Hvorfor sagbruk tar i bruk skannere og KI
Et sagbruk avgjør mye av verdien i en stokk i de første snittene. Vri stokken noen grader, åpne den noen centimeter høyere, og den samme kvisten havner midt i et verdifullt bord eller i bakhonen. Inntil nylig ble denne beslutningen tatt utenfra: bark, form, endeflater og sagerens erfaring. På båndsager for grove stokker må sageren avgjøre i løpet av sekunder hvor neste snitt skal settes, hovedsakelig ut fra stokkens overflate og flatene som allerede er saget.10
Skanning legger data bak denne beslutningen på tre punkter i kjeden: i tømmerinntaket, der skannere måler formen og, med røntgen, innsiden; ved hovedsagen, der en optimerer vrir stokken og velger skurmønsteret; og på tørket trelast, der kamera- og røntgenskannere sorterer bord og styrer optimeringskapper. «KI» betyr her for det meste modeller for dyp læring, vanligvis konvolusjonelle nevrale nettverk, som har lært å gjenkjenne kvister, sprekker eller råte fra tusenvis av merkede bilder.1
Denne artikkelen gjengir hva det publiserte kunnskapsgrunnlaget sier om løvtre, med ett forbehold hele veien: Det meste av CT-forskningen gjelder bartre, og det meste av forskningen på sortering av løvtre er amerikansk. Vi oppgir hver gang hvilket treslag og hvilken sammenligning et tall beskriver. Hvor volumet går tapt på veien fra stokk til del, og hvordan kløving først og fingerskjøting vinner det tilbake, tar vi for oss i artikkelen om utbytte fra stokk til møbeldel.
Tre nivåer av tømmerskanning: 3D, røntgen og CT
Ikke alle «tømmerskannere» ser det samme. Optiske skannere og laserskannere måler den ytre formen: diameter, avsmalning, krok, ovalitet og, med høy oppløsning, ujevnheter i overflaten. Diskrete røntgenskannere, brukt i ledende sagbruk siden 1990-tallet, sender røntgenstråler gjennom stokken fra én til fire retninger og anslår egenskaper som kjerneandel, densitet, kviststørrelse, avstand mellom kvistkranser og årringbredde. Computertomografi (CT) går lenger: Den kombinerer røntgenprojeksjoner tatt rundt hele stokken til et fullstendig tredimensjonalt densitetskart, snitt for snitt.6,2
Laser-, kamera- og akustiske metoder er fortsatt arbeidshestene. En slovakisk studie fra 2022 fant dem i alle store automatiserte sagbruk i Europa og i økende grad i mellomstore, mens industrielle CT-skannere forble sjeldne på grunn av prisen.6
Hva en laserskanning kan fortelle om en løvtrestokk
Overflatedata alene sier mye om løvtrestokker, der kvalitetsklassen i stor grad avhenger av overflatefeil. Et system fra US Forest Service som analyserer høyoppløselige 3D-laserskanninger av stokker med bark, lokaliserer feil som er minst 13 mm høye og 76 mm brede. På 14 tilfeldig valgte stokker fant det 53 av 64 alvorlige feil, markerte feilaktig ni friske områder og lokaliserte 90,2 % av feilarealet.11 Det hjelper med å klassifisere en stokk, men det er ikke et blikk inn i den: En kvist som har vært overvokst i tiår, kan bare etterlate et svakt spor på barken.
Slik fungerer en CT-skanner for tømmer i sagbrukstempo
Den industrielle tømmer-CT-en som brukes i studiene nedenfor, er CT Log, utviklet av den italienske skannerprodusenten Microtec fra 2008. Konstruktørene beskriver en ramme med en røntgenkilde og en ring av sensorer som roterer med 240 o/min rundt en transportør og rekonstruerer stokken fortløpende mens den passerer. I den publiserte spesifikasjonen skanner den med 60–160 m/min, har et synsfelt på 90 cm, tar stokker med diameter opptil 70 cm avhengig av tettheten i treet og har en oppløsning på 1 mm på tvers av stokken og 10 mm langs den.1
Hastigheten er det vanskelige. Et sagbruk håndterer rundt ti stokker i minuttet, altfor mange til at noen kan lese CT-bildene for hånd. I det publiserte systemet analyseres en stokk på 6 m på rundt 2,3 sekunder av en klynge datamaskiner, og optimereren prøver deretter rundt 10 000 virtuelle bord per stokk på ett sekund for å velge det mest verdifulle skurmønsteret. Hele kjeden får plass mellom skanneren og en sag 16,1 m lenger nede i linjen.1
Kvistdeteksjonen i dette systemet bruker allerede KI: et konvolusjonelt nevralt nettverk trent på over 5 000 kvister som eksperter hadde merket for hånd i CT-bilder. Utviklerne nevner også en begrensning som gjelder for alle treslag: I den ytre yteveden har kvister og frisk ved svært lik densitet, så kvister der finnes hovedsakelig ut fra teksturen og måles mindre presist.1,3
Utviklerne talte fem linjer i drift tidlig i 2018, med en sjette som skulle starte i Sverige. En slovakisk studie talte 14 på verdensbasis i 2023, for det meste i sagbruk som sager bartre.1,2,7 Én av dem, ved det nasjonale skogsenteret i Zvolen, ble installert for forskning og ikke produksjon, og derfor kommer mye av de nyeste europeiske dataene om løvtre fra Slovakia.2
Hvor mye verdi tilfører CT? Hva studiene sammenlignet
Hver publiserte verdigevinst svarer på et litt annet spørsmål. Noen studier sammenligner den beste rotasjonen av hver stokk med en standardposisjon, noen med gjennomsnittet av alle posisjoner, og én med det sagbruket faktisk produserte. Noen forutsetter perfekt utstyr for vending av stokken; andre legger til realistiske feil. Tabellen viser de viktigste studiene.
| Studie | Treslag og utvalg | Sammenlignet med | Verdigevinst |
|---|---|---|---|
| Chang & Gazo 2009 (USA) | Rødeik, hviteik, amerikansk kirsebær, sukkerlønn, tulipantre; 29 stokker, medisinsk CT | Sagbrukets faktiske saging av de samme stokkene | +46 % i gjennomsnitt (rødeik +24 %, hviteik +60 %) |
| Stängle mfl. 2015 (Tyskland, Finland) | Europeisk bøk; 33 stokker | Gjennomsnittet av 12 rotasjonsvinkler | Opptil +24 % (beste vinkel) |
| Berglund mfl. 2013 (Sverige), gjengitt av Rais mfl. | Furu, gran | Konvensjonell stokkposisjon | Rundt +13 % i gjennomsnitt |
| Rais mfl. 2017 (Microtec) | Douglasgran; 36 stokker, industriell CT ved 120 m/min | Posisjon med krok opp, med vende- og kvistfeil | +4 %, +8 % eller +20 %, etter prisforskjellen mellom klassene |
| Belley mfl. 2019 (Canada) | Hvitgran, bankfuru; 53 trær | Konvensjonell saging med krok opp | +15 % (gran), +23 % (furu) |
| Gejdoš mfl. 2025 (Slovakia) | Sommereik og vintereik; 125 stokker | Visuell klassifisering av stokker (klassifisering, ikke saging) | Samme klasse for 47 % av stokkene; 30 €/m³ lavere listeverdi |
Sammenligningsgrunnlagene er forskjellige, så gevinstene kan ikke sammenlignes direkte. Bare de to første radene er studier av saging av løvtre. Kilde: Chang & Gazo (2009); Stängle mfl. (2015); Rais mfl. (2017), som også gjengir Berglund mfl. (2013); Belley mfl. (2019); Gejdoš mfl. (2025). Fullstendige referanser nedenfor.
Tre punkter skiller seg ut. For det første ligger gevinstene hovedsakelig i verdi, ikke i volum. Å vri en stokk slik at kvistene havner i kantene av bordene, eller i bordene som uansett går til lavere klasser, endrer klassefordelingen langt mer enn kubikkmeterne. Forskjellen mellom volumutbytte og verdiutbytte forklares i artikkelen vår om skurmønstre og kvartersaget trelast.
For det andre er prisforskjellen mellom klassene avgjørende for resultatet. I den industrielle studien av douglasgran ga de samme stokkene og de samme CT-dataene en gjennomsnittlig gevinst på 4 %, 8 % eller 20 %, bare avhengig av hvor mye mer de beste klassene var verdt.3 For løvtre, der de beste utseendeklassene selges for et mangfold av prisen for de vanlige klassene, slår dette begge veier: større mulige gevinster og større tap ved en feilvurdert stokk.
For det tredje er kunnskapsgrunnlaget for løvtre tynt, mens resultatene for bartre er bredere: En kanadisk studie av 53 trær av hvitgran og bankfuru fant 15 % og 23 % høyere verdi på trelasten ved kvistoptimert saging enn ved konvensjonell saging.12 Studien av europeisk bøk brukte 33 stokker og fant at den beste av 12 rotasjonsvinkler ga opptil 24 % mer volum og verdi enn gjennomsnittsvinkelen.4 Den amerikanske studien av fem løvtreslag brukte 29 stokker skannet i en medisinsk CT. Den gjennomsnittlige gevinsten på 46 % sammenligner en optimert simulering med måten sagbruket faktisk saget de samme stokkene på, så en del av gevinsten kommer fra selve optimeringen, ikke bare fra røntgenblikket. Gevinstene steg fra 27 % på stokker i klasse 1 til 97 % på stokker i klasse 3.5
En skanner er aldri bedre enn stokkvenderen
En CT-optimerer kan beregne den beste vinkelen på graden, men stokkvenderen må levere den. Simuleringen av douglasgran la til en tilfeldig vendefeil med et standardavvik på 5° og en realistisk feil i kvistmålingen, og fant likevel gevinstene ovenfor. Den samme artikkelen viser til et finsk anslag om at vendefeilene må holdes under omtrent 2° standardavvik for å unngå verditap, anslår vanlige stokkvendere til rundt 4° og gjengir en svensk granstudie der en feil på 6° reduserte den gjennomsnittlige gevinsten fra 11 % til 6 %.3 Bedre skanning lønner seg bare hvis mekanikken lenger nede i linjen henger med.
Eik og bøk: hvorfor løvtre er vanskeligere for CT
CT ser densitet, ikke farge. I gran er en kvist tydelig tettere enn kjerneveden rundt og skiller seg ut i bildet. I eik og bøk er kontrasten svakere. Et slovakisk forskerlag som skannet stokker av eik, bøk og gran på en industriell CT, fant at den indre strukturen i de to løvtreslagene overlappet feilene, som viste seg som sammenhengende områder uten bestemt form i stedet for som adskilte trekk.6
En oppfølgingsstudie saget en bøkestokk på 4 m og en del av en eikestokk i skiver på 20 mm og sammenlignet hver feil med CT-bildet. Plasseringen var nøyaktig på begge, innenfor 0,90 % på bøk og 1,21 % på eik. Størrelsen var mindre pålitelig: På bøk avvek CT-målene med 3,5 % i gjennomsnitt, men på eik ble de tydelig overvurdert, en barklomme med mer enn tre ganger. Skanneren overså også en sone med falsk kjerne i bøkestokken og én kvist i eika. Forfatterne konkluderer med at teknologien hovedsakelig er utviklet for bartre, og at programvaren ennå ikke er tilpasset enkelte løvtreslag.2
To praktiske begrensninger er viktige for grove løvtrestokker. Det samme forskerlaget så ringformede bildeartefakter på stokker tykkere enn rundt 650 mm, og studien deres fra 2025 påpeker at bildestøyen øker over 750 mm diameter, selv om feilene fortsatt kunne identifiseres.2,7 Grove rotstokker av eik og bøk havner rett i dette området.
CT-sortering av 125 eikestokker
Den mest nyttige løvtrestudien for kjøpere er en slovakisk sammenligning fra 2025 av 125 stokker av sommereik og vintereik, kjøpt til verdifulle formål som tønnestaver. Hver stokk ble klassifisert to ganger etter den slovakiske standarden for løvtrestokker: på øyemål, som i vanlig skogbrukspraksis, og ut fra CT-bilder og 3D-modeller.7
De to metodene var enige om 47,2 % av stokkene. CT plasserte 42,4 % i en lavere klasse og 10,4 % i en høyere. Forfatternes fordeling av de avgjørende trekkene: For 60 % av stokkene var trekkene synlige for øyet, men ble målt annerledes på CT-bildene; overvokste kvister avgjorde klassen for 16,8 % av stokkene, kjernesprekker for 10,4 % og krok i mer enn én retning for 9,6 %. Med slovakiske listepriser for andre kvartal 2024 falt gjennomsnittsverdien fra 157,32 € til 127,16 € per kubikkmeter.7
Dette fallet er ikke et tap som CT har forårsaket. Det er verdi som den visuelle klassifiseringen hadde overvurdert. For et sagbruk som kjøper stokker, er det hele poenget å få vite dette før sagingen; for en skogeier som selger dem, er det mindre velkomment. Den bredere lærdommen er at stokkklasser etter EN 1316-1 og de nasjonale versjonene av den bare er så pålitelige som målingene bak dem, et poeng vår guide til sortering av løvtrelast også gjør for skurlast.
KI-deteksjon av feil på bord: hva nøyaktighetstallene betyr
Det meste av KI i bearbeiding av løvtre i dag arbeider på bord og ikke på stokker: i sorteringslinjer på slutten av sagbruket og i skannerne som styrer optimeringskapper og kløyvsager. Disse systemene kombinerer fargekameraer, lasere som leser overflateprofilen, og noen ganger røntgen med programvare som klassifiserer hver feil og deretter bruker en sorteringsregel eller en kappliste.8
«Nøyaktighet» kan bety tre forskjellige ting: om en feil ble funnet, om den ble riktig klassifisert, eller om den endelige klassen eller det endelige kappet ble riktig. Artiklene rapporterer alle tre, så tallene kan bare sammenlignes innenfor én studie.
Sorteringslinjer: maskiner mot menneskelige sorterere
Målestokken er ikke perfeksjon, men den menneskelige sortereren. I 2003 sorterte en multisensorprototype fra Virginia Tech 89 bord av rødeik riktig i 63 % av tilfellene, mot 48 % for sortererne på produksjonslinjen. Den anslo trelastens verdi innenfor 6 % av en sertifisert NHLA-inspektør, mens linjesortererne overvurderte den med nærmere 20 %.13 Femten år senere sorterte en kommersiell skanner med fargekameraer, lasere og en røntgensensor over 9 000 uhøvlede, kammertørkede bord av ni amerikanske løvtreslag i et sagbruk i Midtvesten. Den nådde 92,22 % riktig klasse og 99,50 % riktig verdi, mot minstekrav på 80 % og 96 % i NHLAs salgsregler. Forfatterne viser til studier som anslår menneskelige inspektører til 48–75 %.8
Én detalj er viktig for kjøpere av eik: Hviteik trengte en tilpasset sorteringsløsning på grunn av jernflekker, som skanneren ellers ville ha lest som en feil.8
Optimeringskapper og sortering av lameller
Europeiske data er tynnere, men nærmere komponentarbeid. En kroatisk studie sammenlignet programvaren for dyp læring i en industriell fargeskanner med programvare utviklet i et forskningsprosjekt, på 40 eikelameller fra dørproduksjon. Ingen av dem var bedre over hele linjen. Den industrielle skanneren fant yteved hver gang, men de brede margstrålene i kvartersaget eik, speilet, bare i 27 % av tilfellene; prosjektprogramvaren fant margstrålene i 82 % av tilfellene, men gjenkjente merker etter ambrosiabiller i bare ett av fem tilfeller. I gjennomsnitt over alle seks feiltypene fant de to rundt 60 % og 62 %.14
En studie fra 2025 trente et Mask R-CNN-nettverk på 2 972 bilder av bøkelameller til limfugede heltreplater og sorterte dem i tre utseendeklasser pluss sprukne stykker med 90,90 % samlet nøyaktighet.15 Et forskerlag ved Purdue viste at et nevralt nettverk kan skille 11 kommersielle løvtreslag fra hverandre ut fra bilder av bord med 98,2 % nøyaktighet, noe som ville la en skanner endre innstillingene når treslaget skifter, i stedet for å vente på en operatør.16
Ingen av disse tallene er en garanti for en bestemt linje. Nøyaktigheten avhenger av treslag, belysning, overflate, feildefinisjoner og antallet merkede eksempler modellen har sett. For en kjøper er tallet som teller, vrakprosenten i hans egne deler.
Hva skanning koster, og hvilke sagbruk som kan forsvare det
Publiserte priser på tømmer-CT er sjeldne. En slovakisk artikkel fra 2023 anslår investeringen til flere millioner euro og sier at dette har gjort den lønnsom bare for store sagbruk.2 Økonomien har sett lik ut i tiår. En amerikansk studie fra 1990 av CT for løvtresagbruk forutsatte en investering på 1,5 millioner amerikanske dollar, den øvre enden av hva raske medisinske skannere kostet den gang, pluss rundt 175 000 dollar i året til service. Med et avkastningskrav på 15 % lønte skanneren seg i et stort sagbruk med en verdigevinst på bare 8,5 %; et lite sagbruk trengte over 30 %.17
Sagbruksstørrelsene er 25, 10 og 5 millioner board feet i året, omregnet med 2,36 m³ per tusen board feet (vår omregning). En østerriksk simulering fra 2019 av et mellomstort europeisk bartresagbruk, som skjærer rundt 100 000 m³ gran og lerk i året og med vekt på båndsagen for grove stokker, beregnet en internrente på 5 % til 42 % over ti år, avhengig av hvor langt CT ble antatt å forskyve produksjonen mot produkter med høyere verdi. Forfatterne påpeker at vellykkede industrielle anvendelser fortsatt var sjeldne, og at det manglet reelle data om gevinstene ved CT i båndsagbruk.10
Skannere for bord koster mindre. I 2002 kostet kamerabaserte trelastskannere under 1 million amerikanske dollar, og forfatterne av en amerikansk studie av tilskjæringsavdelinger anslo at et system som halverte antallet vrakede deler, ville betale seg på under ett år i en gjennomsnittlig amerikansk tilskjæringsavdeling.18
Leverandørene publiserer sine egne tall. Microtecs side om løvtre sier at CT Log kan øke sagbrukets inntekter med 15–20 %, og casestudien deres av et nordamerikansk sagbruk som sager or, ask og lønn, siterer operatøren på at de etter fire måneder saget «innenfor oppgitte tilbakebetalingstider», uten å oppgi tallene.19,20 Dette er påstander, ikke uavhengige målinger. For mindre virksomheter foreslår de slovakiske forskerne en annen vei: å leie kapasitet på en eksisterende CT-linje, for eksempel for å sertifisere verdifulle stokker før en auksjon eller til verdifulle produkter som tønner og musikkinstrumenter.2,7
Hva små og mellomstore sagbruk kan gjøre uten CT
Den samme forskningen viser hvor de rimeligere gevinstene ligger, fordi de manuelle trinnene rundt sagen ofte er det svakeste leddet.
Merk feilene mer nøyaktig
Mange tilskjæringsavdelinger merker fortsatt feil for hånd med fluorescerende kritt, og en optimeringskapp kapper deretter etter merkene. En amerikansk studie av en tilskjæringsavdeling vurderte en erfaren operatør etter strenge kriterier: 78 % av merkene avvek fra den ideelle posisjonen. 43 % av feilene ble oversett, 33 % ble merket inne i feilen, og 2 % av merkene markerte frisk ved. Utbyttet før vraking var 63,5 %; etter at deler med uønskede feil var fjernet, var det 47,4 %, med 22 % av delene vraket. En tidligere test av seks erfarne ansatte i tilskjæringsavdelinger hadde gitt dem 68 % i gjennomsnitt.18
Vis dataene
| Nøyaktighet i merkingen | Brukbart utbytte |
|---|---|
| Normale merkefeil | 39,1 % |
| 25 % færre feil | 44,4 % |
| 50 % færre feil | 45,7 % |
Utbytte som areal av ferdige deler delt på areal av innsatte bord. Målt i en amerikansk tilskjæringsavdeling med kløving først og simulert. Kilde: Buehlmann & Thomas (2003), Impact of board-marker accuracy on lumber yield, FAIM 2003. Klassefordeling fra Buehlmann & Thomas (2002).
En oppfølgingssimulering satte en verdi på opplæring: Med 25 % færre merkefeil økte det brukbare utbyttet fra 39,1 % til 44,4 %; med 50 % færre til 45,7 %.9 Forfatterne anbefaler å merke noen millimeter inn i det feilfrie treet utenfor hver feil, bedre belysning og klarere, skriftlige feilspesifikasjoner.18
Klassifiser og mål stokkene nøye
I eikestudien kom de fleste forskjellene fra trekk som var synlige, men vanskelige å måle på tømmerplassen: krok vurdert med stokken liggende på et ujevnt underlag, overvokste kvister som bare vises svakt på barken, og overflater skitne av støv og gjørme eller våte av regn.7 Å rengjøre stokkendene, måle krok på et plant underlag og registrere hver stokks klasse mot det den faktisk gir, koster lite og bygger opp dataene enhver senere skanner vil trenge.
Vri stokken bevisst
CT-studien av bøk fant opptil 24 % forskjell i verdi mellom den beste og den gjennomsnittlige rotasjonsvinkelen.4 Uten et blikk inn i stokken kan en sager likevel bruke det overflaten viser, og laserskanning av løvtrestokker finner de fleste alvorlige overflatefeil automatisk.11 Å vri hver stokk slik at synlige feil havner i kantbordene, eller i så få bord som mulig, er den manuelle versjonen av det en CT-optimerer gjør.
Slik optimaliserer vi hos SARAL
Hva du bør spørre leverandøren om skanning og optimalisering
- Hvordan finnes feilene før optimeringskappen? Ved operatørmerking, med en kameraskanner eller begge deler. Hver metode har sitt eget feilmønster.
- Hvilke feil kappes ut, og med hvilken margin? Be om de skriftlige feilreglene: kviststørrelse, sprekker, yteved, misfarging, speil, og om merkene eller skannerinnstillingene gir en sikkerhetsmargin inn i feilfritt tre.
- Hvilken sorteringsregel følger en automatisk sortering? EN 975-1, NHLA eller en intern regel. En maskin bruker en regel konsekvent, men bare den regelen den har fått.
- Hvordan håndteres fargetrekk? Yteved, rødkjerne i bøk, jernflekker i eik og speil er farge- eller teksturtrekk. CT, som leser densitet, ser dem kanskje ikke; kameraer gjør det, med varierende hell.
- Er skanneren satt opp for ditt treslag og din overflate? Publiserte tester trengte kalibrering per treslag, og uhøvlede bord er vanskeligere å lese enn høvlede.
- Hva er utbyttet og vrakprosenten på deler som dine? Be om tall for din egen kappliste, ikke et gjennomsnitt fra en brosjyre.
- Behandle leverandørenes tall som påstander til de er vist på ditt eget trevirke.
Ofte stilte spørsmål
Hva er en CT-skanner for tømmer?
En computertomograf bygd for sagbruk. Den røntgenfotograferer hver stokk fra alle sider mens den passerer på en transportør, og rekonstruerer innsiden i 3D med opptil 160 m/min, slik at en optimerer kan velge rotasjon og skurmønster før det første snittet.1
Hvor mye øker CT-skanning verdiutbyttet i et sagbruk?
I publiserte simuleringer typisk 4–24 % i verdi sammenlignet med en standardposisjon for stokken eller gjennomsnittsposisjonen, avhengig av treslag, prisforskjellen mellom klassene og nøyaktigheten til stokkvenderen. Studiene av løvtre er få og bruker små utvalg.3,4,5
Kan KI oppdage feil i tre bedre enn mennesker?
For sortering sier publiserte tester ja: En kommersiell skanner nådde 92,22 % riktig klasse på ni amerikanske løvtreslag, mot 48–75 % rapportert for menneskelige sorterere. Deteksjonen av enkelte feiltyper varierer mye, fra under 30 % til 100 % for ulike trekk i én eikestudie.8,14
Lønner en CT-skanner seg for et lite sagbruk?
Sjelden alene. En amerikansk analyse fant at små løvtresagbruk ville trenge verdigevinster på over 30 % for at en CT-skanner skulle lønne seg, mot 8,5 % for store sagbruk. Å leie skannekapasitet, bedre merking av feil og nøye klassifisering av stokkene er rimeligere første steg.17,2,9
