Puunkorjuun laaturaportoinnin automatisointi ja tehostaminen

Transkriptio

1 Puunkorjuun laaturaportoinnin automatisointi ja tehostaminen VÄITÖSKIRJAHANKE, JYRY ERONEN OHJAAJAT: TEIJO PALANDER, KALLE KÄRHÄ & HEIKKI OVASKAINEN HELSINKI Käyttölisenssi: CC BY 4.0 Esitelmän sisältö Taustaa Puustovaurioiden kuvatulkinta Metsäkoneen väylädatan hyödyntäminen omavalvonnassa Puunkorjuun laadun merkitys metsänomistajille Hankkeen yhteistyökumppanit Aiheeseen liittyvää lukemista

2 Harvennushakkuiden merkitys kasvaa Harvennushakkuilta korjataan valtaosa teollisuuden käyttämästä kuitupuusta Hakatusta puutavarasta kuitupuuta oli 31,2 milj. m³ vuonna 2014 ja 30,4 milj. m³ vuonna 2015* Uudet metsäteollisuusyksiköt todennäköisesti kasvattavat kuitupuun kysyntää lähitulevaisuudessa Harvennushakkuiden lisääminen voi tuottaa haasteita puunkorjuun laadun hallinnalle Taulukon lähde: Luken tilastopalvelu *Hakatun kuitupuun määrä: Luken tilastopalvelu Korjuun laatu vaihtelee liikaa Etenkin puustovaurioiden suhteen kehitys on ollut viime vuosina huonoa Ongelmia on ollut etenkin nuoren metsän hoidon kohteilla Suurin yksittäinen syy laatuongelmien muodostumiseen on puutteellinen ennakkoraivaus Myös puutteellinen korjuujäljen omavalvonta ja kuljettajien saaman palautteen puutteet voivat aiheuttaa ongelmia Taulukon lähde: Metsäkeskus. Korjuujäljen valtakunnalliset tarkastustulokset korjuujalki 2012.pdf

3 Korjuun laadunseurannan nykytila Viranomaisten maastotarkastukset Korjuu organisaatiot Metsäkoneenkuljettajien omavalvonta Metsänomistajien havainnointi > Reaaliaikainen valvonta pelkästään kuljettajan vastuulla Laskee koneiden tuottavuutta Lisää työn psyykkistä kuormittavuutta Mittaus voi olla hyvin subjektiivinen Havaitaanko myöhemmissä laatumittauksissa kaikki puustovauriot? Kesäkuu 2016 Lokakuu 2016 Puustovaurioiden kuvatunnistus osana reaaliaikaista laadunhallintaa (osahanke1) Visiona pilvipalvelimelle toteutettava sovellus Vastaanottaa kuvan Tunnistaa vauriot Määrittelee kokonaisvaurioiden määrän Tuottaa raportin Toimessaan hyödyt ovat monipuoliset: Kuljettajan omavalvonnan apuväline Nopea laatutieto korjuun ohjauksesta vastaavalle taholle Laaturaportti organisaation käyttöön Hälytysindeksin ylittävään leimikkoon voidaan esimerkiksi kohdentaa tarkastus

4 Puustovaurioiden kuvatulkinta Osahanke aloitettu kesällä 2016 Kuva aineistona 54 kpl ajouralle päin simuloitua vauriota, jotka kuvattu vakioiduista työpisteistä kolmesta eri suunnasta kesä ja lokakuussa Aineistossa huomioitu vaurioiden pinta ala, tyyppi, etäisyys, suunta, puulaji ja puun rinnankorkeus. Aineiston avulla kehitetty vauriontunnistusalgoritmi Alustavat tulokset lupaavia, mutta haasteita riittää Algoritmi tunnistaa noin 70 % vaurioista helpoissa tapauksissa Osahankkeen tulokset julkaistaan lähikuukausien aikana Esimerkki vaurioiden tunnistusvaiheista Vaihe 1, alkuperäinen kuva Vaihe 2, värimaailman poisto

5 Esimerkki vaurioiden tunnistusvaiheista Vaihe 3, käsittely X Vaihe 4, epäpuuobjektien poisto Esimerkki vaurioiden tunnistusvaiheista Vaihe 5, reikien täyttö Vaihe 6, tekstuurien palautus

6 Esimerkki vaurioiden tunnistusvaiheista Vaihe 7, vaurion korostus Vaihe 8, vaurion korostus 2 Esimerkki vaurioiden tunnistusvaiheista Vaihe 9, vaurion määrittelyä täyttämättömien pikseliklusterien poisto

7 Esimerkkejä tunnistuksista Kuvatulkinnan tekniset haasteet ovat kuitenkin suuret Tavallisesti konenäkösovelluksia käytetään hyvin stabiileissa olosuhteissa, joissa tunnistettavien objektien etäisyys on yleensä vakio ja valaistus on erittäin tasainen Auringon aiheuttamat heijastukset merkittävin yksittäinen ongelma Havainnointi tarvitsee riittävästi valoa Hämärissä olosuhteissa metsäkoneiden työvalot aiheuttanevat vaikeita varjoja ja heijastuksia Runkojen runsas tyvioksaisuus voi olla ongelma (etenkin ensiharvennuskuusikot) Oksat ja risut sotkevat tunnistusvaiheita Värimaailman määritys vaatii ratkaisumallin Puiden etäisyys tulisi tuntea, jotta poistettavien pikseliklusterien koko voitaisiin määrittää tarkasti (vääriä hälytyksiä / vaurioiden pois jäämistä ) Käytännön sovellus vaatii valtavasti testausta ja määrittelyä

8 Metsän värimaailma vaihtuu valaistuksen, mutta myös vuodenajan mukaan Kesäkuu 2016 Lokakuu 2016

9 Väärät hälytykset vääristävät kokonaiskuvaa Ajouralta havaitaan vain osa vaurioista Vakavimmat ja taloudellisesti merkittävimmät vauriot muodostuvat tyypillisesti ajourien varsille Vain osa puustovaurioista näkyy suoraan ajouralle Puiden kaadosta toisia puita vasten jääviin puihin syntyy viiltomaisia vaurioita, jotka eivät näy ajouralle Myös huolimattomasta rungon syötöstä syntyy vaurioita, jotka eivät näy uralle > Ilmeinen tarve selvittää, voiko ajouralle näkyvien vaurioiden määrästä johtaa kokonaisvauriomäärään Hälytysindeksin määrittäminen Aiheesta toteutetaan tutkimus kesällä 2017 yhteistyössä Stora Enso Metsän kanssa

10 Metsäkoneen väylätiedosta apuväline kuljettajan omavalvontaan (osahanke 2) Visiona metsäkoneen ohjelmistoon integroitu sovellus, joka tukee kuljettajaa työn omavalvonnassa ja korjuun laadunhallissa Metsäkoneen CAN väylää käytetään hyvin monen tyyppisessä tiedonsiirrossa, kuten harvesterinpään ohjausparametrien välittämisessä Väylätiedon potentiaalia tarkastellaan tässä osahankkeessa korjuun laadun kannalta Hakkuukoneen puomiston puustoosumien havaitseminen Osahanke aloitettu kesällä 2016 Aineisto kerätty kolmesta eri kohteesta tarkoitukseen soveltuvilta koeradoilta Aineistona käytetään hakkuukoneen väylätietoa ja videomateriaalia Todelliset tapahtumat puomilla määritellään hakkuukoneen ohjaamon kattoon asennetun videokameran avulla Aineistosta pyritään löytämään puustoosumiin liittyviä ilmiöitä Osahankkeen tuloksia julkaistaan alustavasti vuoden 2017 aikana

11 Videonäyte 1 laahaavia puusto osumia Videonäyte 2 kevyttä kääntöä

12 Tarkastellaan, voidaanko puomin käytön rankkuus lukea datasta Kun tarkastellaan esimerkiksi sekunnin aikasarjoissa puomin kulkemaa kokonaismatkaa ja sen kääntöön käytettyä virta arvon summaa löydetään vahva korrelaatio Korrelaatio on itsestäänselvyys, mutta yksittäisten näytteiden välillä on vaihtelua Kun aikasarjat pilkotaan, päästään lähemmäksi yksittäisiä puusto osumia, jotka todennetaan videoidulta materiaalilta Jos onnistuu, haasteeksi muodostuvat kysymykset siitä, mitkä puusto osumat ovat haitallisia ja miten tarkastelu synkronoidaan muihin työvaiheisiin. Lisäksi kuljettajakohtaiset erot vaikuttavat todennäköisesti tulkintoihin. Näyte 2 Näyte 1 Metsänomistajien tarpeet kehittyneemmälle laaturaportoinnille (osahanke 3) Hankkeessa selvitetään metsänomistajien mielipiteitä ja tarpeita kehittyneempää puunkorjuun laaturaportointia kohtaan Lisäksi pyritään selvittämään, miten eri metsänomistajaryhmät arvottavat korjuun laatuun liittyvät seikat Osahankkeen tuloksia voidaan hyödyntää: Laaturaportointia käsittelevien käyttöliittymien suunnittelussa Suunniteltaessa puukaupan kasvattamiseen tähtääviä toimenpiteitä erityyppisille metsänomistajaryhmille

13 Aineiston hankinta kyselytutkimuksella Tutkimusaineisto kerätään verkossa toteutettavalla kyselytutkimuksella talven aikana Tavoitteena on muodostaa mahdollisimman kattava sekä tilastollisesti pätevä otos Esimerkiksi selvitetään: Tarvittavat taustamuuttujat Mitä vastaaja haluaa laaturaporttiin Miten vastaaja käsittää korjuun laadun Miten vastaaja arvottaa korjuun laadun Mitkä korjuun osa alueet ovat tärkeitä Voidaanko vastaajia profiloida siten, että huomioidaan mieltymykset korjuun toteutuksen tavasta, laadusta ja muista tekijöistä? Visio profiilitiedon hyödyntämisestä Yleensä törmätään väittämään Korjuun laadulla on suuri merkitys metsänomistajalle Väittämä on varmasti totta, mutta erityyppiset metsänomistajat todennäköisesti käsittävät korjuun laadun hyvin monella eri tapaa Jos voidaan selvittää mitä yksittäinen metsänomistaja pitää puunkorjuun laadun kannalta tärkeänä, voidaan korjuun ohjeistuksessa ja toteutuksessa painottaa juuri metsänomistajan haluamia tekijöitä > voi parantaa asiakastyytyväisyyttä ja näin vaikuttaa kasvattavasti puunmyyntihalukkuuteen

14 Hankkeen yhteistyökumppanit Metsämiesten säätiö rahoittaa hanketta Itä Suomen yliopisto Teijo Palander, Antti Matikainen, Aleksi Aarnio John Deere Oy Stora Enso Oyj Metsä Kalle Kärhä Metsäteho Oy Heikki Ovaskainen Jämsän ammattiopisto Timo Punttila Lukemista Eronen, J., Palander, T., Kärhä, K. & Ovaskainen H Kuljettajien näkemyksiä kunnostushakkuiden heikolle laadulle. Metsätehon tuloskalvosarja 1/ s. Eronen, J., Palander, T., Kärhä, K. & Ovaskainen H Digitalisaatio tulee energiapuun korjuun laadun seurantaan. Koneviesti 12/2016, Bioenergialiite 4/2016: Hamunen, H Digiharppaus tuo metsänomistajalle parempaa palvelua. UPM Metsänhenki /2016: