De ce trec gaterele la scanere și inteligență artificială
Un gater hotărăște o mare parte din valoarea unui buștean la primele tăieturi. Rotiți bușteanul cu câteva grade sau deschideți-l cu câțiva centimetri mai sus, și același nod ajunge fie în mijlocul unei scânduri valoroase, fie într-un lăturoi. Până de curând, decizia se lua din exterior: după coajă, formă, capete și experiența gateristului. La gaterele cu bandă pentru bușteni groși, gateristul trebuie să decidă în câteva secunde unde pune următoarea tăietură, mai ales după suprafața bușteanului și fețele deja tăiate.10
Scanarea pune date în spatele acestei decizii în trei puncte ale fluxului: în depozitul de bușteni, unde scanerele măsoară forma și, cu raze X, interiorul; la gaterul principal, unde un optimizator rotește bușteanul și alege schema de debitare; și la cheresteaua uscată, unde scanere cu camere și raze X clasează scândurile și alimentează fierăstraiele de retezat cu optimizare. „Inteligența artificială” înseamnă aici mai ales modele de învățare profundă, de regulă rețele neuronale convoluționale, care au învățat să recunoască noduri, crăpături sau putregai din mii de imagini etichetate.1
Articolul arată ce spun dovezile publicate pentru lemnul de foioase, cu o rezervă valabilă peste tot: cele mai multe cercetări despre CT sunt pe rășinoase, iar cele mai multe despre clasarea automată a foioaselor sunt americane. Precizăm de fiecare dată la ce specie și la ce comparație se referă o cifră. Unde se pierde volumul de la buștean la piesă și cum îl recuperează spintecarea întâi și îmbinarea în dinți explicăm în articolul despre randamentul de la buștean la piesa de mobilier.
Trei niveluri de scanare a buștenilor: 3D, raze X și CT
Nu orice „scaner de bușteni” vede același lucru. Scanerele optice și laser măsoară forma exterioară: diametrul, conicitatea, curbura, ovalitatea și, la rezoluție mare, umflăturile de pe suprafață. Scanerele discrete cu raze X, folosite în gaterele de vârf din anii 1990, trimit raze X prin buștean din una până la patru direcții și estimează proporția de duramen, densitatea, mărimea nodurilor, distanța dintre verticile de ramuri și lățimea inelelor. Tomografia computerizată (CT) merge mai departe: combină proiecții cu raze X luate de jur împrejurul bușteanului într-o hartă tridimensională completă a densității, secțiune cu secțiune.6,2
Metodele laser, optice și acustice rămân caii de povară. Un studiu slovac din 2022 le-a găsit în toate gaterele mari automatizate din Europa și, tot mai des, în cele mijlocii, în timp ce scanerele CT industriale au rămas rare din cauza prețului.6
Ce poate spune o scanare laser despre un buștean de foioase
Datele de suprafață spun destul de mult despre buștenii de foioase, a căror clasă depinde mult de defectele vizibile. Un sistem al Serviciului Forestier american, care analizează scanări laser 3D de mare rezoluție ale buștenilor cu coajă, găsește defecte de cel puțin 13 mm înălțime și 76 mm diametru. Pe 14 bușteni aleși la întâmplare a găsit 53 din 64 de defecte grave, a semnalat greșit nouă zone sănătoase și a localizat 90,2% din suprafața defectelor.11 Asta ajută la clasarea bușteanului, dar nu arată interiorul: un nod acoperit de lemn de zeci de ani poate lăsa doar o urmă slabă pe coajă.
Cum lucrează un scaner CT pentru bușteni la viteza gaterului
Tomograful industrial pentru bușteni folosit în studiile de mai jos este CT Log, dezvoltat din 2008 de producătorul italian de scanere Microtec. Proiectanții lui descriu un cadru rotativ cu o sursă de raze X și un inel de senzori, care se rotește cu 240 de rotații pe minut în jurul unui transportor și reconstruiește bușteanul continuu, pe măsură ce trece. După specificația publicată, scanează cu 60–160 m/min, are un câmp de vedere de 90 cm, primește bușteni de până la 70 cm diametru, în funcție de densitatea lemnului, și are o rezoluție de 1 mm în secțiune transversală și 10 mm în lungul bușteanului.1
Partea grea este viteza. Un gater prelucrează circa zece bușteni pe minut, mult prea mulți ca cineva să citească imaginile CT de mână. În sistemul publicat, un buștean de 6 m este analizat în circa 2,3 secunde de un grup de calculatoare, iar optimizatorul testează apoi circa 10.000 de scânduri virtuale pe buștean într-o secundă, ca să aleagă schema de debitare cu cea mai mare valoare. Întregul lanț încape între scaner și un gater aflat la 16,1 m distanță.1
Detectarea nodurilor în acest sistem folosește deja inteligența artificială: o rețea neuronală convoluțională antrenată pe peste 5.000 de noduri marcate manual de experți pe imagini CT. Dezvoltatorii numesc și o limită valabilă pentru orice specie: în alburnul exterior, nodurile și lemnul sănătos au densități foarte apropiate, așa că acolo nodurile sunt găsite mai ales după textură și măsurate mai puțin precis.1,3
Dezvoltatorii numărau cinci linii funcționale la începutul lui 2018, cu a șasea pe punctul de a porni în Suedia. Un studiu slovac număra 14 în toată lumea în 2023, cele mai multe în gatere de rășinoase.1,2,7 Una dintre ele, la Centrul Național Forestier din Zvolen, a fost instalată pentru cercetare, nu pentru producție, și de aceea multe dintre datele europene recente despre foioase vin din Slovacia.2
Cât adaugă CT la valoare? Ce au comparat de fapt studiile
Fiecare câștig de valoare publicat răspunde la o întrebare ușor diferită. Unele studii compară cea mai bună rotire a fiecărui buștean cu o poziție standard, altele cu media tuturor pozițiilor, iar unul cu ce a produs efectiv gaterul. Unele presupun un rotitor de bușteni perfect, altele adaugă erori realiste. Tabelul rezumă principalele studii.
| Studiu | Specie și eșantion | Comparat cu | Câștig de valoare |
|---|---|---|---|
| Chang și Gazo 2009 (SUA) | Stejar roșu, stejar alb, cireș american, arțar de zahăr, arbore-lalea; 29 de bușteni, tomograf medical | Debitarea reală a acelorași bușteni în gater | +46% în medie (stejar roșu +24%, stejar alb +60%) |
| Stängle și colab. 2015 (Germania, Finlanda) | Fag european; 33 de bușteni | Media a 12 unghiuri de rotire | Până la +24% (cel mai bun unghi) |
| Berglund și colab. 2013 (Suedia), după Rais și colab. | Pin silvestru, molid | Poziția convențională a bușteanului | Circa +13% în medie |
| Rais și colab. 2017 (Microtec) | Duglas; 36 de bușteni, tomograf industrial la 120 m/min | Poziția cu curbura în sus, cu erori de rotire și de măsurare a nodurilor | +4%, +8% sau +20%, după diferența de preț dintre clase |
| Belley și colab. 2019 (Canada) | Molid alb, pin Banks; 53 de arbori | Debitarea convențională după curbură | +15% (molid), +23% (pin) |
| Gejdoš și colab. 2025 (Slovacia) | Stejar pedunculat și gorun; 125 de bușteni | Clasarea vizuală a buștenilor (clasare, nu debitare) | Aceeași clasă la 47% din bușteni; valoare de listă cu 30 €/m³ mai mică |
Termenii de comparație diferă, deci câștigurile nu se pot compara direct. Doar primele două rânduri sunt studii de debitare a foioaselor. Sursa: Chang & Gazo (2009); Stängle et al. (2015); Rais et al. (2017), who also report Berglund et al. (2013); Belley et al. (2019); Gejdoš et al. (2025). Full references below.
Trei lucruri ies în evidență. Mai întâi, câștigurile țin mai ales de valoare, nu de volum. Dacă rotiți bușteanul astfel încât nodurile să cadă pe marginile scândurilor sau în scândurile care oricum merg la clase slabe, schimbați mult mai mult structura pe clase decât metrii cubi. Diferența dintre randamentul în volum și cel în valoare o explicăm în articolul despre debitarea tangențială, radială și semiradială.
Apoi, diferența de preț dintre clase hotărăște rezultatul. În studiul industrial pe duglas, aceiași bușteni și aceleași date CT au dat un câștig mediu de 4%, 8% sau 20%, numai în funcție de cât de mult valorau în plus clasele de sus.3 La foioase, unde clasele bune de aspect se vând la un multiplu al claselor comune, efectul merge în ambele sensuri: câștiguri posibile mai mari, dar și pierderi mai mari la un buștean judecat greșit.
În al treilea rând, dovezile pentru foioase sunt puține, iar cele pentru rășinoase mai largi: un studiu canadian pe 53 de arbori de molid alb și pin Banks a găsit cu 15% și 23% mai multă valoare a cherestelei la debitarea optimizată după noduri decât la debitarea convențională.12 Studiul pe fag european a folosit 33 de bușteni și a găsit că cel mai bun dintre 12 unghiuri de rotire dă cu până la 24% mai mult volum și valoare decât unghiul mediu.4 Studiul american pe cinci specii de foioase a folosit 29 de bușteni scanați într-un tomograf medical. Câștigul lui mediu de 46% compară o simulare optimizată cu felul în care gaterul a debitat efectiv aceiași bușteni, deci o parte din câștig vine din optimizarea în sine, nu doar din imaginea cu raze X. Câștigurile au crescut de la 27% la bușteni de clasa 1 la 97% la bușteni de clasa 3.5
Un scaner e la fel de bun ca rotitorul de bușteni
Un optimizator CT poate calcula unghiul optim la grad, dar rotitorul trebuie să-l și realizeze. Simularea pe duglas a adăugat o eroare aleatorie de rotire cu abaterea standard de 5° și o eroare realistă la măsurarea nodurilor, și tot a găsit câștigurile de mai sus. Aceeași lucrare citează o estimare finlandeză după care erorile de rotire trebuie să rămână sub circa 2° abatere standard ca să nu se piardă valoare, apreciază rotitoarele obișnuite la circa 4° și menționează un studiu suedez pe molid în care o eroare de 6° a redus câștigul mediu de la 11% la 6%.3 O scanare mai bună se plătește doar dacă și mecanica de după ea ține pasul.
Stejarul și fagul: de ce foioasele sunt mai dificile pentru CT
Tomograful vede densitatea, nu culoarea. La molid, un nod este vizibil mai dens decât duramenul din jur și iese clar în imagine. La stejar și fag contrastul este mai slab. O echipă slovacă ce a scanat bușteni de stejar, fag și molid pe un tomograf industrial a constatat că structura internă a celor două foioase se suprapune peste defecte, care apar ca zone legate între ele, cu formă nedefinită, nu ca elemente separate.6
Un studiu ulterior a tăiat un buștean de fag de 4 m și o parte dintr-un buștean de stejar în felii de 20 mm și a comparat fiecare defect cu imaginea CT. Poziția a fost precisă la amândoi, cu abateri de 0,90% la fag și 1,21% la stejar. Mărimea a fost mai puțin sigură: la fag dimensiunile din CT au diferit în medie cu 3,5%, dar la stejar au fost clar supraestimate, o pungă de coajă de peste trei ori. Scanerul a ratat și o zonă de inimă roșie (duramen fals) în bușteanul de fag și un nod în cel de stejar. Autorii conchid că tehnologia a fost dezvoltată mai ales pentru rășinoase și că programele ei nu sunt încă reglate pentru unele foioase.2
Pentru buștenii groși de foioase contează două limite practice. Aceeași echipă a observat artefacte în formă de inel la bușteni mai groși de circa 650 mm, iar studiul din 2025 notează că zgomotul imaginii crește peste 750 mm diametru, deși defectele au rămas identificabile.2,7 Buștenii de bază groși de stejar și fag cad exact în acest interval.
Clasarea pe imagini CT a 125 de bușteni de stejar
Cel mai util studiu pentru cumpărători este o comparație slovacă din 2025 pe 125 de bușteni de stejar pedunculat și gorun, cumpărați pentru utilizări de valoare, precum doagele de butoi. Fiecare buștean a fost clasat de două ori după standardul slovac pentru lemnul rotund de foioase: vizual, ca în practica forestieră obișnuită, și pe imagini CT și modele 3D.7
Cele două metode au coincis la 47,2% din bușteni. CT a pus 42,4% într-o clasă mai slabă și 10,4% într-una mai bună. Defalcarea autorilor după caracteristica decisivă: la 60% din bușteni, defectele erau vizibile cu ochiul liber, dar au fost măsurate altfel pe imaginile CT; nodurile acoperite au decis clasa la 16,8% din bușteni, inimile stelate la 10,4%, iar curbura în mai multe direcții la 9,6%. La prețurile de listă slovace din trimestrul al doilea al lui 2024, valoarea medie a scăzut de la 157,32 la 127,16 euro pe metru cub.7
Scăderea nu este o pierdere provocată de CT. Este valoarea pe care clasarea vizuală o supraestimase. Pentru un gater care cumpără bușteni, să afle asta înainte de debitare este tocmai scopul; pentru un proprietar de pădure care îi vinde, vestea e mai puțin bună. Lecția generală este că clasele buștenilor după EN 1316-1 și versiunile ei naționale sunt atât de sigure cât este măsurarea din spatele lor, idee pe care ghidul nostru despre clasele de calitate ale cherestelei o arată și pentru cheresteaua debitată.
Detecția defectelor cu inteligență artificială pe scânduri: ce înseamnă cifrele de precizie
Cea mai mare parte a inteligenței artificiale din prelucrarea foioaselor lucrează azi pe scânduri, nu pe bușteni: în liniile de clasare de la capătul gaterului și în scanerele care alimentează fierăstraiele de retezat cu optimizare și de spintecat. Aceste sisteme combină camere color, lasere care citesc profilul suprafeței și uneori raze X cu un program care clasifică fiecare defect și aplică apoi o regulă de clasare sau o listă de croire.8
„Precizia” poate însemna trei lucruri diferite: dacă un defect a fost găsit, dacă a fost clasificat corect sau dacă clasa ori tăietura finală au fost corecte. Lucrările raportează toate trei, așa că cifrele se pot compara doar în cadrul aceluiași studiu.
Linii de clasare: mașina față în față cu clasatorul uman
Etalonul nu este perfecțiunea, ci clasatorul uman. În 2003, un prototip cu mai mulți senzori de la Virginia Tech a încadrat corect 89 de scânduri de stejar roșu în 63% din cazuri, față de 48% la clasatorii de pe linia de producție. A estimat valoarea cherestelei cu o abatere sub 6% față de un inspector NHLA autorizat, în timp ce clasatorii de pe linie au supraevaluat-o cu aproape 20%.13 Cincisprezece ani mai târziu, un scaner comercial cu camere color, lasere și un senzor cu raze X a clasat peste 9.000 de scânduri brute, uscate în uscător, din nouă specii americane de foioase, într-un gater din vestul mijlociu al SUA. A atins 92,22% încadrări corecte în clasă și 99,50% precizie la valoare, față de minimele de 80% și 96% din codul comercial NHLA. Autorii citează studii care plasează inspectorii umani la 48–75%.8
Un detaliu contează pentru cumpărătorii de stejar: stejarul alb a avut nevoie de o reglare separată din cauza petelor de fier, pe care altfel scanerul le-ar fi citit drept defecte.8
Fierăstraie de retezat cu optimizare și sortarea lamelelor
Datele europene sunt mai puține, dar mai aproape de producția de componente. Un studiu croat a comparat programul de învățare profundă al unui scaner industrial color cu un program dezvoltat într-un proiect de cercetare, pe 40 de lamele de stejar pentru uși. Niciunul n-a fost mai bun la toate. Scanerul industrial a găsit alburnul de fiecare dată, dar razele late ale stejarului debitat radial, „oglinzile”, doar în 27% din cazuri; programul din proiect a găsit oglinzile în 82% din cazuri, dar a recunoscut galeriile de gândaci de ambrozie doar într-un caz din cinci. În medie, pe toate cele șase tipuri de defecte, cele două au detectat circa 60% și 62%.14
Un studiu din 2025 a antrenat o rețea Mask R-CNN pe 2.972 de imagini de lamele de fag pentru panouri încleiate și le-a sortat în trei clase de aspect plus piese crăpate, cu o precizie totală de 90,90%.15 O echipă de la Purdue a arătat că o rețea neuronală poate deosebi 11 specii comerciale de foioase după imaginile scândurilor, cu o precizie de 98,2%, ceea ce ar permite unui scaner să-și schimbe reglajele când se schimbă specia, fără să aștepte operatorul.16
Niciuna dintre aceste cifre nu este o garanție pentru o anumită linie. Precizia depinde de specie, iluminare, suprafață, definițiile defectelor și numărul de exemple etichetate pe care le-a văzut modelul. Pentru un cumpărător, cifra care contează este procentul de rebuturi la propriile piese.
Cât costă scanarea și ce gatere o pot justifica
Prețurile publicate pentru tomografele de bușteni sunt rare. O lucrare slovacă din 2023 situează investiția în ordinul milioanelor de euro și spune că din acest motiv a fost rentabilă doar pentru întreprinderile mari.2 Calculul arată la fel de decenii. Un studiu american din 1990 despre CT în gaterele de foioase a presupus o investiție de 1,5 milioane de dolari, capătul de sus al prețului tomografelor medicale rapide de atunci, plus circa 175.000 de dolari pe an pentru service. La un randament cerut de 15%, scanerul se plătea într-un gater mare la un câștig de valoare de numai 8,5%; un gater mic avea nevoie de peste 30%.17
Mărimile gaterelor sunt 25, 10 și 5 milioane de board feet pe an, convertite cu 2,36 m³ la mia de board feet (conversia noastră). O simulare austriacă din 2019 pentru un gater european mijlociu de rășinoase, care debitează circa 100.000 m³ pe an de molid și larice și s-a concentrat pe gaterul cu bandă pentru bușteni groși, a calculat o rată internă de rentabilitate de 5% până la 42% pe zece ani, după cât de mult s-a presupus că CT mută producția spre produse de valoare mai mare. Autorii notează că aplicațiile industriale reușite erau încă rare și că lipseau date reale despre câștigurile CT în gaterele cu bandă.10
Scanerele de scânduri costă mai puțin. În 2002, scanerele optice pentru cherestea costau sub un milion de dolari, iar autorii unui studiu american de croitorie au estimat că un sistem care înjumătățește piesele respinse s-ar plăti în mai puțin de un an într-o croitorie americană medie.18
Producătorii publică propriile cifre. Pagina Microtec pentru foioase spune că CT Log poate crește veniturile gaterului cu 15–20%, iar studiul de caz al unui gater nord-american care debitează arin, frasin și paltin citează operatorul spunând că, după patru luni, investiția se încadra în termenele de amortizare anunțate, fără să dea cifre.19,20 Acestea sunt afirmații, nu măsurători independente. Pentru operatorii mai mici, cercetătorii slovaci propun altă cale: închirierea de capacitate pe o linie CT existentă, de pildă pentru certificarea buștenilor valoroși înainte de o licitație sau pentru produse de valoare, cum sunt butoaiele și instrumentele muzicale.2,7
Ce pot face gaterele mici și mijlocii fără CT
Aceleași cercetări arată unde sunt câștigurile mai ieftine, pentru că pașii făcuți de oameni în jurul gaterului sunt adesea veriga cea mai slabă.
Marcați defectele mai precis
Multe croitorii marchează încă defectele de mână, cu creion fluorescent, iar fierăstrăul de retezat cu optimizare taie apoi după marcaje. Un studiu american de croitorie a judecat un operator experimentat după criterii stricte: 78% din marcaje s-au abătut de la poziția ideală. 43% din defecte au fost ratate, 33% au fost marcate în interiorul defectului, iar 2% din marcaje au semnalat lemn sănătos. Randamentul înainte de rebuturi a fost de 63,5%; după eliminarea pieselor cu defecte nedorite, de 47,4%, cu 22% din piese respinse. Un test anterior pe șase angajați experimentați de croitorie îi notase în medie cu 68%.18
Vezi datele
| Precizia marcării | Randament util |
|---|---|
| Greșeli de marcare obișnuite | 39,1% |
| Cu 25% mai puține greșeli | 44,4% |
| Cu 50% mai puține greșeli | 45,7% |
Randament ca suprafață de piese obținută raportată la suprafața scândurilor intrate. Măsurat într-o croitorie americană cu spintecare întâi și simulat. Sursa: Buehlmann & Thomas (2003), Impact of board-marker accuracy on lumber yield, FAIM 2003. Grade mix from Buehlmann & Thomas (2002).
O simulare ulterioară a pus o valoare pe instruire: cu 25% mai puține greșeli de marcare, randamentul util a crescut de la 39,1% la 44,4%; cu 50% mai puține, la 45,7%.9 Autorii recomandă marcarea cu câțiva milimetri în lemnul curat de dincolo de fiecare defect, iluminare mai bună și specificații de defecte mai clare, scrise.18
Clasați și măsurați buștenii cu atenție
În studiul pe stejar, cele mai multe diferențe au venit din defecte vizibile, dar greu de măsurat în depozit: curbura apreciată cu bușteanul așezat pe un suport denivelat, noduri acoperite care se văd doar slab pe coajă și suprafețe murdare de praf și noroi sau ude de ploaie.7 Curățarea capetelor, măsurarea curburii pe un suport plan și urmărirea clasei fiecărui buștean față de ce dă efectiv costă puțin și construiesc datele de care ar avea nevoie orice scaner de mai târziu.
Rotiți bușteanul cu intenție
Studiul CT pe fag a găsit o diferență de valoare de până la 24% între cel mai bun unghi de rotire și unghiul mediu.4 Fără să vadă înăuntru, gateristul poate folosi totuși ce arată suprafața, iar scanarea laser a buștenilor de foioase găsește automat cele mai multe defecte grave de suprafață.11 Rotirea fiecărui buștean astfel încât defectele vizibile să ajungă în margini sau în cât mai puține scânduri este varianta manuală a ceea ce face un optimizator CT.
Cum optimizăm la SARAL
Ce să întrebați furnizorul despre scanare și optimizare
- Cum se găsesc defectele înainte de fierăstrăul de optimizare? Prin marcaje ale operatorului, cu un scaner cu camere sau prin amândouă. Fiecare variantă are propriul tip de greșeli.
- Ce defecte se elimină și cu ce margine? Cereți regulile scrise: mărimea nodurilor, crăpături, alburn, pete, oglinzi și dacă marcajele sau reglajele scanerului lasă o margine de siguranță în lemnul curat.
- După ce regulă clasează sistemul automat? EN 975-1, NHLA sau o regulă internă. O mașină aplică regula constant, dar doar regula care i s-a dat.
- Cum sunt tratate caracteristicile de culoare? Alburnul, inima roșie la fag, petele de fier la stejar și oglinzile țin de culoare sau textură. Tomograful, care citește densitatea, s-ar putea să nu le vadă; camerele le văd, cu succes variabil.
- Este scanerul reglat pentru specia și suprafața dumneavoastră? Testele publicate au avut nevoie de calibrare pe specii, iar scândurile brute se citesc mai greu decât cele rindeluite.
- Ce randament și ce procent de rebuturi au piese ca ale dumneavoastră? Cereți cifre pe propria listă de croire, nu o medie din broșură.
- Tratați cifrele producătorilor ca pe niște afirmații până nu sunt demonstrate pe lemnul dumneavoastră.
Întrebări frecvente
Ce este un scaner CT pentru bușteni?
Un tomograf computerizat construit pentru gatere. Radiografiază fiecare buștean din toate părțile cât trece pe un transportor și îi reconstruiește interiorul în 3D, la până la 160 m/min, astfel încât un optimizator să aleagă rotirea și schema de debitare înainte de prima tăietură.1
Cu cât crește scanarea CT randamentul în valoare al unui gater?
În simulările publicate, de regulă cu 4–24% în valoare față de o poziție standard a bușteanului sau de poziția medie, în funcție de specie, de diferența de preț dintre clase și de precizia rotitorului. Studiile pe foioase sunt puține și folosesc eșantioane mici.3,4,5
Poate inteligența artificială să detecteze defectele lemnului mai bine decât oamenii?
La clasare, testele publicate spun că da: un scaner comercial a atins 92,22% încadrări corecte pe nouă specii americane de foioase, față de 48–75% raportat pentru clasatorii umani. Detecția pe tipuri de defecte variază însă mult, de la sub 30% la 100% pentru diferite caracteristici într-un studiu pe stejar.8,14
Merită un scaner CT pentru un gater mic?
Rareori, luat singur. O analiză americană a arătat că gaterele mici de foioase ar avea nevoie de câștiguri de valoare de peste 30% ca un scaner CT să se plătească, față de 8,5% la gaterele mari. Închirierea de capacitate de scanare, marcarea mai bună a defectelor și clasarea atentă a buștenilor sunt primii pași, mai ieftini.17,2,9
