Konenäkö avuksi runkovaurioiden havaitsemiseen02.05.2019 15.33
Metsämiesten Säätiön rahoittamassa ja Itä-Suomen yliopiston toteuttamassa korjuuvauriotutkimuksessa selvitettiin, miten konenäöllä pystytään tunnistamaan valokuvasta rungot ja niissä olevat runkovauriot harvennuksilla. (kuva yllä: Hyvä korjuujälki on puunkorjaajalle kunnia-asia ja siihen on pyrittävä kaikin keinoin, jotta vältytään kasvu- ja laatutappioilta.) Suomen metsäkeskuksen tuoreiden harvennusten korjuujäljen inventointitulosten mukaan hieman yli puolella harvennuksista korjuujälki oli suositusten mukainen viime vuonna. Vastaavasti harvennusleimikoista 42 prosentilla korjuujälki oli lain mukainen ja kahdella prosentilla se oli virheellinen. Hyvä korjuujälki on kunnia-asia! Viime vuonna yleisimmät syyt siihen, ettei korjuujälki ollut suositusten mukainen, olivat liian leveät ajourat ja runsaat puustovauriot. Monet selvitykset ovat osoittaneet, että heikko kor- juujälki aiheuttaa kasvu- ja laatutappioita sekä sekundäärituhoja harvennusmetsissä: Puustovauriot aiheuttavat sekä kasvu- että laatutappioita. Sekundäärituhoja ovat hyönteis- ja sienituhot sekä lumi- ja tuulituhot, mitkä ilmenevät usein heikentyneiden puiden seurausvaikutuksina. Tyypillisimpiä sekundäärituhoja aiheuttavia hyönteisiä ja sieniä ovat kirjanpainajat ja juurikäävät. Näin ollen hyvä korjuujälki on puunkorjaajalle kunnia-asia, ja siihen on pyrittävä kaikin keinoin, jotta vältytään kasvu- ja laatutappioilta. Nykyisin harvennusleimikoiden korjuujälkeä seurataan kolmella tasolla: 1) Suomen metsäkeskuksen tekemä ja raportoima valtakunnallinen inventointi, 2) toimijoiden, eli puunhankinta- ja puunkorjuuyritysten tekemät inventoinnit sekä 3) metsäkoneen kuljettajien tekemä korjuujäljen omavalvonta.
(kuva: Tutkimusta varten tehtiin yhteensä 248 erikokoista ja -muotoista runkovauriota 54 havupuuhun, jotka menivät tutkimuksen jälkeen hakkuuseen.) Kohti automaattista korjuujäljen mittausta Kaikki edellä mainitut harvennusten korjuujäljen mittaukset syövät resursseja. Tulevaisuudessa digitalisaatio tuo apuja korjuujäljen mittaukseen. Tavoitteeksi on asetettu, että harvennusten korjuujäljen mittaus automatisoidaan mahdollisuuksien mukaan hyvin pitkälle. Kun puustovaurioita ja erityisesti runkovaurioita mitataan automaattisesti harvennuksilla tulevina vuosina, on todennäköistä, että se toteutetaan kuormatraktoreihin kiinnitettyjen kameroiden ottamien valokuvien ja edelleen kuvatulkinnan avulla.
(kuva: Kaikki runkovauriopuut valokuvattiin digitaalikameralla ajouralta päin kolmesta eri suunnasta. Keskimääräinen kuvanottoetäisyys tutkimuksessa oli 6,4 metriä.) Vauriopuut selville konenäöllä? Runkovaurioiden määrittämistä konenäöllä ei ole paljoa selvitetty aiemmin, joten Jyry Eronen aloitti Itä-Suomen yliopistossa Joensuussa tutkia niiden määrittämistä kuvatulkinnalla omassa väitöskirjatyössään. Väitöskirjaprojekti toteutetaan yhteistyössä Itä-Suomen yliopiston, Metsätehon ja Stora Enson kanssa. Ohjaajina Jyryn työssä ovat Teijo Palander Itä- Suomen yliopistosta, Heikki Ovaskainen Metsätehosta ja Kalle Kärhä Stora Ensosta. Itä- Suomen yliopistosta mukana tutkimuksessa ovat myös Antti Matikainen, Aleksi Aarnio, Niklas Peltoniemi ja Akseli Juurinen. Jyry Erosen väitöskirjatyön ensimmäisessä osatutkimuksessa selvitettiin, miten konenäöllä pystytään tunnistamaan valokuvasta puiden rungot ja niissä olevat runkovauriot. Tutkimusta varten yhteensä 248 erikokoista ja -muotoista - pitkulaista ja neliönmuotoista - runkovauriota tehtiin 54 mäntyyn ja kuuseen. Kukin runkovauriopuu numeroitiin ja valokuvattiin Canon EOS 60D -digitaalikameralla kolmesta eri suunnasta ajouralta päin. Valokuvat analysoitiin MAT- LAB ja ImageJ -ohjelmistoilla.
(kuva: Esimerkki runkovauriopuiden (kuva 5) ja runkovaurioiden (kuva 10) tunnistamisesta alkuperäisestä RGB-valokuvasta (kuva 1) sen jälkeen, kun kuvaprosessointivaiheet 2-4 ja 6-9 on tehty.) Tulokset rohkaisevia Parhaiten runkovauriot pystyttiin tunnistamaan, kun ne kuvattiin kohtisuoraan ajouralta päin ja kun aurinko ei paistanut kuvanottosuuntaan ja lisäksi kun vaurio sijaitsi puussa rinnankorkeudella. Haasteellisesti havaittavia runkovaurioita olivat rungon sivulla kuvanottosuuntaan nähden olevat ja rungossa tyvellä, alle puolen metrin etäisyydellä maanpinnasta, sijainneet runkovauriot. Myös kun valokuva runkovauriopuusta otettiin vasten auringon valoa, runkovaurio oli vaikeasti erotettavissa kuvatulkinnalla. Laaditun mallin avulla runkovauriopuut pystyttiin tunnistamaan jopa lähes 90-prosenttisesti tutkimuksessa. Erottelumallia kehittämällä runkovaurioiden tunnistamista voidaan edelleen parantaa jatkossa. Oman haasteensa luovat lehtipuissa olevat runkovauriot, joiden voidaan olettaa erottuvan heikommin vaalealta taustapinnaltaan kuin havupuiden runkovaurioiden havupuiden tummemmalta taustapinnalta. Tehdyssä tutkimuksessa keskityttiin vain havupuiden runkovaurioihin. Jos tutkimus kiinnostaa sinua laajemmin, käy tutustumassa tehdyn tutkimuksen tuloksiin www.afrjournal.org/index.php/afr/article/viewFile/1084/ 755 -internet-sivulla: Palander, T., Eronen, J., Kärhä, K. & Ovaskainen, H. 2018. Development of a wood damage monitoring system for mechanized harvesting. Ann. For. Res. 61(2): 243-258. Artikkeli: Kalle Kärhä, Jyry Eronen, Teijo Palander & Heikki Ovaskainen
(kuva: Onnistunut runkojen (kuvat c ja d) ja runkovaurioiden (e ja f) havainnointi ilman pieniä numerolappuja ja numerolappujen kera.) |
