Pētījuma mērķis:
Projekta ietvaros plānots izvērst efektīvu sadarbību starp diviem starpnozaru komersantiem – “AVOTI SWF” SIA, “Mechanika Engineering” SIA. Šī projekta ietvaros “AVOTI SWF” SIA sadarbībā ar “Mechanika Engineering” SIA un papildus, atsevišķu pētniecības pakalpojumu sniegšanai, piesaistot (plānots iesaistīt baltoties uz iepriekšējo sadarbību vai veicot cenu aptaujas procedūru) MNKC, plāno izstrādāt ēvelētas priedes masīvkoka skeneri, kura uzdevums ir nolasīt koksnes defektus, lai vēlāk sašķirotu 3 kvalitātes kategorijās (derīgs, labojams, brāķis).
Projekta rezultātā tiks izstrādāts koksnes skeneris, ar spēju atpazīt koksnes defektus un veikt atbilstošu kokmateriālu šķirošanu. Iekārtas prototips būs testēts rūpnieciskas ražošanas apstākļos (TRL7).
Šī projekta mērķa tirgus ir priedes masīvkoka mēbeļu un kokmateriālu, t.sk. saplākšņa ražotāji, kuri plāno būtiski uzlabot kvalitātes kontroli vai kuriem šādus uzlabojumus pieprasa pircēji vai tirgus.
Pētījuma progress: 12.09.2023
1. Aktivitātes “Defektu kategorizēšana” ietvaros sasniegtie rezultāti:
► Tika izstrādāts defektu un to parametru saraksts, kā arī piedāvātas defektu detekcijas metodes.
► Tika veikta zināmu kompāniju defektācijas reglamenta analīze. Īstenota defektu kategorizācija, sadalīšana apakšgrupās atkarībā no noteikšanas metodes (vizuālā, profila forma, jauktā).
2. Aktivitātes “Programmēšanas un projektēšanas darba uzdevuma sastādīšana” ietvaros sasniegtie rezultāti:
► Tikai noskaidrotas profila skeneru un līniju fotokameru izmantošanas īpatnības, kas nosaka to, kādā veidā jāveido konstrukcija to nostiprināšanai.
► Nosakidrots, kādi ieplūdes un izplūdes konveijeru minimālie garumi nepieciešami, lai varētu stabili noturēt produktu skenēšanas zonā.
► Noskaidrota apkārtējās vides apgaismojuma ietekme uz skenēšanas zonu, kas nosaka ierīču izvietojumu un aizsardzību no apkārtējās vides ietekmes.
► Definēti soļi mašīnmācīšanās algoritma izveidei
3. Aktivitātes “Primārā testa aprīkojuma projektēšana un komponenšu iegāde” ietvaros sasniegtie rezultāti:
► Ir izvēlēta fotokamera, kā arī tās modifikācijas veids, lai paplašinātu fotografēšanas spektrālo diapazonu;
► Izvēlēts redzamā diapazona gaismas avots;
► Izvēlēts infrasarkanā diapazona gaismas avots (850 nm);
► Izvēlēts ultravioletā diapazona gaismas avots (250-350 nm);
► Izstrādāta testa paraugu leiblinga sistēma; 5. Izstrādāts stenda projekts, lai iegūtu pirmās testa fotogrāfijas;
► Iegādātas trūkstošās skaitļošanas komponentes, lai varētu sākt darbu pie programmēšanas un attēlu analīzes;
► Ir izveidots testēšanas iekārtas dizains un konfigurācija. Ir iegādātas skaitļošanas komponentes.
Projekts pārtraukts 31.10.2023
Iemesls: Projektēšanas gaitā tika konstatēts, ka pilna defektu spektra noteikšana, stingri ievērojot klienta
izvirzītās prasības un parametrus (skenēšanas ātrums un augsta skenēšanas precizitātes pakāpe) nav
realizējama esošā projekta budžeta un termiņu ietvaros.
Pētījuma rezultāts:
► Veikta lameļu paraugu analīze un koksnes defektu kategorizēšana - defekti sadalīti kategorijās un
apakšgrupās atkarībā no defektu noteikšanas metodes. Tika veikta lielo uzņēmumu defektācijas
reglamenta analīze. Iegūti nepieciešamie dati darba uzdevuma sastādīšanai; Sastādīts primārais
projektēšanas un programmēšanas darba uzdevums. Izveidots projekts priekš testa aprīkojuma
izveides. Definēti soļi mašīnmācīšanās algoritma izveidei.
► Iegādāts un uzstādīts, gatavs testiem primārais foto / video aprīkojums. Iegūts analizējamo datu
kopums programmēšanas darbu veikšanai. Paraugu komplekts tika nofotografēts visos 3
apgaismojuma diapazonos.
► Izstrādāta iekārtas spēja atpazīt noteiktus koksnes defektus ar heiristiskiem algoritmiem;
► Izveidots tehniskais projekts prototipam.
Pētījuma galvenie secinājumi un jauniegūto zināšanu apraksts:
► Multispektrālā fotogrāfija ir lielisks rīks defektu identifikācijas procesu nodrošināšanai. Lai veiktu
visa defektu spektra detekciju, ir nepieciešams balstīties uz datu kombināciju: 3D profils un
virsmas fotogrāfijas.
► Izpētes gaitā tika secināts, ka redzamais diapazons ļauj tikai noteikt defektu kopumu, bet ne
segmentēt tos vienu no otra. IS diapazonā ir redzami daži defekti, īpaši tie, kas saistīti ar
lokālajām atšķirībām. Tādējādi spektra IS daļu var izmantot tikai noteiktos gadījumos. Tika
pārbaudītas UV diapazona pielietojamības iespējas.
► Tika izvēlēta autoencoder klasifikatoru klase. Proti, U-shape autoencoder (U-Net). Struktūra ļauj
U-Net efektīvi strādāt ar dažādu izšķirtspēju datiem un apstrādāt attēlus ar augstu segmentācijas
kvalitāti.
https://www.mehanika.lv/koksnes-skenera-ar-speju-atpazit-koksnes-defektus-un-veikt-atbilstosu-skirosanu-izstrade-un-iesviesana-razosana/