Ny databas och AI-teknik ger skogsmaskiner ögon

Automationen inom skogsbruket är på frammarsch och när en större del av skogens skötsel sker utan mänsklig inblandning gäller det att maskinerna själva har ”ögon”. Inom Mistra Digital Forest tränas med hjälp av AI-baserad bildanalys modeller som visuellt uppfattar och agerar på objekt i sin omgivning.

En skördare som i realtid ”ser” vilket trädslag den avverkar och en automatisk plantsättare som upptäcker stenen och hittar en bättre plats att sätta granplantan på. Det som för en människa låter som enkla uppgifter är en desto större utmaning för skogsmaskiner, särskilt om de saknar förmågan att visuellt identifiera objekt i sin omgivning. Ett effektivt sätt att bygga upp en visuell förmåga hos skogsmaskiner är att låta AI träna på klassificerade bilddataset, det vill säga stora bildsamlingar där varje bild matchats med ett slags facit som beskriver vad den föreställer. Modellerna kan sedan användas i utvecklingen av nya skogsmaskiner och beslutsstöd.

Bygger öppen bilddatabas

Det krävs stora mängder klassificerade data för att AI:n ska kunna tränas upp och bli tillräckligt bra. Därför har Skogforsk med stöd av Norra Skogs Forskningsstiftelse börjat bygga en öppen bilddatabas där den här sortens data finns tillgänglig för alla som vill utveckla nya innovationer inom skogsbruket.

– Som en del i det arbetet har vi dragit nytta av den data som redan samlas in vid sågverken. Vi har samarbetat med ett sågverk och tagit närbilder av barken på tall och gran när virket kommit in, bilderna har vi sen kopplat till sågverkets databas som samlar information om bland annat trädslag. På så vis har vi fått tillgång till stora mängder klassificerad data och kan lägga grunden för en öppen bilddatabas, säger Jan Johansson, forskare på Skogforsk.

Nu kommer bilddatabasen till användning när forskarna inom Mistra Digital Forest ska träna upp modeller som kan identifiera trädslag genom att ”titta” på trädet.

– Det gör till exempel att vi kan utveckla förarstöd och hel- och delautonoma maskiner med datorseende. På det stora hela kan modeller utvecklas som underlättar olika delar av skogsbruket, säger Jan Johansson.

Lägger grunden för automatiserade planteringsrobotar

I ett Vinnova-finansierat projekt har forskarna med hjälp av den här sortens AI-baserad objektigenkänning tagit betydande steg mot ett så kallat planteringskoncept som ”ser” hinder som stubbar och stenar och undviker att sätta plantan just där. Det är en viktig del i utvecklingen av automatiserade planteringsrobotar och inom Mistra Digital Forest vidareutvecklas nu den algoritm som lägger grunden för planteringskonceptet.

– Inom Mistra Digital Forest har vi utforskat vilken strategi roboten ska använda sig av för att uppfylla två viktiga krav; att placera ut tillräckligt med plantor och ha så korta kranrörelser som möjligt, säger Morgan Rossander, forskare på Skogforsk och den som har utvecklat algoritmen.

Två grundstrategier testades för att besluta var nästa planta ska sättas. Den ena var att utgå från den senast satta plantan, den andra att utgå från hörnet på det senast planterade området. Här visade det sig att den sistnämnda grundstrategin resulterade i fler satta plantor men också fler kranrörelser jämfört med den första. Båda grundstrategierna hade alltså sina för- och nackdelar och i nästa steg kombinerades de för att se om det skulle resultera i en mer optimal strategi.

”Uppmuntrande att algoritmen fungerar så bra”

När ett standardhygge simulerades visade det sig att strategin som byggde på en kombination av de två grundstrategierna gav den bästa kompromissen mellan kranrörelse och antal plantor. Men när forskarna i nästa steg testade att sätta plantorna på ett större och mer realistiskt avstånd var det ingen större skillnad mellan strategierna. Det berodde på att själva arbetsytan var relativt liten i förhållande till plantavståndet, algoritmen fick för lite spelrum och betedde sig därför likvärdigt oavsett strategi. Valet av strategi spelade alltså ingen större roll i det här sammanhanget men om samma algoritm skulle användas i en annan tillämpning eller med kranar med större räckvidd har strategivalet betydelse.

– Det är uppmuntrande att algoritmen fungerar så bra. Nästa steg är att utöka med en funktion som anpassar plantavstånden för att få rätt antal plantor per hektar. Vi tittar också närmare på mer komplexa frågeställningar som hur planteringskonceptet ska hantera situationer då aggregatet som sätter plantan inte rör sig helt rakt ner mot marken. Om maskinen exempelvis lutar kan algoritmen behöva utökas för att ta hänsyn till det, säger Morgan Rossander.

Inom Mistra Digital Forest fortgår arbetet med att utveckla nya användbara modeller och beslutsstöd.

– Den här sortens maskininlärning med AI-baserad bildanalys öppnar för nya innovationer och arbetssätt inom skogsindustrin, säger Jan Johansson avslutningsvis.

Om projektet
Med stöd av Norra Skogs Forskningsstiftelse lägger Skogforsk grunden för en öppen bilddatabas som ska vara tillgänglig för hela skogsindustrin. Syftet är att underlätta forskning och utveckling av nya innovationer och arbetssätt med hjälp av AI och maskininlärning. I ett första steg har stora mängder bilddata på tall- och granbark samlats in men det långsiktiga målet är att skogliga aktörer kontinuerligt ska dela och fylla på databasen med olika typer av klassificerad bilddata. Datan kan exempelvis bidra till utvecklingen av operatörsstöd och hel- eller delautonoma maskiner och ge möjligheter till kontroll och övervakning av vindfällen, skadeangrepp och betesskador på skog och planteringar.