäin myös kaksiulotteisella kartalla, kun taas alunperin kaukana toisistaan sijaitsevat alueet sijaitsevat etäällä myös uudessa kaksiulotteisessa koordinaatistossa. Kuvassa 15 on 5*7 neuronista koostuva kartta, joka havainnollistaa SOM:in periaatetta. Kartta on opetettu muutaman värin avulla ryhmittelemään erilaisia värejä. Kunkin värin piirteenä käytetään sen punaisen, vihreän ja sinisen komponentin arvoja, joten tässä tapauksessa on siirrytty kolmiulotteisesta koordinaatistosta kaksiulotteiseen. Osa kartan solmuista on nimetty niihin ryhmittyneiden näytteiden mukaan. Kuvassa 16 on esitetty kutakin solmua vastaavien piirteiden arvot. Lähekkäisten solmujen piirteet eivät eroa paljoa toisistaan, kun taas esimerkiksi musta ja valkoinen sijaitsevat kartan vastakkaisissa nurkissa. SOM:ia on sovellettu tekniikan, talouden, lääketieteen, luonnontieteen ja humanististen tieteiden aloilla erilaisissa datan analysointitarkoituksissa, kuten ryhmittelyssä, visualisoinnissa, järjestämisessä, kuvailemisessa ja selaamisessa. Kuva-analyysin alueella SOM:ia on sovellettu mm. kasvojen tunnistamiseen, sepelvaltimotaudin havaitsemiseen ja pilvien luokitteluun [24]. Sahatavaran visuaalisessa tarkastuksessa SOM:ia on aiemmin käytetty itseorganisoivaan piirteiden valintaan [15] ja laudan symbolisen kuvauksen tuottamiseen [11].

25 25 Kuva 15. Joukko värejä järjestettynä itseorganisoivalle kartalle. 228,4 237,6 244,8 152,7 168,3 181,9 192,9 199,3 205,4 217,3 231,0 229,7 154,2 162,2 179,2 168,4 180,8 183,0 193,0 206,7 191,2 182,9 118,7 185,8 195,0 199,1 186,5 211,9 221,3 122,6 200,1 58,1 187,3 191,8 191,6 57,5 191,5 191,5 0,0 167,8 40,2 23,4 194,3 179,8 0,0 97,9 180,2 185,3 175,1 95,5 184,4 180,6 9,9 196,4 189,7 0,0 97,1 173,0 2,4 35,0 25,7 225,9 210,9 0,1 190,8 16,5 0,9 190,2 96,6 12,4 175,3 189,1 2,1 169,4 44,3 3,1 88,2 127,7 88,9 39,9 203,5 0,0 70,1 126,2 14,1 38,8 164,6 116,5 0,0 189,5 4,7 0,1 124,8 24,3 0,0 117,9 148,1 0,0 50,7 6,5 0,3 61,2 37,1 0,0 47,0 Kuva 16. Kuvan 15 kartan piirteiden, punaisen, vihreän ja sinisen, arvot. Värit levittäytyvät kaksiulotteiselle kartalle muodostaen tasaisia siirtymiä eri värien välille.

26 Näytteiden ryhmittely kartalle Näytteen ryhmittely itseorganisoivalle kartalle tapahtuu valitsemalla solmu siten, että eli c = arg min c i i { x m } { x m } jossa c on valitun neuronin indeksi, x näytteen piirrevektori ja m i kartalla neuronia i vastaava piirrevektori [24]. i x m = min, (1) Toisin sanottuna kartalta valitaan neuroni, jonka piirrevektori on lähimpänä näytteen piirrevektoria. Solmun valinta käyttää siten ns. lähimmän naapurin menetelmää, jossa vertailtavat kohteet ovat solmuille opetusvaiheessa asetetut piirrevektorit. Yleensä etäisyytenä käytetään euklidista etäisyyttä. Tällöin piirteet täytyy skaalata yhteismitallisiksi esimerkiksi 0:n ja 1:n välille tai asettamalla kunkin piirteen varianssi 1:ksi ja keskiarvo 0:ksi. i SOM:in käyttö luokittelussa Moniulotteinen data, joka muutetaan kaksiulotteiseen koordinaatistoon, voi olla esimerkiksi näytteen piirrevektori. Jokaiselle näytteelle voi olla laskettuna esimerkiksi 20 piirrettä. Koska samanlaisilla alueilla on samankaltaiset piirrevektorit ja moniulotteisessa avaruudessa lähekkäin olevat vektorit tulevat lähekkäin myös kartalle, tulevat samankaltaiset näytteet lähekkäin myös SOM:ille ryhmiteltyinä. Kartalla olevat solmut muodostavatkin ryhmiä, joissa kaukana toisistaan olevat ryhmät ovat selvästi keskenään erilaisia. Samaan solmuun kuuluvat näytteet taas ovat lähellä toisiaan piirreavaruudessa ja näin myös samannäköisiä, todennäköisesti samaan luokkaan kuuluvia. Luokittelussa ei tutkita, miten kappaleen piirrevektori sijoittuu moniulotteisessa piirreavaruudessa. Sen sijaan tutkitaan kappaleen sijoittumista kartalla, mikä taas määräytyy sen piirrevektorin perusteella. Päätöksentekorajan vetäminen eri luokkien välillä tulee kaksiulotteiseksi ongelmaksi ja siten paljon moniulotteista tilannetta helpommaksi ratkaista. Kuvan 15 karttaa voidaan käyttää värien luokitteluun. Esimerkiksi väri, jonka komponenttien arvot ovat 160, 0 ja 10, ryhmittyy kartalla solmuun (4,5), koska sen piirteet (173,0 2,4 ja 35,0) ovat lähimpänä näytteen piirteitä euklidisen etäisyyden perusteella. Tämä solmu on ennalta nimetty punaiseksi siihen opetusvaiheessa ryhmittyneen punaisen näytteen perusteella, joten uusi väri luokitellaan punaiseksi. Itseorganisoivat kartat eivät anna ideaalista päätöksentekopintaa eri luokkien välillä. Jos opetusnäytteiden luokat tiedetään tarkasti etukäteen, saadaan luokittelijasta tarkempi käyttämällä LVQ:ta, joka on ohjattu neuroneihin perustuva luokittelija [24, 27]. Itseorganisoivien karttojen suuri etu on kuitenkin juuri se, ettei näytteitä tarvitse tuntea eikä nimetä etukäteen. Ihmisen saavuttaman %:n

27 27 luokittelutarkkuus sahatavaralle ei näin rajoita automaattisen luokittelijan mahdollistamaa luokittelutarkkuutta. Itseorganisoivat kartat tarjoavat myös erittäin hyvän tavan visualisoida moniulotteista dataa. Ominaisuus mahdollistaa selkeän ja helposti ymmärrettävän käyttöliittymän luokittelijalle. Alunperin SOM onkin kehitetty moniulotteisen datan epälineaaristen suhteiden kuvaamiseen. LVQ ei puolestaan ota kantaa solmujen keskinäiseen järjestykseen. Jos eri luokkien välillä käytetään kiinteää rajaa luokittelussa, voidaan luokittelutarkkuutta parantaa hienosäätämällä opetusvaiheen lopuksi karttaa LVQ:n avulla [24]. SOM-pohjaisen tarkastusratkaisun lohkokaavio on esitetty kuvassa 17. Nimeäminen Tarkkailu Vian ilmaisu Piirteiden irrotus Luokittelija ja visualisointi (SOM) Luokitellut virheet Kuva 17. Visuaalinen pinnan tarkastus käytettäessä SOM-pohjaista menetelmää Itseorganisoivan kartan opetus Jotta näytteiden luokittelu kartalle onnistuisi, pitää kartta ensin opettaa. Tämä vastaa jossain määrin perinteisen luokittelijan opetusta. SOM:in opetuksen seurauksena jokaiselle kartan solmulle asetetaan SOM:in periaatteiden mukaan jokin piste moniulotteisessa avaruudessa, jota solmu vastaa. Algoritmi opettaa kartan, eli säätää moniulotteiset vektorit muodostaen epälineaarisen projektion, opetusnäytteiden perusteella. Algoritmi säätää eri solmuissa olevien vektoreiden arvoja vastaamaan mahdollisimman hyvin näytettä. Jokaisen näytteen yhteydessä säädetään solmuja rajatun etäisyyden sisällä näytettä vastaavan solmun läheisyydessä. Näytettä vastaava solmu, solmu c, valitaan lyhimmän etäisyyden periaatteen mukaisesti. Vierekkäisten alueiden opetus johtaa lähekkäisten vektoreiden tasaisuuteen, mikä taas jatkuvalla opetuksella johtaa koko kartan järjestäytymiseen. Opetuksessa käytettävä algoritmi on jossa t on diskreetti aikakoordinaatti ja h ci naapurustofunktio. [ x(t) m (t)] m (t + 1) = m (t) + h (t), (2) i i ci i

28 28 Vektoreiden m i (0) lähtöarvot voivat olla satunnaisia, joskin lineaarinen alustus tuottaa usein järkevämmän kartan. Naapurustofunktiolla määritetään, miten kartalla näytevektorin lähimmän solmun ympäristöä käsitellään opetuksen aikana. Usein jossa r h ci ( r r, t) 2 c R on solmun c ja 2 ri R on solmun i koordinaatti kartalla. (t) = h, (3) Solmujen etäisyyksien kasvaessa h ci :n arvo pienenee, eli opetus vaikuttaa eniten näytteen lähimpiin arvoihin. Myös ajan kasvaessa opetuksen vaikutus pienenee. Naapurustofunktio voi olla esimerkiksi suorakaiteen tai kuusikulmion muotoinen vaikuttaen määrätyn matkan päähän. Eräs yleisesti käytetty naapurustofunktio on Gaussin funktio, joka voidaan kirjoittaa c i 2 rc ri ci = α(t) exp, (4) 2σ (t) h 2 jossa α(t) on opetuksen nopeus ja σ(t) määrittää funktion leveyden. [24] Kartan opetukseen ja nimeämiseen on tarjolla valmiita ohjelmia [26, 28]. Tässä työssä kartan opetuksessa on käytetty Oulun yliopistossa kehitettyä graafista G SOM-ohjelmaa [28]. SOM:ia voidaan käyttää luokittelijana siten, että sen solmut nimetään opetusvaiheen lopuksi kuulumaan tiettyihin luokkiin. Tällöin solmujen nimeäminen on ohjattua toimintaa. Nimeäminen on kuitenkin pieni urakka, sillä esimerkiksi 7*10 solmun kartassa nimeämisessä tarvitsee nimetä vain 70 solmua. Ohjatussa luokittelijassa olisi pitänyt nimetä kaikki opetuksessa käytetyt, esimerkiksi , näytettä. Jos käytössä on valmiiksi nimettyä dataa, voidaan sitä käyttää SOM:in opetukseen. Tällöin SOM:in opettaminen on ohjaamatonta, mutta nimeäminen tapahtuu ohjattuna esimerkiksi siten, että kunkin solmun luokaksi asetetaan siihen ryhmittyneiden näytteiden yleisimmin edustama luokka. Solmujen nimeäminen voi tapahtua myös manuaalisesti tarkastelemalla niihin osuneiden näytteiden kuvia visuaalisesti. Nimeämistä helpottaa myös se, että usein lähekkäin sijaitsevat solmut kuuluvat samaan luokkaan. Käyttötavasta riippuen solmujen nimeämistä ei välttämättä edes tarvita tai nimeäminen tapahtuu vetämällä rajoja eri luokkien välille.

29 SOM:in visualisointi Esimerkiksi G-SOM tarjoaa mahdollisuuden tarkastella eri solmuihin luokiteltuja näytteitä visuaalisesti. Yleissilmäys kartasta näyttää jokaisen solmun kohdalla kuvan yhdestä kyseiseen solmuun luokittuneesta näytteestä. Myös kaikkien solmuun luokittuneiden näytteiden selaaminen visuaalisesti on mahdollista. Menetelmä mahdollistaakin havainnollisen ja helpon käyttöliittymän visuaaliselle pinnantarkastukselle. Visualisointi mahdollistaa myös solmujen nimeämisen pelkästään tarkastelemalla niihin osuneiden näytteiden kuvia. Kolmas visualisoinnin tuoma etu on mahdollisuus nimetä nopeasti ja helposti suuri määrä dataa. Näytteille voidaan antaa nimi sen perusteella, mihin solmuun ne ovat luokittuneet. Koska piirrearvoiltaan samanlaiset näytteet luokittuvat samaan paikkaan, kuuluvat samaan solmuun luokittuneet näytteet useimmiten myös keskenään samaan luokkaan.

30 30 4. VIKOJEN ILMAISU JA LUOKITTELU SOM:ILLA Tässä diplomityössä on keskitytty sahatavaran vikojen ilmaisu- ja tunnistusmenetelmiin. Ensimmäisessä vaiheessa pyritään etsimään vika-alueet ja jälkimmäisessä ne luokitellaan yksittäisinä vikoina. Esitettävässä menetelmässä molemmat vaiheet perustuvat ohjaamattomaan itseorganisoivien karttojen käyttöön SOM:iin pohjautuva segmentoimaton vikojen ilmaisumenetelmä Vikojen ilmaisussa käytetty menetelmä on esitetty kuvassa 18. Puupinnan kuva jaetaan vakiokokoisiin suorakaiteen muotoisiin vierekkäisiin alueisiin ja jokaiselle alueelle lasketaan joukko piirteitä. Lasketut piirteet muodostavat piirrevektorin, jonka avulla valitaan vikojen ilmaisukartalta näytettä vastaava solmu. Solmun sijainnin perusteella alue määritetään joko terveeksi puuksi tai mahdolliseksi viaksi. Kuvan 18 alalaidassa Kuva jaetaan vakiokokoisiin (esim. 32*32) ruutuihin. B G R Jokainen yksittäinen 32*32 pikselin alue käsitellään erikseen. Lasketaan punaisen, vihreän ja sinisen kanavan histogrammit. Piirteet lasketaan histogrammien kertymistä. Muodostetaan moniulotteinen piirrevektori. Solmuun ryhmittyneet näytteet. Näyte merkitään kuuluvaksi solmuun, joka on sitä lähimpänä piirreavaruudessa. Solmuja Vikojen ilmaisukartta Kuva 18. Vikojen ilmaisualgoritmi.

31 31 olevassa kartassa vierekkäisten solmujen väliset etäisyydet kuvaavat niiden suhteellista etäisyyttä moniulotteisessa piirreavaruudessa. Katkoviiva on käsin piirretty raja terveiden ja vikoja sisältävien alueiden välille Ilmaisussa käytettävät piirteet Menetelmä itse ei aseta vaatimuksia käytettäville piirteille. Tässä työssä on käytetty ns. centilejä. Ne ovat alunperin Silvénin & Kauppisen [12] esittämiä, hyvin vaihtelevan sahatavaran visuaaliseen tarkastukseen soveltuviksi todettuja värihistogrammipiirteitä. Suora värin mittaus RGB-kameralla antaa kullekin pikselille kolme arvoa, punaisen, vihreän ja sinisen kanavan intensiteetin, joiden muodostama vektori voidaan ilmaista pisteenä värikanava-avaruudessa. Kuvassa 19 kuivan oksan pikselit on merkitty RGB-väriavaruuteen pistejoukoksi. Jokainen piste kuvaa yhtä oksan pistettä. Yksiulotteiset jakaumat, värikanavien yksittäiset histogrammit, on piirretty jokaiselle akselille. [5] Kuva 19. Kuiva oksa ja sen pikselit rajatun alueen sisällä esitettynä RGBavaruudessa. Pistejoukko on tihein alueella, jossa suurin osa kappaleen pisteistä sijaitsee. Tumma rinki oksan ympärillä aiheuttaa joidenkin pisteiden hajautumisen lähemmäs