Metsämiesten Säätiö Foundation

Pro gradu -tutkielma: Leimikkotekijöiden vaikutus puunkorjuun runkovaurioiden kuvatulkintaan

torstaina, 06.06.2019

Vuotuiset hakkuumäärät ovat olleet nousussa vuoden 2009 jälkeen ja vuonna 2017 hakatiin 62,9 milj. kuutiometriä runkopuuta teollisuuden käyttöön. Metsäteollisuuden investoinnit ovat keskittyneet kuitupuun käyttöön, jolloin harvennushakkuiden määrät ovat olleet kasvussa. Samanaikaisesti korjuujälki on heikentynyt 2000-luvun aikana, etenkin lisääntyneiden runkovaurioiden takia. Tämä asettaa haasteita korjuujäljen laadunhallinnalle. Toistaiseksi korjuujäljen valvontaa on toteutettu ihmistyönä Metsäkeskuksen, puunhankintaorganisaatioiden, yrittäjien ja koneenkuljettajien toimesta. Tulevaisuuden visiona on kuitenkin korjuujäljen laadunhallinnan automatisointi. Konenäkö on potentiaalinen ratkaisu runkovaurioiden laadunvalvontaan.

Tämän tutkimuksen tavoitteena oli kehittää algoritmi Matlab-ohjelmointiympäristössä, jolla tunnistetaan digitaalikuvasta runkoja ja vaurioita käyttämällä yksinkertaisia koneoppimisen ja adaptiivisuuden menetelmiä.

Tutkimuksessa tarkasteltiin leimikkotekijöiden merkityksiä vaurioiden tunnistamisen onnistumiseen kautta sekä selvitettiin olosuhteet, joissa menetelmää pystytään käyttämään.

Aineistona käytettiin järjestelmäkameralla otettuja digitaalikuvia, joita oli 52. Kuvat jaoteltiin neljään ryhmään valo-ominaisuuksien mukaan: puhdas kuusikko, pilvinen mäntyvaltainen sekametsä, aurinkoinen mäntyvaltainen sekametsä ja erittäin aurinkoinen sekametsä. Kuvissa olleet vauriot muodostettiin manuaalisesti. Lisäksi käytettiin muutamaa kuvaa todelliselta harvennusleimikolta tuomaan lisäinformaatioita tutkimukselle.

Rungoista tunnistettiin 90 % ja vaurioista 67 %. Tunnistusprosessin tulos heikkeni auringon valon lisääntyessä. Parhaiten tunnistusprosessi onnistui pilvisessä mäntyvaltaisessa sekametsässä, jossa tunnistettiin 93 % rungoista ja 77 % vaurioista. Sekametsässä vaurioita kuvattiin kolmesta eri kuvakulmasta, joka mahdollisti kuvien yhdistämisen monipistekuvaukseksi. Monipistekuvauksessa rungoista tunnistettiin 100 % ja vaurioista 94 %. Yksittäisten dikotomisten muuttujien tarkastelussa havaittiin, että auringon vaikutus, kuvauskulma, puulaji ja vaurion suhteellinen pinta-ala olivat tilastollisesti merkitseviä muuttujia vaurioiden tunnistamisessa. Näillä leimikko- ja olosuhdemuuttujilla mallinnettiin vaurioiden tunnistamisen onnistumista käyttäen logistista regressiomallia. Malli luokitteli 77 % havainnoista oikein.

Tulokset olivat lupaavia konenäköjärjestelmän kehittämisen kannalta, sillä varsin yksinkertaisilla adaptiivisuuden ja koneoppimisen menetelmillä päästiin melko hyviin tuloksiin. Aihepiiri vaatii kuitenkin vielä paljon tutkimus- ja kehittämistyötä. Tulevaisuuden konenäköjärjestelmän tulisi hyödyntää monipistekuvausta luotettavamman tuloksen saamiseksi sekä kamerat tulisi sijoittaa metsätraktoriin, jolloin vauriot saadaan kuvattua tuoreina. On myös tunnettava uralle näkyvien ja näkymättömien vaurioiden keskinäinen suhde.

Metsämiesten Säätiön tuki mahdollisti tutkimuksen saattamisen valmiiksi.

Lisätietoja:

MMM Aleksi Aarnio, Itä-Suomen yliopisto, aleksia8a)student.uef.fi,