Computer Vision in Wood Defect Detection

Abstract

Tre er en betydelig ressurs for å oppfylle dagens globale krav til sirkulær økonomi og bærekraftsvekst. Før det bearbeides i et produksjonssystem, er det viktig for tre å gå gjennom kvalitetskontroll for å evaluere kvaliteten i samsvar med null-defekt produksjonsprinsipper og inspeksjon i tidlig fase kan forhindre sløsing med ressurser for å produsere ukvalifisert produkt. I stedet for å inspisere tredefekter ved menneskelig syn, som muligens vil resultere i falsk kategorisering forårsaket av øyetretthet eller mangel på oppmerksomhet etter lang tid med monotont og repeterende arbeid, kan datasyn utvikles for å eliminere gjenkjenningsfeilen for å forbedre gjenkjenningsnøyaktigheten og spare produksjonsressurser. Derfor utvikler denne oppgaven et rammeverk som starter med å utforske i et åpen kildekode tredefektdatasett ved hjelp av datasyn grunnleggende i kant- og defektdeteksjon, etterfulgt av dyplæringsmodellopplæring for å utforske muligheten for å bruke datasyn for å oppdage tredefekter og integrere datamaskin Vision i inspeksjonssystem for trekvalitet. Resultatet i denne oppgaven har støttet hypotesen: Ved å trene et stort åpen kildekode-datasett i dyp læring, kan gjenkjenningsnøyaktigheten nå 76 %, som er høyere enn 70 % i manuell inspeksjonsnøyaktighet og gjør datasynssystem mulig å brukes i produksjonsindustrien. I tillegg, for å demonstrere hvordan datasynssystem er satt opp i produksjonslinjen, etableres et forenklet datasynssystem i laboratoriet for datainnsamling og analyse, hvor resultatet fortsatt kan nå 53 % nøyaktighet med et utilstrekkelig opplæringsdatasett. Det indikerer at ved påvisning av tredefekter er det bedre å anskaffe et stort bildedatasett og omskolere en ny modell fra det nye datasettet i stedet for å bruke en pretrain-modell direkte, siden kompleksiteten til treoverflaten og defekten kan forstyrre overførbarheten til modell. Dessuten anbefales alltid en balansert mengde treningsbilder i hver klasse. For å konkludere, sammenlignet med manuell inspeksjon, kan inspeksjon av datasyn være mer nøyaktig, og det er et viktig skritt mot Industry 4.0 i digitaliserings- og automatiseringsprosessen, som også bidrar til bærekraftsvekst ettersom kvalitetsinspeksjon spiller en stadig viktigere rolle i sirkulær produksjon.

Wood is a significant resource in fulfilling today’s global requirement towards circular economy and sustainability growth. Before being processed in a manufacturing system, it is essential for wood to go through quality inspection to evaluate the quality in accordance with zero-defect manufacturing principles and inspection in early stage can prevent waste of resource to manufacture unqualified product. Instead of inspecting wood defect by human vision, which would possibly result in false categorization caused by eye fatigue or lack of attention after a long time of monotonous and repetitive work, computer vision can be developed to eliminate the recognition error to improve recognition accuracy and save production resources. Therefore, this thesis develops a framework that starts on exploring in an open-source wood defect dataset by computer vision basic in edge and defect detection, followed by deep learning model training to explore the possibility of employing computer vision to detect wood defect and integrating computer vison in wood quality inspection system. The result in this thesis has supported the hypothesis: By training a large open-source dataset in deep learning, the recognition accuracy can reach 76%, which is higher than 70% in manual inspection accuracy and makes computer vision system possible to be used in manufacturing industry. In addition, to demonstrate how computer vision system is setup in production line, a simplified computer vision system in laboratory is established for data collection and analysis, where the result can still reach 53% accuracy with an insufficient training dataset. It indicates that in wood defect detection, it is better to acquire a large-scale images dataset and retrain a new model from the new dataset rather than directly employ a pretrain model, as the complexity of wood surface and defect may interfere the transferability of the model. Besides, a balanced quantity of training images in each class is always recommended. To conclude, compared to manual inspection, computer vison inspection could be more accurate, and it is an important step towards Industry 4.0 in digitalization and automation process, which also contributes to sustainability growth as quality inspection plays an increasingly important role in circular manufacturing.