Perché le segherie puntano su scanner e IA
Una segheria decide gran parte del valore di un tronco nei primi tagli. Si ruota il tronco di qualche grado, lo si apre qualche centimetro più in alto, e lo stesso nodo finisce al centro di una tavola pregiata oppure in uno sciavero. Fino a poco tempo fa questa decisione si prendeva dall'esterno: corteccia, forma, testate e l'esperienza del segantino. Sulle segatrici a nastro per tronchi di grandi dimensioni il segantino deve decidere in pochi secondi dove impostare il taglio successivo, basandosi soprattutto sulla superficie del tronco e sulle facce già segate.10
La scansione mette dei dati alla base di questa decisione in tre punti della filiera: sul parco tronchi, dove gli scanner misurano la forma e, con i raggi X, l'interno; alla segatrice principale, dove un ottimizzatore ruota il tronco e sceglie lo schema di taglio; e sul segato essiccato, dove scanner a telecamere e a raggi X classificano le tavole e alimentano le troncatrici ottimizzatrici. «IA» qui significa per lo più modelli di deep learning, di solito reti neurali convoluzionali, che hanno imparato a riconoscere nodi, fessurazioni o carie da migliaia di immagini etichettate.1
Questo articolo espone che cosa dicono i dati pubblicati per le latifoglie, con un'avvertenza costante: la maggior parte della ricerca sulla TC riguarda le conifere, e la maggior parte di quella sulla classificazione delle latifoglie è americana. Indichiamo ogni volta a quale specie e a quale confronto si riferisce un dato. Dove si perde volume nel passaggio dal tronco al pezzo, e come la refilatura per prima e la giunzione a pettine lo recuperano, lo spieghiamo nel nostro articolo sulla resa dal tronco al pezzo per mobili.
Tre livelli di scansione dei tronchi: 3D, raggi X e TC
Non tutti gli «scanner per tronchi» vedono la stessa cosa. Gli scanner ottici e laser misurano la forma esterna: diametro, rastremazione, curvatura, ovalità e, ad alta risoluzione, le protuberanze della superficie. Gli scanner a raggi X discreti, usati nelle segherie all'avanguardia dagli anni Novanta, attraversano il tronco con i raggi X da una a quattro direzioni e stimano proprietà come quota di durame, densità, dimensione dei nodi, distanza tra i verticilli e ampiezza degli anelli. La tomografia computerizzata (TC) va oltre: combina proiezioni a raggi X riprese tutto intorno al tronco in una mappa completa della densità in tre dimensioni, sezione per sezione.6,2
Metodi laser, a telecamera e acustici restano gli strumenti di base. Uno studio slovacco del 2022 li ha trovati in tutte le grandi segherie automatizzate d'Europa e, sempre più spesso, in quelle di medie dimensioni, mentre gli scanner TC industriali restavano rari per via del prezzo.6
Che cosa può dire una scansione laser di un tronco di latifoglie
I soli dati di superficie dicono molto sui tronchi di latifoglie, la cui classe dipende in larga misura dai difetti superficiali. Un sistema del Servizio forestale degli Stati Uniti che analizza scansioni laser 3D ad alta risoluzione di tronchi con corteccia individua difetti alti almeno 13 mm e larghi 76 mm. Su 14 tronchi scelti a caso ha trovato 53 dei 64 difetti gravi, ha segnalato per errore nove zone sane e ha localizzato il 90,2% della superficie dei difetti.11 Ciò aiuta a classificare un tronco, ma non è una vista dell'interno: un nodo ricoperto da decenni può lasciare solo una debole traccia sulla corteccia.
Come funziona uno scanner TC per tronchi alla velocità della segheria
La TC industriale per tronchi usata negli studi che seguono è il CT Log, sviluppato dal produttore italiano di scanner Microtec a partire dal 2008. I suoi progettisti descrivono un gantry con una sorgente di raggi X e un anello di sensori che ruota a 240 giri/min attorno a un trasportatore, ricostruendo il tronco in continuo mentre passa. Secondo le specifiche pubblicate scansiona a 60–160 m/min, ha un campo visivo di 90 cm, accetta tronchi fino a 70 cm di diametro a seconda della densità del legno e risolve 1 mm in senso trasversale e 10 mm in senso longitudinale.1
La velocità è la parte difficile. Una segheria lavora circa dieci tronchi al minuto, troppi perché qualcuno possa leggere a mano le immagini TC. Nel sistema pubblicato un tronco di 6 m viene analizzato in circa 2,3 secondi da un cluster di computer, e l'ottimizzatore prova poi circa 10.000 tavole virtuali per tronco in un secondo per scegliere lo schema di taglio più redditizio. L'intera catena sta tra lo scanner e una sega posta 16,1 m più a valle.1
Il riconoscimento dei nodi in quel sistema usa già l'IA: una rete neurale convoluzionale addestrata su oltre 5.000 nodi che degli esperti avevano marcato a mano nelle immagini TC. Gli sviluppatori indicano anche un limite che vale per qualsiasi specie: nell'alburno esterno nodi e legno sano hanno densità molto simili, quindi lì i nodi si trovano soprattutto in base alla tessitura e si misurano con meno precisione.1,3
Gli sviluppatori contavano cinque linee operative all'inizio del 2018, con una sesta in avvio in Svezia. Uno studio slovacco ne ha contate 14 nel mondo nel 2023, per lo più in segherie di conifere.1,2,7 Una di esse, presso il Centro forestale nazionale di Zvolen, è stata installata per la ricerca anziché per la produzione, ed è per questo che molti dei dati europei recenti sulle latifoglie vengono dalla Slovacchia.2
Quanto valore aggiunge la TC? Che cosa hanno confrontato gli studi
Ogni aumento di valore pubblicato risponde a una domanda leggermente diversa. Alcuni studi confrontano la rotazione migliore di ogni tronco con una posizione standard, altri con la media di tutte le posizioni, uno con ciò che la segheria ha effettivamente prodotto. Alcuni ipotizzano un'attrezzatura di rotazione dei tronchi perfetta; altri aggiungono errori realistici. La tabella riporta gli studi principali.
| Studio | Specie e campione | Confrontato con | Aumento di valore |
|---|---|---|---|
| Chang & Gazo 2009 (USA) | Quercia rossa, quercia bianca, ciliegio americano, acero duro, liriodendro; 29 tronchi, TC medica | La segagione reale degli stessi tronchi da parte della segheria | +46% in media (quercia rossa +24%, quercia bianca +60%) |
| Stängle et al. 2015 (Germania, Finlandia) | Faggio europeo; 33 tronchi | Media di 12 angoli di rotazione | Fino a +24% (angolo migliore) |
| Berglund et al. 2013 (Svezia), riportato da Rais et al. | Pino silvestre, abete rosso | Posizione convenzionale del tronco | Circa +13% in media |
| Rais et al. 2017 (Microtec) | Douglasia; 36 tronchi, TC industriale a 120 m/min | Posizione a curvatura in alto, con errori di rotazione e di misura dei nodi | +4%, +8% o +20%, secondo il differenziale di prezzo tra classi |
| Belley et al. 2019 (Canada) | Abete bianco canadese, pino di Banks; 53 alberi | Segagione convenzionale con curvatura in alto | +15% (abete), +23% (pino) |
| Gejdoš et al. 2025 (Slovacchia) | Farnia e rovere; 125 tronchi | Classificazione visiva dei tronchi (classificazione, non segagione) | Stessa classe per il 47% dei tronchi; valore di listino inferiore di 30 €/m³ |
I termini di confronto differiscono, quindi i guadagni non sono direttamente confrontabili. Solo le prime due righe sono studi di segagione di latifoglie. Fonte: Chang & Gazo (2009); Stängle et al. (2015); Rais et al. (2017), che riportano anche Berglund et al. (2013); Belley et al. (2019); Gejdoš et al. (2025). Riferimenti completi in fondo.
Spiccano tre punti. Primo, i guadagni sono soprattutto di valore, non di volume. Ruotare un tronco in modo che i nodi cadano ai bordi delle tavole, o in quelle comunque destinate alle classi inferiori, cambia la ripartizione per classi molto più dei metri cubi. La differenza tra resa in volume e resa in valore è spiegata nel nostro articolo sugli schemi di taglio e il legno segato di quarto.
Secondo, il risultato dipende dal differenziale di prezzo tra le classi. Nello studio industriale sulla douglasia, gli stessi tronchi e gli stessi dati TC hanno dato un guadagno medio del 4%, dell'8% o del 20%, a seconda soltanto di quanto valevano di più le classi superiori.3 Nelle latifoglie, dove le migliori classi di aspetto si vendono a un multiplo delle classi comuni, ciò vale in entrambi i sensi: guadagni possibili maggiori e perdite maggiori per un tronco giudicato male.
Terzo, i dati sulle latifoglie sono scarsi, mentre quelli sulle conifere sono più ampi: uno studio canadese su 53 alberi di abete bianco canadese e pino di Banks ha rilevato un valore dei segati superiore del 15% e del 23% con una segagione ottimizzata sui nodi rispetto a quella convenzionale.12 Lo studio sul faggio europeo ha usato 33 tronchi e ha rilevato che il migliore di 12 angoli di rotazione dava fino al 24% in più di volume e valore rispetto all'angolo medio.4 Lo studio americano su cinque specie di latifoglie ha usato 29 tronchi scansionati con una TC medica. Il suo guadagno medio del 46% confronta una simulazione ottimizzata con il modo in cui la segheria ha realmente segato gli stessi tronchi, quindi parte del guadagno deriva dall'ottimizzazione in sé, non solo dalla vista ai raggi X. I guadagni salivano dal 27% sui tronchi di classe 1 al 97% su quelli di classe 3.5
Uno scanner vale quanto il girotronchi
Un ottimizzatore TC può calcolare l'angolo migliore al grado, ma il girotronchi deve realizzarlo. La simulazione sulla douglasia ha aggiunto un errore di rotazione casuale con una deviazione standard di 5° e un errore realistico nella misura dei nodi, e ha comunque ottenuto i guadagni indicati sopra. Lo stesso articolo cita una stima finlandese secondo cui gli errori di rotazione devono restare sotto circa 2° di deviazione standard per non perdere valore, indica in circa 4° quella dei girotronchi tipici e riporta uno studio svedese sull'abete rosso in cui un errore di 6° riduceva il guadagno medio dall'11% al 6%.3 Una scansione migliore rende solo se la meccanica a valle tiene il passo.
Rovere e faggio: perché le latifoglie sono più difficili per la TC
La TC vede la densità, non il colore. Nell'abete rosso un nodo è nettamente più denso del durame circostante e risalta nell'immagine. Nel rovere e nel faggio il contrasto è più debole. Un gruppo slovacco che ha scansionato tronchi di rovere, faggio e abete rosso su una TC industriale ha rilevato che la struttura interna delle due latifoglie si sovrapponeva ai loro difetti, che apparivano come aree connesse di forma indefinita anziché come elementi distinti.6
Uno studio successivo ha segato in sezioni di 20 mm un tronco di faggio di 4 m e parte di un tronco di rovere e ha confrontato ogni difetto con l'immagine TC. La posizione era accurata su entrambi, entro lo 0,90% sul faggio e l'1,21% sul rovere. La dimensione era meno affidabile: sul faggio le dimensioni TC differivano in media del 3,5%, ma sul rovere erano nettamente sovrastimate, un'inclusione di corteccia di oltre tre volte. Lo scanner ha anche mancato una zona di falso durame nel tronco di faggio e un nodo nel rovere. Gli autori concludono che la tecnologia è stata sviluppata soprattutto per le conifere e che il suo software non è ancora tarato per alcune latifoglie.2
Due limiti pratici contano per i grandi tronchi di latifoglie. Lo stesso gruppo ha osservato artefatti d'immagine ad anello sui tronchi più spessi di circa 650 mm, e il loro studio del 2025 rileva che il rumore d'immagine aumenta oltre i 750 mm di diametro, anche se i difetti restavano identificabili.2,7 I grandi tronchi di base di rovere e faggio rientrano proprio in questo intervallo.
Classificazione TC di 125 tronchi di rovere
Lo studio sulle latifoglie più utile per gli acquirenti è un confronto slovacco del 2025 su 125 tronchi di farnia e rovere, acquistati per impieghi di alto valore come le doghe per botti. Ogni tronco è stato classificato due volte secondo la norma slovacca sui tronchi di latifoglie: a vista, come nella normale pratica forestale, e dalle immagini TC e dai modelli 3D.7
I due metodi hanno coinciso sul 47,2% dei tronchi. La TC ne ha collocato il 42,4% in una classe inferiore e il 10,4% in una superiore. La ripartizione degli autori per caratteristica decisiva: per il 60% dei tronchi le caratteristiche erano visibili a occhio ma misurate in modo diverso sulle immagini TC; i nodi ricoperti hanno deciso la classe del 16,8% dei tronchi, i cretti cuorali del 10,4% e la curvatura in più direzioni del 9,6%. Ai prezzi di listino slovacchi del secondo trimestre 2024, il valore medio è sceso da 157,32 € a 127,16 € al metro cubo.7
Quel calo non è una perdita causata dalla TC. È valore che la classificazione visiva aveva sovrastimato. Per una segheria che acquista tronchi, saperlo prima di segare è proprio lo scopo; per un proprietario forestale che li vende, la notizia è meno gradita. La lezione più generale è che le classi dei tronchi secondo la EN 1316-1 e le sue versioni nazionali sono affidabili quanto la misura che le sostiene, un punto che la nostra guida alla classificazione dei segati di latifoglie sottolinea anche per il legname segato.
Rilevamento dei difetti sulle tavole con l'IA: che cosa significano i dati di accuratezza
Oggi la maggior parte dell'IA nella lavorazione delle latifoglie lavora sulle tavole anziché sui tronchi: nelle linee di classificazione alla fine della segheria e negli scanner che alimentano troncatrici ottimizzatrici e refilatrici. Questi sistemi combinano telecamere a colori, laser che leggono il profilo della superficie e talvolta raggi X con un software che classifica ogni difetto e poi applica una regola di classificazione o una distinta di taglio.8
«Accuratezza» può significare tre cose diverse: se un difetto è stato trovato, se è stato classificato correttamente o se la classe o il taglio finale erano giusti. Gli articoli riportano tutte e tre, quindi i dati sono confrontabili solo all'interno di uno stesso studio.
Linee di classificazione: macchine contro classificatori umani
Il termine di paragone non è la perfezione ma il classificatore umano. Nel 2003 un prototipo multisensore del Virginia Tech ha classificato correttamente 89 tavole di quercia rossa nel 63% dei casi, contro il 48% dei classificatori della linea di produzione. Ha stimato il valore del segato entro il 6% di un ispettore NHLA certificato, mentre i classificatori di linea lo sopravvalutavano di quasi il 20%.13 Quindici anni dopo, uno scanner commerciale con telecamere a colori, laser e un sensore a raggi X ha classificato oltre 9.000 tavole grezze essiccate di nove latifoglie americane in una segheria del Midwest. Ha raggiunto il 92,22% di accuratezza di classe e il 99,50% di accuratezza di valore, contro i minimi dell'80% e del 96% del codice di vendita NHLA. Gli autori citano studi che collocano gli ispettori umani al 48–75%.8
Un dettaglio conta per chi acquista rovere: la quercia bianca ha richiesto una soluzione di classificazione adattata a causa delle macchie da ferro, che altrimenti lo scanner avrebbe letto come difetto.8
Troncatrici ottimizzatrici e selezione delle lamelle
I dati europei sono più scarsi ma più vicini al lavoro sui componenti. Uno studio croato ha confrontato il software di deep learning di uno scanner industriale a colori con un software sviluppato in un progetto di ricerca, su 40 lamelle di rovere per la produzione di porte. Nessuno dei due era migliore su tutta la linea. Lo scanner industriale trovava l'alburno ogni volta, ma i grandi raggi del rovere segato di quarto, le sue specchiature, solo nel 27% dei casi; il software del progetto trovava i raggi nell'82% dei casi ma riconosceva i segni dei coleotteri ambrosia solo una volta su cinque. In media sui sei tipi di difetto, i due ne rilevavano circa il 60% e il 62%.14
Uno studio del 2025 ha addestrato una rete Mask R-CNN su 2.972 immagini di lamelle di faggio per pannelli lamellari e le ha suddivise in tre classi di aspetto più i pezzi fessurati con un'accuratezza complessiva del 90,90%.15 Un gruppo della Purdue University ha dimostrato che una rete neurale può distinguere 11 latifoglie commerciali dalle immagini delle tavole con un'accuratezza del 98,2%, il che permetterebbe a uno scanner di cambiare le impostazioni quando cambia la specie invece di attendere un operatore.16
Nessuno di questi dati è una garanzia per una determinata linea. L'accuratezza dipende da specie, illuminazione, superficie, definizioni dei difetti e numero di esempi etichettati visti dal modello. Per un acquirente il dato che conta è il tasso di scarto sui propri pezzi.
Quanto costa la scansione, e quali segherie possono giustificarla
I prezzi pubblicati della TC per tronchi sono rari. Un articolo slovacco del 2023 colloca l'investimento nell'ordine dei milioni di euro e afferma che ciò l'ha resa redditizia solo per le grandi segherie.2 Il quadro economico è simile da decenni. Uno studio statunitense del 1990 sulla TC per le segherie di latifoglie ipotizzava un investimento di 1,5 milioni di dollari USA, la fascia alta di quanto costavano allora gli scanner medici veloci, più circa 175.000 dollari l'anno di assistenza. Con un rendimento richiesto del 15%, lo scanner si ripagava in una grande segheria con un aumento di valore di appena l'8,5%; una piccola segheria aveva bisogno di oltre il 30%.17
Le dimensioni delle segherie sono 25, 10 e 5 milioni di board feet l'anno, convertiti a 2,36 m³ per mille board feet (nostra conversione). Una simulazione austriaca del 2019 su una segheria europea di conifere di medie dimensioni, che taglia circa 100.000 m³ l'anno di abete rosso e larice, incentrata sulla sua segatrice a nastro per tronchi di grandi dimensioni, ha calcolato un tasso interno di rendimento dal 5% al 42% su dieci anni, a seconda di quanto si ipotizzava che la TC spostasse la produzione verso prodotti di maggior valore. Gli autori osservano che le applicazioni industriali riuscite erano ancora rare e che mancavano dati reali sui guadagni della TC nelle segherie a nastro.10
Gli scanner per tavole costano meno. Nel 2002 gli scanner per segati basati sulla visione costavano meno di 1 milione di dollari USA, e gli autori di uno studio statunitense sui reparti di prima lavorazione stimavano che un sistema capace di dimezzare i pezzi scartati si sarebbe ripagato in meno di un anno in un reparto americano medio.18
I fornitori pubblicano i propri dati. La pagina di Microtec dedicata alle latifoglie afferma che il CT Log può aumentare il fatturato della segheria del 15–20%, e il suo caso studio su una segheria nordamericana che sega ontano, frassino e acero riporta che dopo quattro mesi l'operatore segava «entro i tempi di rientro dichiarati», senza rivelare i numeri.19,20 Sono affermazioni, non misure indipendenti. Per le realtà più piccole i ricercatori slovacchi suggeriscono un'altra strada: noleggiare capacità su una linea TC esistente, per esempio per certificare tronchi pregiati prima di un'asta o per prodotti di alto valore come botti e strumenti musicali.2,7
Che cosa possono fare le piccole e medie segherie senza TC
La stessa ricerca mostra dove sono i guadagni più economici, perché le operazioni umane attorno alla sega sono spesso l'anello più debole.
Marcare i difetti con più precisione
Molti reparti di prima lavorazione marcano ancora i difetti a mano con il gesso fluorescente, e una troncatrice ottimizzatrice taglia poi secondo i segni. Uno studio statunitense su un reparto di prima lavorazione ha valutato un operatore esperto secondo criteri rigorosi: il 78% dei segni si discostava dalla posizione ideale. Il 43% dei difetti non era stato marcato, il 33% era marcato all'interno del difetto e il 2% dei segni segnalava legno sano. La resa prima degli scarti era del 63,5%; dopo aver eliminato i pezzi con difetti indesiderati era del 47,4%, con il 22% dei pezzi scartati. Una prova precedente su sei addetti esperti aveva attribuito loro in media il 68%.18
Mostra i dati
| Precisione di marcatura | Resa utile |
|---|---|
| Errori di marcatura normali | 39,1% |
| 25% di errori in meno | 44,4% |
| 50% di errori in meno | 45,7% |
Resa come superficie dei pezzi ottenuti su superficie delle tavole in entrata. Misurata in un reparto statunitense con refilatura per prima e simulata. Fonte: Buehlmann & Thomas (2003), Impact of board-marker accuracy on lumber yield, FAIM 2003. Ripartizione per classi da Buehlmann & Thomas (2002).
Una simulazione successiva ha dato un valore alla formazione: con il 25% di errori di marcatura in meno, la resa utile saliva dal 39,1% al 44,4%; con il 50% in meno, al 45,7%.9 Gli autori raccomandano di marcare qualche millimetro dentro il legno netto oltre ogni difetto, un'illuminazione migliore e specifiche dei difetti più chiare e scritte.18
Classificare e misurare i tronchi con cura
Nello studio sul rovere la maggior parte delle differenze veniva da caratteristiche visibili ma difficili da misurare sul piazzale: curvatura valutata con il tronco appoggiato su un supporto irregolare, nodi ricoperti che si vedono appena sulla corteccia e superfici sporche di polvere e fango o bagnate dalla pioggia.7 Pulire le testate, misurare la curvatura su un supporto piano e registrare la classe di ogni tronco rispetto a ciò che effettivamente rende costa poco e costruisce i dati di cui avrebbe bisogno qualsiasi futuro scanner.
Ruotare il tronco in modo consapevole
Lo studio TC sul faggio ha rilevato fino al 24% di differenza di valore tra l'angolo di rotazione migliore e quello medio.4 Senza una vista dell'interno, un segantino può comunque usare ciò che mostra la superficie, e la scansione laser dei tronchi di latifoglie trova automaticamente la maggior parte dei difetti superficiali gravi.11 Ruotare ogni tronco in modo che i difetti visibili finiscano nei refili, o nel minor numero possibile di tavole, è la versione manuale di ciò che fa un ottimizzatore TC.
Come ottimizziamo in SARAL
Che cosa chiedere al fornitore su scansione e ottimizzazione
- Come vengono trovati i difetti prima della troncatrice ottimizzatrice? Con segni dell'operatore, con uno scanner a telecamere o con entrambi. Ogni metodo ha i suoi errori tipici.
- Quali difetti vengono eliminati, e con quale margine? Chiedete le regole scritte sui difetti: dimensione dei nodi, fessurazioni, alburno, macchie, specchiature, e se i segni o le impostazioni dello scanner lasciano un margine di sicurezza nel legno netto.
- Quale regola di classificazione segue una classificazione automatica? EN 975-1, NHLA o una regola interna. Una macchina applica una regola in modo coerente, ma solo la regola che le è stata data.
- Come vengono gestite le caratteristiche cromatiche? Alburno, cuore rosso del faggio, macchie da ferro del rovere e specchiature sono caratteristiche di colore o di tessitura. La TC, che legge la densità, può non vederle; le telecamere sì, con risultati variabili.
- Lo scanner è impostato per la vostra specie e la vostra superficie? Le prove pubblicate hanno richiesto una taratura specifica per specie, e le tavole grezze sono più difficili da leggere di quelle piallate.
- Quali sono la resa e il tasso di scarto su pezzi come i vostri? Chiedete dati sulla vostra distinta di taglio, non una media da brochure.
- Considerate i dati dei fornitori come affermazioni finché non sono dimostrati sul vostro legname.
Domande frequenti
Che cos'è uno scanner TC per tronchi?
Uno scanner a tomografia computerizzata costruito per le segherie. Radiografa ogni tronco da tutti i lati mentre passa su un trasportatore e ne ricostruisce l'interno in 3D fino a 160 m/min, così che un ottimizzatore possa scegliere la rotazione e lo schema di taglio prima del primo taglio.1
Di quanto la scansione TC aumenta la resa in valore di una segheria?
Nelle simulazioni pubblicate, tipicamente del 4–24% in valore rispetto a una posizione standard del tronco o alla posizione media, a seconda della specie, del divario di prezzo tra le classi e della precisione del girotronchi. Gli studi sulle latifoglie sono pochi e usano campioni ridotti.3,4,5
L'IA riconosce i difetti del legno meglio delle persone?
Per la classificazione, le prove pubblicate dicono di sì: uno scanner commerciale ha raggiunto il 92,22% di accuratezza di classe su nove latifoglie americane, contro il 48–75% riportato per i classificatori umani. Il rilevamento dei singoli tipi di difetto varia molto, da meno del 30% al 100% per caratteristiche diverse in uno studio sul rovere.8,14
Uno scanner TC conviene a una piccola segheria?
Raramente da solo. Un'analisi statunitense ha rilevato che le piccole segherie di latifoglie avrebbero bisogno di aumenti di valore superiori al 30% perché uno scanner TC si ripaghi, contro l'8,5% delle grandi segherie. Noleggiare capacità di scansione, migliorare la marcatura dei difetti e classificare con cura i tronchi sono primi passi più economici.17,2,9
