PUULA - Puun laadun mittaus ja lajittelu Digitaalikuvatekniikasta avain puun automaattiseen laatulajitteluun Puun laadun mittaus ja lajittelu, p325 1
PUULA - Puun laadun mittaus ja lajittelu Projektissa tutkittiin perusteita konenäkötekniikan soveltamiseksi puun ominaisuuksien mittaamiseen Digitaalikuvien analysointia tukkien ja yleensäkin puuraaka-aineen laatutunnusten mittauksessa Kamerajärjestelmän kalibrointia puutavarakappaleen 3D kuvauksessa Laatuositteiden tilavuuden määritystekniikoita, esimerkkinä laho Sahatavaran laadun selitystä tukinpään lustotiedoilla Tutkimuksilla luotiin perusteita digitaalikuvatekniikan kehittämiselle ja soveltamiselle puutavaralogistiikassa sekä sovelluskehityksen käynnistämiselle Nykyiseen verrattuna tavoitteen toteutuminen tuottaa uutena kuorettoman runkotiedon sekä mitattua puuaineen laatutietoa puutavaran, kuten sahatukkien, automaattisen laatulajittelun Puun laadun mittaus ja lajittelu, p325 2
PUULA - Puun laadun mittaus ja lajittelu Tutkimuskonsortio Metsäntutkimuslaitos, Vantaan tutkimuskeskus: Puun laadun mallintaminen kuvaan perustuvista mittauksista TKK (Teknillinen korkeakoulu), Fotogrammetrian ja kaukokartoituksen laboratorio: Puun geometrisen laatutiedon mittaukset monikameramenetelmällä TTY (Tampereen teknillinen yliopisto), Mittaus- ja informaatiotekniikan laitos: Puun laatutiedon mittaaminen kuvasta Metsäteho Oy: Kuvaan perustuva mittaus apteerauksessa ja puutavaran lajittelussa Puuraaka-aineen lajitteluvaihtoehdot puun hankinta- ja käsittelyketjussa Hankkeen koordinointi Rahoittajat Järvi-Suomen Uittoyhdistys, Kuhmo Oy, Metsähallitus, Metsäliitto Osuuskunta, Metsäteollisuus ry, Pölkky Oy, Stora Enso Oyj, UPM Kymmene Oyj, Vapo Timber Oy, Visuvesi Oy, TEKES Puun laadun mittaus ja lajittelu, p325 3
TKK:n tutkimustuloksena kamerakalibrointiin ratkaisu, jolla kohteesta saadaan oikea geometria. Yllä vinosti kuvattu ja oikaistu pölkky, alla kohtisuoraan kuvattu pölkky. Puun laadun mittaus ja lajittelu, p325 4
Kamerakalibroinnissa ratkaistaan kameroiden sisäisiä parametreja ja kameroiden keskinäiset asemat Kalibrointi perustetaan vastintähysten paikantamiseen Esimerkkinä kolmiulotteinen kappale, jossa koodattuja tähyksiä Kehä, jolta vastintähykset tunnistetaan Puun laadun mittaus ja lajittelu, p325 5
Läpimitan mittaus kaksiulotteisella projektiivisella muunnoksella tukin keskiviivalle sijoitettujen tähysten avulla. Poikkileikkauksen mittaus laserjuovasta. Kalibrointi pahvilevyllä olevien 4 pisteen avulla. Eri puolilta otetuista kuvista saadut reunaviivat samassa koordinaatistossa osoittavat suurta tarkkuutta. Puun laadun mittaus ja lajittelu, p325 6
Tutkittiin vastinpisteiden haun menetelmiä Kuvakorrelaatio stereokuvapareilta Konvergenttikuvatekniikka, harmaasävyjen perusteella yhdistettynä kohteen geometriseen malliin Usean kuvan yhtäaikainen pakotettu kuvayhteensovitus (MPGC) Ratkaistaan samanaikaisesti vastinpisteiden paikat ja kohteen 3D-koordinaatit Ohjelmoitiin monikuvayhteensovitusmalli ja interaktiivinen ohjelmatyökalu Puun laadun mittaus ja lajittelu, p325 7
Projektin tuloksia TTY:n Mittaus- ja informaatiotekniikan laitos kehitti pölkynpäätietojen tuottamista digitaalikuvista tekstuurianalyysin avulla. Päämenetelmänä oli liukuva 2D-spektrianalyysi. Lustonpaksuuskartassa kuori näkyy yhtenä paksuna lustona. Metsäteho Oy 24.10.2006 Puun laadun mittaus ja lajittelu, p325 8
Pienalueelta yhden värikanavan kuva. Siitä laskettujen lustoparametrien avulla on tuotettu lustonleveyskartta, lustojen suuntautuminen ja kasvukeskipisteen haku. Puun laadun mittaus ja lajittelu, p325 9
Lustoanalyysillä on käyttöä myös puutuoteteollisuudessa Lustotiedoilla voidaan ennustaa sahatavarakappaleen lujuutta Konenäkö voi tunnistaa kappaleen asennon luston suunnasta ja ytimen sijainnista Puun laadun mittaus ja lajittelu, p325 10
Kasvukeskipisteestä alkaen kaksiulotteiseksi avattu poikkileikkauskuva tarjoaa uusia mahdollisuuksia puun laatutunnusten määrittämiseen Puun laadun mittaus ja lajittelu, p325 11
Puun läpimittaa ja kuoren paksuutta voidaan hakea värianalyysin avulla. Kuvan punaisen halkaisijaviivan informaatio on esitetty graafina. Puun laadun mittaus ja lajittelu, p325 12
Myös kuvasignaalin tulkintaa puulajin tunnistamiseksi tutkittiin. Menetelmänä käytettiin sekä kuoren väriin että tekstuuriin perustuvia analyysejä. Projektin tuloksia Horisontaalinen (yllä) ja horisontaalinen & vertikaalinen (alla) keskimääräinen aallonpituus Puun laadun mittaus ja lajittelu, p325 13
Tärkeitä puuaineen ominaisuuksia ovat Kuidunpituus Tiheys Sydänpuun ja pintapuun osuudet Lustojen leveydet Kevät- ja kesäpuun osuudet lustoissa Viat, kuten laho ja lyly Kosteus Ominaisuuksien esiintyminen ja vaihtelu pääpuulajeilla tunnetaan melko hyvin ja voidaan siksi mallintaa Projektin tuloksia Lähde: Lundqvist ym. 2003, STFI Puun laadun mittaus ja lajittelu, p325 14
Puun rakennetta ja kasvutapaa kuvaava Lignum -kasvumalli (Metla) tarjoaa välineen tarkastella puuaineen ominaisuuksien kehittymistä rungossa Puun laadun mittaus ja lajittelu, p325 15
Lignum -mallia käytettiin tyvilahon ulottuvuuksien mallintamisessa Puun laadun mittaus ja lajittelu, p325 16
Digikuva-analyysia täydentävinä tekniikoina tutkittiin Kuoren paksuuden mittaamista ultraäänitekniikalla kohdetta koskettamattomalla anturilla Mikroaaltomittausta puun kosteuden ja oksaisuuden mittaamisessa Johtopäätökset Ultraäänitekniikka ei soveltunut kuoren paksuuden mittaukseen Tukin päästä heijastuvat mikroaallot osoittavat erilaisia kosteusalueita ja ko. määritystekniikka omaa kehityspotentiaalia Oksista mikroaalloilla saadaan selville lähinnä oksakiehkuroita Puun laadun mittaus ja lajittelu, p325 17
Kasvunopeus, jota kuvaa lustojen lukumäärä 2 8 cm:n etäisyydellä ytimestä, selittää sahauspinnan ja sahatavaran laatua. Esimerkki A-laadusta mäntytukkiaineistossa. A - laatua tyveltä m D 1,3 cm Kuivaoksaraja m Ikä k v 1 31 5,7 116 Luston paksuus 2 8 cm:n vyöhykkeellä, mm Sahatavaran suhteel. arvo/m 3 1,43 100 2 25 6,9 121 1,05 119 3 23 6,6 112 1,07 129 5 21 6,7 127 0,81 194 Puun laadun mittaus ja lajittelu, p325 18
Sahatukit erotellaan hankintaketjussa toimituspaikoittain puulajin tai kokoluokan (esim. pikkutukit) mukaan Laatumittaus hakkuuvaiheessa parantaisi ennen muuta raakaaineen arvosaantoa Kuitupuun lajittelulla voitaisiin saada kuidunpituudeltaan erilaisia ositteita Puun laadun mittaus ja lajittelu, p325 19
Kuitupuun lajittelun ja erillään pidon vaikutusta korjuukustannuksia on tutkittu Esimerkkinä kuitupuun erottelu kahteen ositteeseen Lisäkustannukset ovat kuitupuulle kohdistettuina 1,5 /m 3 luokkaa Lisäkustannus koko puumäärälle kohdistettuna, % 20 18 16 14 12 10 8 6 4 2 0 Kaukokuljetuksen jälkeen Metsäkuljetuksen jälkeen Hakkuun jälkeen K it ll k hdi t tt 0 10 20 30 40 50 60 70 80 90 100 Kuitupuun osuus, % 12,1% 9,8% 3,9% Puun laadun mittaus ja lajittelu, p325 20
Loppuraportit Pöntinen, P., Heikkinen, J. & Jokinen, O. 2005. Puun geometrisen laatutiedon mittaukset monikameramenetelmällä. Metsätehon Raportti 183. Mäkelä, M., Imponen, V., Korpilahti, A., Pennanen, O. & Poikela, A. 2005. Puuraaka-aineen lajitteluvaihtoehdot puun hankinta- ja käsittelyketjussa. Metsätehon Raportti 186. Österberg, P. & Ihalainen, H. 2006. Puun laatutiedon mittaaminen kuvasta. Metsätehon raportti 197. Sorsa, J-A., Imponen, V., Hujo, S., Korpilahti, A., Poikela, A. & Räsänen, T. 2006. Kuvaan perustuva mittaus apteerauksessa ja puutavaran lajittelussa. Metsätehon raportti 194. Digitaalikuvista avain puun laadun mittaukseen. Metsätehon katsaus 16/2005. Puun laadun mittaus ja lajittelu, p325 21
Muut raportit 1/2 Österberg, P., Ihalainen, H. & Ritala, R. 2004. Method for Analyzing and Classifying Wood Quality through Local 2D-spectrum of Digital Log End Images. International Conference on Advanced Optical Diagnostics in Fluids, Solids and Combustion. Tokyo. Österberg, P., Ihalainen H., Ritala R. 2004. The Effective Method for Analyzing Frequency Field of Digital Image. Tampereen teknillinen yliopisto, Mittaus- ja Informaatiotekniikan laitos. Suomela, T. 2005. Puulajin tunnistus rungon värin ja tekstuurin perusteella. Diplomityö, Tampereen Teknillinen Yliopisto, Automaatiotekniikan osasto. Suomela, T. 2005. Puun kaarnaisuuden tunnistus sivukuvasta. Kuvaan perustuva mittaus 2. Harjoitustyö, Tampereen teknillinen yliopisto, Mittaus- ja Informaatiotekniikan laitos. Hanhijärvi, A. Ranta-Maunus, A. & Turk, G. 2005. Potential of strength grading of timber with combined measurement techniques phase I. (Sisältää digitaalikuvista analysoitujen lustoparametrien testauksen lujuuden selittäjänä). VTT publications 568. Haapalainen, M., Hyvärinen, V., Nieminen, S., Sarén, M-P. & Sorjonen, M. 2005. Selvitys ja tutkimustyö mikroaaltojen ja ultraäänen soveltuvuudesta puun laadun mittaukseen. Oulun yliopiston Mittalaitelaboratorion raportti 05-02. 2005. Puun laadun mittaus ja lajittelu, p325 22
Muut raportit 2/2 Tulossa: Pesonen, E., Agopov, M., Hamina, S. & Perttunen, J. Puun laadun mittaus ja lajittelu. Agopov, M. Terveen ja lahon kuusen UV-viritteisten fluoresenssi- ja fosforenssispektrien mittaus ja vertailu. Laudaturtyö, Helsingin yliopisto, fysikaalisten tieteiden laitos. Agopov, M. Puusolukon keskimääräisten dimensioiden mittaaminen optiseen diffraktioon perustuvalla menetelmällä. Pro gradu -tutkielma, Helsingin yliopisto, fysikaalisten tieteiden laitos. Hamina, S. Sumeaan logiikkaan pohjautuva puutavaran ohjaus raaka-aineen laatuparametrien avulla. Pro gradu -työ MMM-tutkintoa varten, Helsingin yliopisto, Metsävarojen käytön laitos. Heikura, T. Diplomityö Lignum -mallista, TKK, Sähköosasto, tietotekniikan laboratorio. Puun laadun mittaus ja lajittelu, p325 23