Почему лесопильные предприятия переходят на сканеры и ИИ
Лесопильное предприятие определяет бо́льшую часть стоимости бревна уже в первых нескольких резах. Поверните бревно на несколько градусов, вскройте его на несколько сантиметров выше — и тот же сучок окажется посреди ценной доски или в горбыле. До недавнего времени это решение принималось снаружи: по коре, форме, торцам и опыту пилорамщика. На ленточнопильных станках для крупных брёвен пилорамщик должен за секунды решить, где сделать следующий рез, опираясь главным образом на поверхность бревна и уже открытые пласти.10
Сканирование подкрепляет это решение данными в трёх точках цепочки: на бревнотаске, где сканеры измеряют форму, а с помощью рентгена — и внутреннее строение; на головном станке, где оптимизатор поворачивает бревно и выбирает схему раскроя; и на высушенных пиломатериалах, где камерные и рентгеновские сканеры сортируют доски и передают данные на оптимизирующие торцовочные пилы. «ИИ» здесь в основном означает модели глубокого обучения, обычно свёрточные нейронные сети, которые научились распознавать сучки, трещины или гниль по тысячам размеченных изображений.1
В этой статье изложено, что говорят опубликованные данные о лиственных породах, с одной оговоркой по всему тексту: большинство исследований КТ проведено на хвойных породах, а большинство исследований сортировки лиственных — американские. Каждый раз мы указываем, к какой породе и какому сравнению относится цифра. Где теряется объём на пути от бревна к детали и как раскрой с продольной распиловкой в первую очередь и сращивание на мини-шип возвращают его, рассказывает наша статья о выходе от бревна до мебельной детали.
Три уровня сканирования брёвен: 3D, рентген и КТ
Не каждый «сканер брёвен» видит одно и то же. Оптические и лазерные сканеры измеряют внешнюю форму: диаметр, сбег, кривизну, овальность и, при высоком разрешении, неровности поверхности. Дискретные рентгеновские сканеры, применяемые на передовых лесопильных предприятиях с 1990-х годов, просвечивают бревно в одном–четырёх направлениях и оценивают такие свойства, как доля ядра, плотность, размер сучков, расстояние между мутовками и ширина годичных слоёв. Компьютерная томография (КТ) идёт дальше: она объединяет рентгеновские проекции, снятые со всех сторон бревна, в полную трёхмерную карту плотности, срез за срезом.6,2
Лазерные, камерные и акустические методы остаются рабочими лошадками. Словацкое исследование 2022 года обнаружило их на всех крупных автоматизированных лесопильных предприятиях Европы и всё чаще — на средних, тогда как промышленные КТ-сканеры остаются редкостью из-за цены.6
Что лазерное сканирование может рассказать о бревне лиственной породы
Одни лишь данные о поверхности говорят многое о брёвнах лиственных пород, сорт которых сильно зависит от наружных пороков. Система Лесной службы США, анализирующая трёхмерные лазерные сканы неокорённых брёвен высокого разрешения, обнаруживает пороки высотой не менее 13 мм и шириной 76 мм. На 14 случайно выбранных брёвнах она нашла 53 из 64 серьёзных пороков, ошибочно отметила девять здоровых участков и локализовала 90,2 % площади пороков.11 Это помогает сортировать бревно, но не даёт заглянуть внутрь: сучок, заросший десятилетия назад, может оставить на коре лишь слабый след.
Как КТ-сканер брёвен работает со скоростью лесопильного потока
Промышленный КТ-сканер брёвен, используемый в приведённых ниже исследованиях, — это CT Log, который итальянский производитель сканеров Microtec разрабатывает с 2008 года. Его конструкторы описывают гентри с рентгеновским источником и кольцом датчиков, вращающимся со скоростью 240 об/мин вокруг конвейера и непрерывно реконструирующим бревно по мере его прохождения. Согласно опубликованной спецификации, он сканирует со скоростью 60–160 м/мин, имеет поле обзора 90 см, принимает брёвна диаметром до 70 см в зависимости от плотности древесины и даёт разрешение 1 мм поперёк бревна и 10 мм вдоль.1
Самое сложное — скорость. Лесопильное предприятие обрабатывает около десяти брёвен в минуту — слишком много, чтобы кто-то читал КТ-изображения вручную. В опубликованной системе 6-метровое бревно анализируется кластером компьютеров примерно за 2,3 секунды, после чего оптимизатор за одну секунду проверяет около 10 000 виртуальных досок на бревно, чтобы выбрать наиболее ценную схему раскроя. Вся цепочка укладывается в участок между сканером и пилой, расположенной на 16,1 м ниже по потоку.1
Обнаружение сучков в этой системе уже использует ИИ: свёрточную нейронную сеть, обученную на более чем 5 000 сучков, которые эксперты вручную отметили на КТ-изображениях. Разработчики называют и ограничение, справедливое для любой породы: в наружной заболони сучки и здоровая древесина имеют очень близкую плотность, поэтому сучки там находят в основном по текстуре и измеряют менее точно.1,3
В начале 2018 года разработчики насчитывали пять работающих линий и шестую, готовившуюся к запуску в Швеции. Словацкое исследование насчитало 14 линий по всему миру в 2023 году, в основном на предприятиях, распиливающих хвойные породы.1,2,7 Одна из них, в Национальном лесном центре в Зволене, установлена для исследований, а не для производства, поэтому значительная часть свежих европейских данных по лиственным породам поступает из Словакии.2
Сколько стоимости добавляет КТ? Что сравнивали исследования
Каждый опубликованный прирост стоимости отвечает на несколько иной вопрос. Одни исследования сравнивают наилучший поворот каждого бревна со стандартным положением, другие — со средним по всем положениям, а одно — с тем, что фактически выпустило предприятие. Одни предполагают идеальный кантователь брёвен; другие добавляют реалистичные ошибки. Основные исследования сведены в таблицу.
| Исследование | Порода и выборка | С чем сравнивали | Прирост стоимости |
|---|---|---|---|
| Chang & Gazo 2009 (США) | Красный дуб, белый дуб, вишня поздняя, клён сахарный, лириодендрон; 29 брёвен, медицинский томограф | Фактическая распиловка тех же брёвен на предприятии | +46 % в среднем (красный дуб +24 %, белый дуб +60 %) |
| Stängle et al. 2015 (Германия, Финляндия) | Бук европейский; 33 бревна | Среднее по 12 углам поворота | До +24 % (лучший угол) |
| Berglund et al. 2013 (Швеция), по данным Rais et al. | Сосна обыкновенная, ель европейская | Обычное положение бревна | Около +13 % в среднем |
| Rais et al. 2017 (Microtec) | Дугласия; 36 брёвен, промышленный томограф при 120 м/мин | Положение «кривизной вверх», с ошибками поворота и измерения сучков | +4 %, +8 % или +20 % в зависимости от разницы цен на сорта |
| Belley et al. 2019 (Канада) | Ель белая, сосна Банкса; 53 дерева | Обычная распиловка «кривизной вверх» | +15 % (ель), +23 % (сосна) |
| Gejdoš et al. 2025 (Словакия) | Дуб черешчатый и скальный; 125 брёвен | Визуальная сортировка брёвен (сортировка, а не распиловка) | Тот же класс у 47 % брёвен; прейскурантная стоимость ниже на 30 €/м³ |
Базы сравнения различаются, поэтому приросты нельзя сравнивать напрямую. Только первые две строки — исследования распиловки лиственных пород. Источник: Chang & Gazo (2009); Stängle et al. (2015); Rais et al. (2017), где также приводятся данные Berglund et al. (2013); Belley et al. (2019); Gejdoš et al. (2025). Полные ссылки ниже.
Выделяются три момента. Во-первых, выигрыш в основном в стоимости, а не в объёме. Поворот бревна так, чтобы сучки попадали на кромки досок или в доски, которые всё равно пойдут в низшие сорта, меняет сортовой состав гораздо сильнее, чем кубометры. Разница между объёмным и стоимостным выходом объясняется в нашей статье о схемах распиловки и радиальных пиломатериалах.
Во-вторых, результат определяется разницей цен между сортами. В промышленном исследовании дугласии одни и те же брёвна и одни и те же КТ-данные дали средний прирост 4 %, 8 % или 20 % — в зависимости лишь от того, насколько дороже были высшие сорта.3 В лиственных породах, где лучшие сорта по внешнему виду продаются в разы дороже рядовых, это работает в обе стороны: больше возможный выигрыш и больше потери от неверно оценённого бревна.
В-третьих, данных по лиственным породам мало, тогда как результаты по хвойным шире: канадское исследование 53 деревьев ели белой и сосны Банкса показало на 15 % и 23 % больше стоимости пиломатериалов при распиловке с оптимизацией по сучкам по сравнению с обычной распиловкой.12 Европейское исследование бука охватило 33 бревна и показало, что лучший из 12 углов поворота даёт до 24 % больше объёма и стоимости, чем средний угол.4 Американское исследование пяти лиственных пород использовало 29 брёвен, отсканированных на медицинском томографе. Его средний прирост 46 % сравнивает оптимизированное моделирование с тем, как предприятие на самом деле распилило те же брёвна, поэтому часть выигрыша дала сама оптимизация, а не только рентгеновский взгляд внутрь. Прирост возрастал с 27 % на брёвнах 1-го сорта до 97 % на брёвнах 3-го сорта.5
Сканер хорош ровно настолько, насколько хорош кантователь
КТ-оптимизатор может рассчитать лучший угол с точностью до градуса, но обеспечить его должен кантователь брёвен. Моделирование для дугласии добавило случайную ошибку поворота со стандартным отклонением 5° и реалистичную ошибку измерения сучков — и всё равно получило приведённые выше выигрыши. Та же статья ссылается на финскую оценку, согласно которой ошибки поворота должны оставаться ниже примерно 2° стандартного отклонения, чтобы не терять стоимость, оценивает типичные кантователи примерно в 4° и приводит шведское исследование ели, в котором ошибка 6° снизила средний выигрыш с 11 % до 6 %.3 Лучшее сканирование окупается, только если механика ниже по потоку поспевает за ним.
Дуб и бук: почему лиственные породы сложнее для КТ
КТ видит плотность, а не цвет. У ели сучок заметно плотнее окружающей ядровой древесины и выделяется на изображении. У дуба и бука контраст слабее. Словацкая группа, сканировавшая брёвна дуба, бука и ели на промышленном томографе, обнаружила, что внутренняя структура двух лиственных пород накладывается на их пороки, которые выглядели как связанные области неопределённой формы, а не как отдельные признаки.6
В последующем исследовании 4-метровое буковое бревно и часть дубового бревна распилили на слои толщиной 20 мм и сравнили каждый порок с КТ-изображением. Местоположение было точным в обоих случаях: в пределах 0,90 % на буке и 1,21 % на дубе. Размер определялся менее надёжно: на буке размеры по КТ отличались в среднем на 3,5 %, а на дубе были явно завышены, кармашек коры — более чем втрое. Кроме того, сканер пропустил зону ложного ядра в буковом бревне и один сучок в дубовом. Авторы заключают, что технология разрабатывалась в основном для хвойных пород и её программное обеспечение пока не настроено на некоторые лиственные.2
Для крупных брёвен лиственных пород важны два практических ограничения. Та же группа наблюдала кольцевые артефакты изображения на брёвнах толще примерно 650 мм, а в их исследовании 2025 года отмечено, что шум изображения возрастает при диаметре свыше 750 мм, хотя пороки оставались различимыми.2,7 Крупные комлевые брёвна дуба и бука попадают именно в этот диапазон.
КТ-сортировка 125 дубовых брёвен
Самое полезное для покупателей исследование по лиственным породам — словацкое сравнение 2025 года на 125 брёвнах дуба черешчатого и скального, закупленных для дорогих применений, таких как бочарная клёпка. Каждое бревно сортировали дважды по словацкому стандарту на круглые лесоматериалы лиственных пород: на глаз, как принято в обычной лесной практике, и по КТ-изображениям и 3D-моделям.7
Оба метода совпали для 47,2 % брёвен. КТ отнесла 42,4 % к более низкому классу и 10,4 % — к более высокому. Разбор решающих признаков, сделанный авторами: у 60 % брёвен признаки были видны глазом, но на КТ-изображениях измерялись иначе; заросшие сучки определили сорт 16,8 % брёвен, метиковые трещины — 10,4 %, кривизна более чем в одном направлении — 9,6 %. По словацким прейскурантным ценам второго квартала 2024 года средняя стоимость снизилась со 157,32 € до 127,16 € за кубометр.7
Это снижение — не потеря, вызванная КТ. Это стоимость, которую завысила визуальная сортировка. Для лесопильного предприятия, покупающего брёвна, узнать это до распиловки — в этом весь смысл; для лесовладельца, который их продаёт, это менее приятно. Более широкий вывод: сорта круглых лесоматериалов по EN 1316-1 и его национальным версиям надёжны ровно настолько, насколько надёжно стоящее за ними измерение, — то же самое наше руководство по сортировке пиломатериалов лиственных пород говорит о пиломатериалах.
Обнаружение пороков на досках с помощью ИИ: что означают цифры точности
Большая часть ИИ в переработке лиственной древесины сегодня работает с досками, а не с брёвнами: на линиях сортировки в конце лесопильного потока и в сканерах, которые передают данные оптимизирующим торцовочным и многопильным станкам. Эти системы сочетают цветные камеры, лазеры, считывающие профиль поверхности, а иногда и рентген с программой, которая классифицирует каждый порок, а затем применяет правило сортировки или карту раскроя.8
«Точность» может означать три разные вещи: был ли порок найден, правильно ли он классифицирован или правильными ли оказались итоговый сорт или рез. В статьях приводятся все три, поэтому цифры сопоставимы только в рамках одного исследования.
Линии сортировки: машины против сортировщиков-людей
Эталон — не совершенство, а сортировщик-человек. В 2003 году мультисенсорный прототип Virginia Tech правильно определил сорт 89 досок красного дуба в 63 % случаев против 48 % у сортировщиков производственной линии. Он оценил стоимость пиломатериалов с отклонением не более 6 % от оценки сертифицированного инспектора NHLA, тогда как сортировщики линии завысили её почти на 20 %.13 Пятнадцать лет спустя коммерческий сканер с цветными камерами, лазерами и рентгеновским датчиком отсортировал более 9 000 нестроганых досок камерной сушки девяти американских лиственных пород на лесопильном предприятии Среднего Запада. Он достиг точности 92,22 % по сорту и 99,50 % по стоимости при минимумах 80 % и 96 % в торговых правилах NHLA. Авторы приводят исследования, оценивающие точность инспекторов-людей в 48–75 %.8
Одна деталь важна для покупателей дуба: для белого дуба потребовалась скорректированная настройка сортировки из-за железистых пятен, которые сканер иначе считал бы пороком.8
Оптимизирующие торцовочные пилы и сортировка ламелей
Европейских данных меньше, но они ближе к производству комплектующих. Хорватское исследование сравнило программу глубокого обучения промышленного цветного сканера с программой, разработанной в исследовательском проекте, на 40 дубовых ламелях из производства дверей. Ни одна не оказалась лучше по всем параметрам. Промышленный сканер находил заболонь в каждом случае, но широкие сердцевинные лучи радиальной распиловки дуба, его серебристую текстуру, — только в 27 % случаев; проектная программа находила лучи в 82 % случаев, но распознавала следы амброзиевых жуков лишь в одном случае из пяти. В среднем по всем шести типам пороков обе обнаруживали около 60 % и 62 %.14
В исследовании 2025 года сеть Mask R-CNN обучили на 2 972 изображениях буковых ламелей для клеёных по кромке щитов, и она распределила их на три класса внешнего вида плюс треснувшие детали с общей точностью 90,90 %.15 Группа из Университета Пердью показала, что нейронная сеть может различать 11 коммерческих лиственных пород по изображениям досок с точностью 98,2 %, что позволило бы сканеру переключать настройки при смене породы, не дожидаясь оператора.16
Ни одна из этих цифр не является гарантией для конкретной линии. Точность зависит от породы, освещения, поверхности, определений пороков и числа размеченных примеров, которые видела модель. Для покупателя важна доля брака в его собственных деталях.
Сколько стоит сканирование и каким предприятиям оно оправдано
Опубликованные цены на КТ-сканирование брёвен редки. Словацкая статья 2023 года оценивает инвестиции в миллионы евро и указывает, что поэтому оно рентабельно только для крупных предприятий.2 Экономика выглядит примерно так же уже десятилетиями. Американское исследование 1990 года о КТ для лесопильных предприятий лиственных пород исходило из инвестиций 1,5 млн долларов США — верхней границы стоимости быстрых медицинских томографов того времени — плюс около 175 000 долларов в год на обслуживание. При требуемой доходности 15 % сканер окупался на крупном предприятии уже при приросте стоимости всего 8,5 %; малому предприятию нужно было более 30 %.17
Мощности предприятий — 25, 10 и 5 млн досковых футов в год, пересчитаны по коэффициенту 2,36 м³ на тысячу досковых футов (наш пересчёт). Австрийское моделирование 2019 года для среднего европейского предприятия по распиловке хвойных пород, перерабатывающего около 100 000 м³ ели и лиственницы в год, с упором на ленточнопильный станок для крупных брёвен, рассчитало внутреннюю норму доходности от 5 % до 42 % за десять лет в зависимости от того, насколько сильно КТ, по допущению, смещает выпуск в сторону более дорогой продукции. Авторы отмечают, что успешные промышленные применения всё ещё редки, а реальных данных о выигрыше от КТ на предприятиях с ленточнопильными станками нет.10
Сканеры досок стоят дешевле. В 2002 году камерные сканеры пиломатериалов стоили менее 1 млн долларов США, и авторы американского исследования участка раскроя оценили, что система, вдвое сокращающая брак деталей, окупится менее чем за год на среднем американском участке раскроя.18
Производители публикуют собственные цифры. Страница Microtec о лиственных породах утверждает, что CT Log может повысить выручку лесопильного предприятия на 15–20 %, а её кейс североамериканского предприятия, распиливающего ольху, ясень и клён, цитирует оператора, который через четыре месяца распиливал «в рамках заявленных сроков окупаемости», не раскрывая цифр.19,20 Это заявления, а не независимые измерения. Для небольших предприятий словацкие исследователи предлагают другой путь: арендовать мощности существующей КТ-линии, например чтобы сертифицировать ценные брёвна перед аукционом или для дорогой продукции, такой как бочки и музыкальные инструменты.2,7
Что могут сделать малые и средние предприятия без КТ
Те же исследования показывают, где лежат более дешёвые выигрыши, потому что ручные операции вокруг пилы часто оказываются самым слабым звеном.
Размечайте пороки точнее
На многих участках раскроя пороки до сих пор размечают вручную флуоресцентным мелком, а оптимизирующая торцовочная пила затем режет по меткам. Американское исследование участка раскроя оценило опытного оператора по строгим критериям: 78 % меток отклонялись от идеального положения. 43 % пороков были пропущены, 33 % размечены внутри порока, а 2 % меток пришлись на здоровую древесину. Выход до отбраковки составил 63,5 %; после удаления деталей с недопустимыми пороками — 47,4 %, при этом 22 % деталей ушли в брак. В более раннем испытании шесть опытных работников участка раскроя набрали в среднем 68 %.18
Показать данные
| Точность разметки | Полезный выход |
|---|---|
| Обычные ошибки разметки | 39,1 % |
| На 25 % меньше ошибок | 44,4 % |
| На 50 % меньше ошибок | 45,7 % |
Выход — площадь полученных деталей к площади исходных досок. Измерено на американском участке раскроя с продольной распиловкой в первую очередь и смоделировано. Источник: Buehlmann & Thomas (2003), Impact of board-marker accuracy on lumber yield, FAIM 2003. Сортовой состав по Buehlmann & Thomas (2002).
Последующее моделирование оценило эффект обучения: при сокращении ошибок разметки на 25 % полезный выход вырос с 39,1 % до 44,4 %, при сокращении на 50 % — до 45,7 %.9 Авторы рекомендуют размечать с заходом на несколько миллиметров в чистую древесину за каждым пороком, улучшить освещение и иметь более чёткие письменные требования к порокам.18
Сортируйте и обмеряйте брёвна тщательно
В исследовании дуба большинство расхождений дали признаки, которые были видны, но трудно измеримы на складе: кривизна, оцениваемая на бревне, лежащем на неровной опоре, заросшие сучки, едва заметные на коре, и поверхности, загрязнённые пылью и грязью или мокрые от дождя.7 Очистка торцов брёвен, измерение кривизны на ровной опоре и запись сорта каждого бревна в сопоставлении с его фактическим выходом стоят немного и создают данные, которые понадобятся любому будущему сканеру.
Поворачивайте бревно осознанно
Исследование бука с КТ обнаружило разницу в стоимости до 24 % между лучшим и средним углом поворота.4 Не видя бревно изнутри, пилорамщик всё равно может использовать то, что показывает поверхность, а лазерное сканирование брёвен лиственных пород автоматически находит большинство серьёзных наружных пороков.11 Поворот каждого бревна так, чтобы видимые пороки ушли в рейку или в как можно меньшее число досок, — ручная версия того, что делает КТ-оптимизатор.
Как мы оптимизируем на SARAL
Что спросить у поставщика о сканировании и оптимизации
- Как находят пороки перед оптимизирующей пилой? По меткам оператора, камерным сканером или обоими способами. У каждого своя картина ошибок.
- Какие пороки вырезаются и с каким запасом? Запросите письменные правила по порокам: размер сучков, трещины, заболонь, окраски, серебристая текстура — и оставляют ли метки или настройки сканера запас в чистую древесину.
- По какому правилу сортировки работает автоматическая сортировка? EN 975-1, NHLA или внутреннее правило. Машина применяет правило последовательно, но только то, которое ей задали.
- Как обрабатываются цветовые признаки? Заболонь, ложное ядро бука, железистые пятна дуба и серебристая текстура — признаки цвета или текстуры. КТ, которая считывает плотность, может их не увидеть; камеры видят — с переменным успехом.
- Настроен ли сканер на вашу породу и поверхность? В опубликованных испытаниях потребовалась калибровка под породу, а нестроганые доски читать труднее, чем строганые.
- Каковы выход и доля брака на деталях, похожих на ваши? Запрашивайте цифры по вашей собственной карте раскроя, а не среднее из брошюры.
- Относитесь к цифрам производителей как к заявлениям, пока их не подтвердят на вашей древесине.
Часто задаваемые вопросы
Что такое КТ-сканер брёвен?
Компьютерный томограф, созданный для лесопильных предприятий. Он просвечивает рентгеном каждое бревно со всех сторон, пока оно проходит по конвейеру, и реконструирует его внутреннее строение в 3D со скоростью до 160 м/мин, чтобы оптимизатор мог выбрать поворот и схему раскроя до первого реза.1
Насколько КТ-сканирование повышает стоимостный выход лесопильного предприятия?
В опубликованных моделированиях обычно на 4–24 % по стоимости по сравнению со стандартным или средним положением бревна, в зависимости от породы, разницы цен между сортами и точности кантователя. Исследований по лиственным породам мало, и выборки в них небольшие.3,4,5
Может ли ИИ находить пороки древесины лучше людей?
Для сортировки опубликованные испытания говорят «да»: коммерческий сканер достиг точности 92,22 % по сорту на девяти американских лиственных породах против 48–75 %, приводимых для сортировщиков-людей. Обнаружение отдельных типов пороков сильно различается — от менее 30 % до 100 % для разных признаков в одном исследовании дуба.8,14
Стоит ли КТ-сканер того для небольшого лесопильного предприятия?
Сам по себе — редко. Американский анализ показал, что малым предприятиям по распиловке лиственных пород для окупаемости КТ-сканера нужен прирост стоимости более 30 % против 8,5 % для крупных. Аренда мощностей сканирования, более точная разметка пороков и тщательная сортировка брёвен — более дешёвые первые шаги.17,2,9
