TEKNILLINEN KORKEAKOULU Puunjalostustekniikan osasto
ILKKA JUVONEN
TOMOGRAFIAN KÄYTTÖ TUKIN SISÄISEN LAADUN MÄÄRITTÄMISESSÄ
Diplomityö, joka on jätetty opinnäytteenä tarkastettavaksi diplomi- insinöörin tutkintoa varten Espoossa 24.11.1997
Työn valvoja Työn ohjaaja
Professori Tero Paajanen DI Timo Pöljö
TEKNILLINEN KORKEAKOULU DIPLOMITYÖN TIIVISTELMÄ
Tekijä, työn nimi
Ilkka Juvonen
Tomografian käyttö tukin sisäisen laadun määrittämisessä
Päivämäärä:24.11.1997 Sivumäärä: 110
Osasto, professuuri
Puunjalostustekniikan osasto Puutekniikan laboratorio
Työn valvoja Työn ohjaaja
Tero Paajanen Timo Pöljö
Diplomityössä tarkastellaan tomografian, eli röntgenviipalekuvauksen käyttöä sahatukkien sisäisen laadun määrittämisessä. Tukkitomografiassa tukin sisäiset viat, kuten oksat ja laho tunnistetaan niiden terveestä puusta poikkeavan tiheyden perusteella. Tukin tiheystietoja voidaan hyödyntää uusia tukkilajittelukriteereitä kehitettäessä ja tukkiluokkien rajoja määrittäessä. Diplomityön tavoitteena oli tomografin suorituskyvyn määrittäminen ja laitteen toimintakyvyn parantaminen koeajoista saatujen tietojen perusteella. Perinteisessä tukkilajittelussa tukin sisäistä laatua yritetään arvioida tukin latvahalkaisijan, oksaisuuden ja kyhmyisyyden, sekä tukkityypin perusteella. Oikein toimiessaan tukkitomografi antaa tarkan tiedon tukin sisäisistä vioista, joista tärkeimpiä ovat oksat ja laho. Eräs tärkeimmistä työn tavoitteista oli selvittää kykeneekö käytetty laite määrittämään oksan koon ja laadun valitulla leikkauspinnalla.
Tomografiaa voidaan soveltaa tukkilajittelussa kahdella tavalla: joko laskemalla tukkikohtaisia, useimmiten tilavuuspohjaisia lukuja kuten oksatilavuus, tai laskemalla oksakohtaisia tunnuslukuja kuten oksan koko ja sijainti valitulla tarkastelupinnalla. Diplomityössä käytetyssä laitteessa tavoitteena oli laskea tuloksia oksakohtaisesti. Oksakohtaisten tulosten perusteella olisi periaatteessa mahdollista maksimoida yksittäisestä tukista saatu tulos tukin suuntauksella ja asetesuunnittelulla.
Työssä suoritettiin kaksi koekuvausta, joissa tukit kuvattiin Vääksyn sahalle sijoitetulla Wood-X tukkitomografilla. Kuvaamisen jälkeen tukit kuljetettiin TKK:n Puutekniikan laboratorioon Otaniemeen. Tukkien pituus ja halkaisijat mitattiin ja tukin tilavuus laskettiin saatujen arvojen perusteella. Tämän jälkeen tukit paloiteltiin pölleiksi ja pöllit sorvattiin halkaisijaan , joka vastasi 90
%:a tukin latvahalkaisijasta. Sorvauspinnalla näkyvät oksat kadutettiin ja niiden halkaisija ja sijainti tukin latvan suhteen mitattiin. Saatuja arvoja verrattiin Wood-X:n antamiin tuloksiin koesuunnitelman mukaisilla kriteereillä.
Diplomityössä suoritettujen koeajojen perusteella tomografin todettiin asetettavan mittausympäristölle tiukempia vaatimuksia kuin perinteiset mittarit. Tukin kulun tasaisuus ja käytetty kuljetinratkaisu vaikuttavat huomattavasti saatuihin tuloksiin. Itse ohjelman suorituskyvyn parantamiseksi oksa-alueen tiheysvaihteluiden tarkempi tutkiminen on tarpeen. Käytetyllä tomografilla oksaryhmät ja suuri osa yksittäisistä oksista voidaan löytää, mutta oksan koon ja laadun määrityksessä on ongelmia.
Laitteiston jatkokehitystarpeet liittyvät pääosin oksa-alueen tarkempaan tutkimiseen ja riittävän häiriöttömän mittausympäristön aikaansaamiseen.
HELSINKI UNIVERSITY OF TECHNOLOGY ABSTRACT OF THE MASTER’S THESIS
Author and name of the thesis
Ilkka Juvonen
The use of tomography in assessing the internal defects in logs
Date 24.11.1997_____________________________Number of pages 110___________________
Department, Professorship
Department of Forest Products Technology Laboratory of Wood Technology
Supervisor Instructor
Tero Paajanen Timo Pöljö_____________________
The aim of this master's thesis is to evaluate the possibilities of using tomography in assessing the internal defects in saw logs. In tomography the defects, such as knots and rot are identified by their density, which differs from the density of normal wood. The knowledge about the density variation may be used in determining new log sorting criteria’s and in determining the boundaries of log categories. The aim of this master's thesis was to evaluate and improve the performance of the used log sorter, Wood-X. In traditional log sorting the decision is made based on the top diameter of the log, knottiness and lumpiness of the log and log type. If log tomography works properly, it can provide reliable knowledge about the size and location of defects, of which knots and rot are the most important ones. One of the major objectives of thesis was to find out whether Wood-X was capable of measuring the size and quality of a knot in a given surface. The reason for this was to improve the sawing pattem so that the amount of knot free boards would be maximised.
Tomography may be used in two ways: either to calculate volume-based characteristics for the whole log, such as knottiness, or to calculate defect-based figures, such as the diameter and location of a knot in a given surface. In this project the aim was to calculate knot-based figures. In principle if the location and the size of knots in a log are known, it is possible to plan the sawing pattem so that the yield from a single log is maximised.
The experimental part of the work consists of two series of tests. In each test six logs were measured with Wood-X machine, which was located in Vääksy sawmill. After the measurement the logs were shipped to the Laboratory of Wood Technology in Otaniemi. Their length and diameters were measured, after which they were cut in to pieces. Each piece was peeled in to a diameter, which was 90 % of the log's top diameter. The diameter and location of each knot was measured and the results were compared to those given by Wood-X. From the results the indexes given in the test plan were calculated.
According to the results Wood-X demands quite a lot from the measuring environment. The log has to move very steadily through the machine. Traditional conveyers seem to be unsuitable for this purpose because deviations in the movement seem to cause disturbances in the results. In order to improve the performance of the computer program it is necessary to study the differences of density in the knot area. It seems that most of the knot clusters and even single knots are found, but it seems to be difficult to measure the size and quality of the knot on a given surface. A major part of the further studies is likely to be related to study the knot areas more thoroughly.
Käsitteet a
P
Y со r
Absorptiokerroin Aihiosimulointi
Apteeraus ART
Asetesuunnittelu CCD-kamera CIM
Detektori Digitointipöytä Evidenssiarvo Gammasäteily GULIPS/GUNLIPS
Haamuoksa Hermoverkko Hyvyysluku Tilastollinen inversioteoria IR-valo Kiertokulma
Kokorunkoj äij estelmä Kola
Oksan kiertokulma sylinterikoordinaatistossa.
Oksan nousukulma, oksan keskiviivan ja tukin normaalin välinen kulma
Oksan avautuma, oksan keskiviivan ja laidan välinen kulma Oksan kiertokulma napakoordinaatistossa
Oksan säde tukin ytimestä lähtien.
Aineen kyky imeä itseensä säteilyä
Lopputuotteiden saannon maksimointi sahatavarasta siten, että lopputuotteet sijoitetaan sahatavaran sisään tietokone
ohjelmalla jo ennen sahausta.
Rungon katkonta tukeiksi
Algebraic Reconstruction Technique. Iteratiivinen tapa luoda kuva tutkittavasta kohteesta ( kuva 10 )
Tukin sahausasetteen suunnittelu.
Charged Couple Device, valolle herkkä puolijohdekompo
nentti, johon varautuu jännite valon intensiteetin mukaan Computer Integrated Manufacturing, eli tietokoneohjattu valmistus
Ilmaisin, joka mittaa säteilyn vaimenemisen mitattavassa aineessa
mm. VTT:llä käytetty mittalaite, jolla koekappaleen koordi
naatit ja laatutiedot voidaan tallentaa sähköiseen muotoon Arvo, jolla kuvataan todennäköisyyttä jolla tarkasteltava tilavuusyksikkö kuuluu oksaan
10"13.. .10‘9 m aalto-alueella oleva säteily, käytetään puun tiheyden ja kosteuden tutkimisessa
Grand Unified ( Non ) Linear Inverse Problem Solver, lineaaristen ja epälineaaristen inversio-ongelmien ratkai
suun kehitettyjä ohjelmia
Oksa, jonka tomografi on ilmoittanut sijaitsevan tarkas- telupinnalla, mutta jota ei ole olemassa.
Ihmisen aivojen toimintaa jäljittelevä tietojenkäsittelytapa Tina- röntgenmittarin laskema tukin laatuluku, jossa huomioidaan mm, oksaisuus ja lenkous
Ongelmanratkaisutapa, jossa lasketaan kaikki mahdolliset ratkaisut, jotka ovat sopusoinnussa mittaustulosten kanssa Infra Red eli infrapunavalo, valo, jonka aallonpituus on 10"5...10"3 m.
Oksan sijainti tukissa. Käytetyssä laitteessa 0° vastasi tukin latvasta katsoen oikeanpuoleista vaakaviivaa ( kuva 26 ) Järjestelmä, jossa puut korjataan metsästä kokonaisina runkoina.
Tukkikuljettimen osa, jonka päällä tukkia kannatellaan.
Kylestynyt oksa Laskenta-algoritmi Neutronisäteily NMR
Näkemättä jäänyt oksa Oikein nähty oksa Oksapari
Oksien
lukumäärärajoitus
Pikseli Projektio Projisointi Pulssianturi
Referenssiviiva
Resoluutio Röntgensäteily Sahemenetelmä
Sisälaatu, tukin Sisäoksa
Puun pinnalle näkymätön oksa, joka on kuollut ja jonka päälle on kasvanut oksatonta puuta.
Matemaattinen malli esitetyn ongelman ratkaisemiseksi Säteily, joka aiheutuu atomin ytimessä olevista varaukset
tomista partikkeleista.
Nuclear Magnetic Resonance, eli ydinmagneettinen resonanssi. Säteily saadaan aikaan atomin ytimillä, joiden spinkvanttiluku ei ole nolla, ja joilla siten on magneettinen momentti.
Oksa, joka on löydetty käsin mitattaessa, mutta jota tomografi ei ole löytänyt
Oksa, joka on löydetty sekä käsinmittauksessa, että tomografilla
Käsin mitatun ja tomografin löytämän oksan muodostama pari. Edellyttää oksien sijaitsemista samassa oksaryhmässä ja korkeintaan 35° päässä toisistaan
Kolmesta kuvaussuunnasta johtuva rajoitus, jonka mukaan tomografin oletetaan havaitsevan tarkasti korkeintaan 4 oksaa / oksaryhmä. Rajoitus johtuu siitä, että oksat peittävät osittain toisiaan.
Kuvaelementti, joka tarkoittaa yhden detektorin elementtiä, jota käytetään muuntamaan säteily sähköiseksi signaaliksi.
Sädekimpun aikaansaama kuva pinnalla. Käytetyssä mitta
rissa kuvaussuuntia on kolme ja ne on sijoitettu 120° välein.
Kuvasta laskettujen tietojen sijoittamien laskennalliseen tukkiin.
Tukin pituuden mittaamisessa käytetty, kuljetinketjun kään- töakseliin kiinnitetty anturi. Eri projektioista saadut
mittaustiedot yhdistetään pulssianturin signaalien perusteella.
Tukin päähän ensimmäisellä mittauskerralla piirretty vaaka
suora viiva, jonka avulla kuvaus toistettiin samassa asen
nossa.
Erotuskyky
10"12..10"7 m aaltoalueella oleva säteily. Käytetään tutkitussa laitteessa tukin sisäisten tiheysvaihteluiden tunnistamiseen.
Tukin sahaaminen viipaleiksi, joiden pinnalta oksat mita
taan. Oksat voidaan tarvittaessa yhdistää tietokoneella oksa- malliksi, jolloin tukista voidaan rakentaa kolmiulotteinen malli.
Tukin sisällä olevien vikojen, kuten oksien ja lahon perus
teella määräytyvä laatu.
Oksa, jonka tomografi on löytänyt, mutta jota ei ole löydet
ty tarkastelupinnalta. Oksa sijaitsee kuitenkin oikeassa kohdassa, mutta ei ulotu pintaan asti.
SORT
Sylinteripinta
Tomografia Ultraääni
V aimenemiskerroin Viilumenetelmä
Viipalemenetelmä
Vuosilusto
Sector Oriented ReconsTruction. Käytetyssä laitteessa käy
tetty laskenta-algoritmi, joka perustuu sylinterikoordinaa- tiston käyttöön.
Kokeissa käytetty tarkastelupinta, joka on saatu aikaan sorvaamalla tukki 90 % tukin latvahalkaisijasta olevaan halkaisijaan.
Röntgenviipalekuvaus. Tutkittavan kohteen kolmiulotteisen mallin rakentaminen röntgenmittauksen avulla.
3.4*10"2...3.4*10"7 m taajuudella oleva ääni.
Kerroin, joka kuvaa aineen kykyä vaimentaa säteilyä.
Tukin sorvaaminen viiluksi, jonka pinnalla olevat oksat mitataan. Mitatuista tiedoista voidaan rakentaa kolmiulot
teinen oksamalli.
Tukissa olevien oksien tutkiminen siten, että oksaryhmien kohdat sahataan tukista pois. Saadut palat halkaistaan ok
sien kohdalta siten, että oksien nousukulmat ja pituudet voidaan mitata.
Yhden kasvukauden aikana syntynyt puuaine, joka ympäröi puuta yhtenäisenä vaippana.
Sisällysluettelo Tiivistelmä Abstract Käsitteet Sisällysluettelo Alkusanat
I KIRJALLISUUSOSA... 1
1. Johdanto... 1
1.1 Tutkimuksen tausta... 1
1.2 Tutkimusongelma... 1
1.3 Tutkimuksen tavoitteet... 1
1.4 Tutkimuksen rajaukset...2
2. Vaihtoehtoiset puuta rikkomattomat menetelmät... 2
2.1 Optiset menetelmät...4
2.1.1 Näkyvä valo... 6
2.1.2 Laservalo... 2
2.1.3 Infrapunavalo... 8
2.2 Ultraääni... 9
2.3 Mikroaallot... Ю 2.4 Neutronisäteet... Ю 2.5 Ydinmagneettinen resonanssi... 11
2.6 Gammasäteily... 11
3. Puuta rikkovat menetelmät... 13
4. Röntgensäteiden käyttö tukkien mittaamisessa... 15
4.1 Puun röntgensäteilyyn liittyvät ominaisuudet... 16
4.2 Aineiston kerääminen... 17
4.3 Mittaustiedon käsittely... 18
4.3.1 Poikkileikkauspinnan rakenteeseen perustuva tekniikka... 18
4.3.2 Tilastollisiin sääntöihin perustuva menetelmä...19
4.3.3 ART-algoritmi... 20
4.3.4 Kulmasuodatukseen perustuva menetelmä... 22
4.3.5 Tilastollinen inversioteoria...25
4.3.6 Hermoverkko]äijestelmä... 28
4.4 Muita röntgensäteilyyn perustuvia laitteita... 31
4.5 Käytännön asettamat rajoitukset... 33
4.5.1 Kolmen suunnan kuvaus... 33
4.5.2 Tiedon hyödynnettävyys... 36
5. Sovellutusmahdollisuudet... 37
5.1 Tukkilajittelussa käytetyt kriteerit...41
5.2 Uudet lajittelukriteerit... 42
5.3 Tukin asennon optimointi... 43
5.4 Runkoterminaalit... 43
5.5 Tukin tiheys... 44
6. Käytetty laskentamenetelmä ”SORT”...44
6.1 Käytetty koordinaatisto...45
6.2 Tukin geometrian kuvaus...46
6.3 Projisointivakiot ( Backprojecting coefficients )...47
6.4 Ennakkotiedot puuraaka-aineesta...47
6.5 Todennäköisyysarvon määrittäminen...48
6.6 Kuvien esiprosessointi... 48
6.7 Oksien ja oksaryhmien käsittely...49
II KOKEELLINEN OSA...50
7. Kokonaiskuva tutkimusongelmasta...50
8. Diplomityön keskeisimmät tehtävät...53
9. Aineistoja tutkimusmenetelmät...53
9.1 Tukki aineisto...54
9.2 Tukkien kuvaaminen...55
9.3 Geometrian mittaaminen...55
9.4 Sylinteripintaan perustuvien mittausten suoritus...56
9.4.1 Tukkien paloittelu sorvipölleiksi...56
9.4.2 Pöllien sorvaaminen...56
9.4.3 Sylinteripinnalla olevien oksien mittaaminen... 57
9.5. Käsin mitattujen ja tomografin ilmoittamien arvojen vertaaminen... 58
9.5.1 Oikein nähtyjen oksien lukumäärä...59
9.5.2 Haamu- ja sisäoksat...59
9.5.3 Näkemättä jääneet oksat...60
9.5.4 Oksan laatu... 60
9.5.5 Oksan koko...61
9.5.6 Oksasumma...61
9.5.7 Kolme suurinta oksaa...62
9.5.7.1 Kokojen erotus...62
9.5.12 Oksien laatu...62
9.5.7.3 Oksasumma...62
9.5.8 Tukin geometria...63
9.5.8.1 Tukin tilavuus...63
9.5.8.2 Tukin pituus...63
9.5.8.3 Minimihalkaisija...64
9.5.9 Toistettavuus...64
9.5.10. Pietikäisen väitöskiijassa käytetyt tunnusluvut... 64
9.5.11. Mittausmenetelmien virhetarkastelu... 65
10. Tutkimustulokset...67
10.1 Ensimmäisen koesarjan tulokset...69
10.1.1 Tukin geometria...69
10.1.1.1 Kuoreton latvahalkaisija...69
10.1.1.2 Tukin pituus...71
10.1.1.3 Tukin tilavuus...72
10.1.2 Yksittäiset oksat...73
10.1.2.1 Oikein nähtyjen oksien osuus... 73
10.1.2.2 Haamu- tai sisäoksat...74
10.1.2.3 Näkemättä jääneet oksat...75
10.1.2.4 Oksien laatu...76
10.1.2.5 Oksien koko...77
10.1.2.6 Oksasumma...78
10.1.3 Tukin kolme suurinta oksaa... 79
10.1.4. Vertailuluvut Pietikäisen käyttämiin tunnuslukuihin...81
10.2 Toisen koesaijan tulokset... 82
10.2.1 Tukin geometria...82
10.2.1.1 Latvahalkaisija...82
10.2.1.2 Tukin pituus...83
10.2.1.3 Tukin tilavuus...84
10.2.2 Yksittäiset oksat...84
10.2.2.1 Oikein nähtyjen oksien lukumäärä... 84
10.2.2.2 Haamuoksat...85
10.2.2.3 Näkemättä jääneet oksat... 86
10.2.2.4 Oksien laatu...87
10.2.2.5 Oksien koko...88
10.2.2.6 Oksasumma...89
10.2.3 Tukin kolme suurinta oksaa... 89
10.2.4 Vertailuluvut Pietikäisen käyttämiin tunnuslukuihin...90
10.2.5. Toistokokeet...91
11. Tulosten tarkastelu...92
12. Johtopäätökset...97
13. Yhteenveto... 103
14. Lähdeluettelo... 107
Liitteet...113
Liitteet
Liite 1 Esimerkkituloste röntgenkuvasta yhden projektion perusteella.
Liite 2 Kooste ensimmäisen koesaijan tuloksista ensimmäisellä ohjelmaversiolla laskettuna
Liite 3 Kooste ensimmäisen koesaijan tuloksista toisella ohjelmaversiolla laskettuna
Liite 4 Kooste toisen koesaijan ensimmäisen ajokerran tuloksista Liite 5 Kooste toisen koesaijan toisen ajokerran tuloksista
Liite 6 Kooste toisen koesaijan kolmannen ajokerran tuloksista Liite 7 Kooste toisen koesaijan neljännen ajokerran tuloksista Liite 8 Kooste toisen koesarjan viidennen ajokerran tuloksista Liite 9 Toisen koesaijan tulosten keskiarvot ja -hajonnat
Alkusanat
Tämä diplomityö on tehty Oy Metsä Timber Ltd:n, Enso-Timber Oy Ltd:n ja Yhtyneet Sahat Oy:n muodostamalle konsortiolle. Työ on tehty FWI Wood International Ltd:n, Teknillisen korkeakoulun Puutekniikan laboratorion ja Oy Metsä Timber Ltd:n Vääksyn sahan tiloissa. Työn ohjaajana on toiminut DI Timo Pöljö FWI Wood International Ltd:stä, jota haluan kiittää aktiivisesta työn ohjaamisesta.
Ilman hänen ystävällistä ja asiantuntevaa opastusta työstä tuskin olisi tullut mitään.
Lisäksi haluan kiittää tekn.tri Antti Karia Bintec Oy:stä, DI Kent Westerholmia Modsoft Ab:stä, Markku Adleria Orion yhtymä Medionista ja Juha Hiltusta Vääksyn sahalta avustaja yhteistyöstä työn kuluessa.
Suuri osa kiitoksesta kuluu professori Tero Paajaselle, jolta riitti aina aikaa vastata kysymyksiin ja auttaa ongelmissa.
Lopuksi haluaisin kiittää vaimoani Maijaa ja Eemeli-koiraa ymmärtäväisyydestä ja tuesta työn aikana.
Espoossa 24.11.1997
Ilkka Juvonen
I KIRJALLISUUSOSA
1. Johdanto
1.1 Tutkimuksen tausta
Tukin arvo määräytyy ensisijaisesti siinä olevien oksien ja muiden vikaisuuksien mukaan. Mikäli tukin vikaisuudet tiedetään jo ennen tukin sahaamista tai sorvaamis
ta, voidaan kukin tukki ohjata siihen käyttötarkoitukseen, jossa siitä saatava hyöty on mahdollisimman suuri. Tietokoneviipalekuvauksen eli tomografian käyttöä tukin sisäisen laadun määrittämisessä on tutkittu Suomessa ja muualla maailmassa 1980- luvulta alkaen. Tässä diplomityössä tutkitaan tukkitomografin mittatarkkuutta ja sen käyttömahdollisuuksia tukkilajittelussa. Diplomityön tilaajana on Oy Metsä Timber Ltd:n, Enso-Timber Oy Ltd:n ja Yhtyneet Sahat Oy:n muodostama konsortio.
1.2 Tutkimusongelma
Tukista saatavan sahatavaran laatuun vaikuttavat eniten oksat ja laho. Tomografiassa viat tunnistetaan niiden tiheyden perusteella, joka siis molemmissa tapauksissa poikkeaa oksattoman, terveen puuaineksen tiheydestä ( Kärkkäinen 1985 ). Tutki
muksen kannalta ratkaisevinta on tukin geometrian, oksien lukumäärän, koon ja laa
dun määrittäminen. Edellä mainittujen oksasuureiden lisäksi muita mahdollisesti käytettäviä suureita ovat oksatilavuus prosentteina koko kappaleen tilavuudesta ja oksattoman ydinpuun paksuus. ( Sikanen 1989, Pietikäinen 1996 )
1.3 Tutkimuksen tavoitteet
Tutkimuksen tavoitteena on määrittää kokeellisesti Orion-yhtymä Medionin toimit
taman tukkien röntgenmittauslaitteen Wood-X:n mittatarkkuus, asettaa riittävän mit
taustarkkuuden rajat ja tarvittaessa säätää mittauslaitteistoa yhdessä laitetoimittajan
Lisäksi tavoitteena on löytää uusia, tukin sisäiseen laatuun perustuvia tukin lajitte- lusuureita, joiden avulla tukkilajittelu saadaan paremmin vastaamaan sahan loppu
tuotteiden tarpeita.
kanssa. Mittauskyky ja -tarkkuus määritellään oksakoon ja laadun, sekä tukin geometrian suhteen.
1.4 Tutkimuksen rajaukset
Tutkimuksen kiijallisuusosassa tarkastellaan kaikkia kirjallisuudesta löydettyjä ainetta rikkomattomia mittausmenetelmiä, jotta tarkasteltavan laitteen toimintaa voidaan verrata jo käytössä oleviin tukkimittareiden toimintaan. Kokeellisessa osuudessa tarkastellaan tutkittavan tukkitomografin mittatarkkuutta ja sovellutus
mahdollisuuksia. Manuaalisen mittaamisen työläydestä johtuen käytetyt otokset ovat melko pieniä. ”Oikeana” mittaustuloksena käytetään puuta rikkovilla koemenetel
millä saatuja mittaustuloksia. Käytetty menetelmä on valittu sen käytännönlähei
syyden ja suhteellisen helpon toteutettavuuden vuoksi.
2. Vaihtoehtoiset puuta rikkomattomat menetelmät
Kaikki ei-rikkovat tukkien tutkimismenetelmät perustuvat tukin tutkimiseen jollakin energiamuodolla. Käytetty energiamuoto voi olla joko fysikaalista aaltoliikettä ( valo ja ääni ) tai säteilyenergiaa. Säteilyllä mitataan puun pinnanmuotoa, pintaominai
suuksia tai puun sisäisiä vikoja.
Sähkömagneettinen spektri jakaantuu säteilyn sisältämän energian, värähtelyn taajuuden ja aallonpituuden mukaan eri alueisiin. Oheisessa kuvassa 1 on selvennetty röntgensäteilyn, mikroaaltojen, ydinmagneettisen resonanssin ( NMR ), ultravioletin valon, näkyvän valon ja infrapunavalon sijoittumista spektrille. Röntgensäteily ja gammasäteily sijaitsevat samassa osassa spektriä. Röntgensäteilyssä säteily koostuu
useammasta aallonpituudesta, kun taasen gammasäteilyssä käytetään vain yhtä aallonpituutta. Sähkömagneettisen säteilyn spektri voidaan jakaa seuraavassa kuvassa esitetyllä tavalla (Kuva 1).
Kuva 1. Sähkömagneettisen säteilyn spektri. ( MAOL 1989 )
VTT:n tiedotteessa 1343 ( Merra ja Hemmilä, 1992 ) on esitetty seuraavanlainen taulukko sähkömagneettisen spektrin eri alueiden käyttökelpoisuudesta puun eri ominaisuuksien mittaamisessa.
Taulukko 1. Sähkömagneettisen spektrin eri alueiden käyttökelpoisuus puun eri ominaisuuksien mittaamisessa. ( 1= teoriassa mahdollinen, ei tutkimustietoa, 2=
kehitteillä oleva tai tutkimuskäytössä, 3 = käytössä oleva ja 4 = käytössä oleva, toimivuus todettu )( Merra ja Hemmilä 1992 )
Geometria Oksat Halkea
mat
--- — —-
Lyly? Г——ГТ----—
Kova laho
Pehmeä laho
Röntgen 3 3 1 - 1 - 3
Gamma 2 1 1 - 1 - 1
UV-valo 4 3 - i 1 1 1
Näkyvä valo
4 3 3 3 2 2 3
Laser 4 3 3 1 2 2 3
IR-valo 4 3 3 1 1 1 1
Mikro
aalto
1 3 1 ■ 1 1 1
Radio
aalto
- - - - - -
NMR 2 2 2 - 2 2 2
Jotta mittarilta saatua tietoa voitaisiin verrata oksiin tai muihin puun ominaisuuksiaan, täytyy tukki hajoittaa osiksi. Luvussa 3 on tarkasteltu kirjallisuu
dessa esille tulleita puuta rikkovia mittausmenetelmiä.
2.1 Optiset menetelmät
Optisilla menetelmillä tukin sisäinen laatu pyritään määrittämään puun pinnalla näkyvien ominaisuuksien , kuten oksien ja kyhmyisyyden perusteella. Puussa olevien vikojen tunnistamiseen käytetään joko lasersädettä tai fluoresoivaa valoa.
Menetelmissä signaali voi olla joko kohteen heijastama tai kohteen lähettämä valomäärä. Edellämainituista heijastuvan signaalin käyttö on yleisempää.
Heijastuvan valoenergian määrään vaikuttaa kaksi tekijää. Ensimmäinen tekijä on kohteen heijastuvuus, eli kohteeseen osuvan ja siitä heijastuvan valon energian suhde. Toinen vaikuttavan tekijä on heijastustyyppi, joka voi olla joko peiliheijastu
va, hajaantunut tai näiden yhdistelmä.
Optisten menetelmien käyttö teollisissa sovellutuksissa on yleistynyt voimakkaasti viime vuosina. Optisella menetelmällä pyritään korvaamaan ihmisen silmä-aivot yhdistelmä. Kone muodostaa kuvan väri, kirkkaus- tai harmaasävyjen mukaan.
Optisten menetelmien etuna on se, että kaikki näkyvät viat pystytään yleensä havaitsemaan. Sahatavaran mittauksessa puuaineksen vikaisuuksien lisäksi yleensä tunnistetaan myös prosessissa aiheutuneet työstövirheet kuten vajaasärmä, repeymät, halkeamat ja työstämättä jääneet kohdat. Vikojen tarkempaan tunnistukseen, kuten eri oksatyyppien erottamiseen tarvitaan optisen järjestelmän lisäksi muita menetelmiä, esimerkiksi mikroaalto- tai ultraäänimenetelmiä. Suurimpana ongelma
na optisten menetelmien käytössä on sopivien ja halpojen kuvankäsittelymenetelmien puute. ( Merra ja Hemmilä 1992 )
Alla olevaan taulukkoon (Taulukko 2) on kerätty Brodinin ( 1989 ) tutkimuksesta saatuja tietoja, joiden avulla valoon perustuvia kaupallisessa käytössä olevia laitteista
voidaan verrata. Vertailun vuoksi mukaan on lisätty gammasäteilyyn perustuvan Tina II laitteen arvot.
Taulukko 2. Erityyppisten tukkimittareiden arvoja. ( Brodin 1989 ) ---1----"И---
Elmes Optilog Rema (9000) Tina II
Mittaussuuntia 1-3 1-3 1-2 2
Mittausalue (mm) 600 tai 800 680 700 0-450
Erotuskyky, halkaisija(mm)
1 1 1 1
Mittaustiheys (mitt/s) 0-35, 70 tai 105
0-200 0-140 100
Kuljetinnopeus (m/s) 1.8 2 5 2
Mittaustapa laservalo valo, kamera Infrapunavalo Gamma
säteily TEKES:in tukkien tehdasmittausprojektissa vertailtiin kolmen eri valmistajan tukkimittareita vertailumittauksella saatuun arvoon. Elmes-mittarilla mitattiin sulan puun aikana 80 mäntytukkia, RemaControlin mittarilla 96 kuusitukkia ja Scanlog- mittarilla 45 kuusitukkia. Mittareiden antamia arvoja verrattiin käsin suoritettuun vertailumittaukseen, jossa tukit mitattiin 1 m välein tukkisaksilla.
Kuva 2. Tukkimittareiden keskimääräinen erotus vertailumittaukseen nähden ja erotuksien hajonta. ( Kantola, 1993 )
Kuvasta 2 voidaan päätellä mittausten hajontojen olevan virheen keskiarvoon nähden suuria. Virheen keskimääräinen suuruus oli paras infrapunavaloon perustuvalla
Rema-mittarilla, mutta silläkin hajonta oli suuri. Valo-kamera-ratkaisuun perus
tuvalla Scanlogilla sekä keskimääräinen virhe, että virheen hajonta olivat muita tarkasteltuja mittareita suuremmat.
2.1.1 Näkyvä valo
Silmin nähtävän valon aallonpituus vaihtelee 380 nm ja 760 nm:n välillä. Tyypillinen näkyvän valon aallonpituudella toimiva optinen mittausjärjestelmä koostuu CCD- rivikamerästä ( Charge-Coupled Device ) ja soveltuvasta valonlähteestä. CCD- kamera koostuu 100 - 5000 diodista, jotka muuntavat niihin osuneen valon sähkösignaaliksi, jonka voimakkuus on verrannollinen diodiin osuvan valon voimakkuuteen. Valaistusvoimakkuutta säätämällä voidaan kameran valotusaikaa lyhentää jopa 0.1 ms:iin. Melko vaatimattomalla 10 tukin otoksella optisen mittausjärjestelmän todettiin tuovan noin 7.5 % saannon parannuksen ihmisen arvioimaan verrattuna. ( Merra ja Hemmilä 1992, Zhu et ai. 1996, MAOL 1989 )
Tyypillinen sovellus näkyvään valoon perustuvasta, kameroiden avulla toimivasta mittalaitteesta on Op tilog- mittari (Kuva 3). Optilog-mittarissa kuv aussuuntia voi olla yhdestä kolmeen. Yhdellä kuvaussuunnalla saadaan selville tukin halkaisija, pituus, tilavuus, seka latva- ja tyvikartiokkuus. Kahdella kuvaussuunnalla saadaan selville edellä mainittujen lisäksi koko tukin kartiokkuus ja rungon soikeus. Kolmella kuvaussuunnalla saadaan edellä mainittujen lisäksi parempi arvio rungon soikeudesta. ( Brodin 1989 ).
Kuva 3. Kuvan muodostaminen Optilog-mittarilla vastavalon, linssin ja kameran avulla. A on valonlähde, В on linssi ja C on kamera. Linssin ansiosta tukin etäisyyden kameraan ei tarvitse olla vakio.
2.1.2 Laservalo
Laservaloon perustuvaan sovellutusta on käytetty Yhdysvalloissa ja Englannissa vinosyisyyden mittaamiseen. Vinosyisyyden perusteella on arvioitu tukin laatua ja oksien sijaintia.
Tyypillinen laservaloon perustuva menetelmä on Elmes-tukkimittari (Kuva 4), jossa laservalo johdetaan pyörivän prisman avulla kaarevan peilin kautta mittaramppiin.
Menetelmällä voidaan yhden - kolmen mittaussuunnan avulla määrittää tukin pituus, halkaisija, soikeus, kierous ja kyhmyisyys.( Brodin 1989, Merra ja Hemmilä 1992 )
Kuva 4. Tukin mittaaminen Elmes-mittarilla laservalon, kaarevan peilin ja mittarampin avulla.
2.1.3 Infrapunavalo
Infrapunavalon aallonpituus vaihtelee 0.01 mm ja 1 mm:n välillä. Infrapunavalon käyttö perustuu puun tiheyserojen vaikutukseen lämpökapasiteettiin, sekä halkeamissa olevan ilman poikkeavaan lämpötilaan. Teoriassa männyn pinta- ja sydänpuun erottaminen on myös mahdollista. Menetelmää on tutkittu mm. Saksassa Dresdenin yliopistossa, Ranskassa CTBA:ssa, sekä Suomessa VTT:n Puutekniikan laboratoriossa. Lämmitys- ja mittausmenetelmät ovat kuitenkin poikenneet toisistaan.
Käytettäessä puun läpi meneviä aaltoja on mahdollista löytää myös puun sisällä olevat oksat. Koska puun sisältämä kosteus vaikuttaa voimakkaasti lämpöominaisuuksiin, eräs yleisimmistä infrapunalaitteiden käyttökohteista on puun kosteuden mittaaminen. ( Merra ja Hemmilä 1992, MAOL 1989 )
Tyypillinen sovellus infrapunavalon käytöstä tukkien mittaamisessa on Reman 9000- saijan tukkimittarit (Kuva 5). Rema 9002-mittarilla mittaussuuntia voi olla yksi tai kaksi, mitattavan tukin suurin halkaisija voi olla suurimmillaan 700 mm.
Kuva 5. Kuvan muodostus RemaControIin mittarilla infrapunavalon avulla.
Todellisuudessa säteitä on huomattavasti tiheämmässä.
2.2 Ultraääni
Ultraääneksi kutsutaan ihmiskorvan kuuloalueen yläpuolella, yli 20 000 Hz:n taajuudella olevaa ääntä. Ultraäänen käyttö vikojen tunnistuksessa perustuu siihen, että ultraäänisäteen etenemiseen vaikuttavat puun akustiset ominaisuudet, jotka muuttuvat tiheyden mukana. Akustisten ominaisuuksien vaihtelu voi tuottaa joko heijastuksen, taittumisen, aaltovaiheen muuttumisen, aallon taipumisen tai yhdistelmän edellisistä. ( Merra ja Hemmilä 1992 )
Yhdysvalloissa ultraäänen käyttöä puun vikaisuuksien mittaamisessa on tutkittu 1960-luvulta lähtien ( Cox & Bulgrin 1969 ). Schmoldt et ai. 1993 tutki ultraäänen käyttöä kuormalavoihin käytettävien tammilankkujen sisäisen laadun tutkimisessa.
Tutkimuksen lopputuloksena päädyttiin jatkotutkimuksiin, joissa tutkittiin 84 KHz, 0.5 MHz ja 1.25 MHz taajuuksien käyttöä. Lisäksi suunnitelmiin kuului tutkia aiemmissa kokeissa tutkitun äänen nopeuden vaihtelua lisäksi tutkia amplitudin ja aaltomuodon muutoksia. T-testin tuloksena parhaaksi taajuudeksi saatiin 84 Khz.
Tällä taajuudella saatiin oksat ja muutosalue niiden ympärillä selvästi parhaimmalla todennäköisyydellä tunnistettua. Kahdesta korkeamman taajuuden omaavasta
laitteesta todettiin kokeiden toistettavuuden olevan heikommat kuin 84 Khz laitteella.
Menetelmiä ja otosta muuttamalla tuloksista voitaisiin saada parempia.
Loppulauseena todettiin, että ultraääni tuskin yksinään tulee olemaan toimiva ratkaisu, mutta yhdessä jonkin muun mittaustavan kanssa saattaisi olla varteenotettava vaihtoehto. ( Schmoldt et ai. 1993, 1996 )
2.3 Mikroaallot
Mikroaallot ovat elektromagneettisia aaltoja, joiden aallonpituus on 0.1 - 1 m ja taajuus 300 Mhz - 300 Ghz. Kuten röntgensäteilläkin, mikroaaltojen vaimeneminen perustuu aineen eri osien erilaiseen heijastus-, taittumis- sironta-ja absorptiokykyyn.
Puuaineen tutkimisessa mikroaaltoja on käytetty puussa olevien vikojen tunnistamiseen, tiheys- ja kosteusjakauman selville saamiseksi, sekä dimensiomittaukseen. Mikroaaltotekniikan vahvuus on kyky tunnistaa viat terveestä puuaineksesta. Suurin puute on kyvyttömyys erottaa eri viat toisistaan. Vikojen tunnistaminen perustuu tyypillisesti puuaineksen dielektrisyyden tai tiheyden paikallisiin muutoksiin. ( Merra ja Hemmilä 1992 )
2.4 Neutronisäteet
Neutronisäteillä mittaus muistuttaa hyvin paljon röntgensäteillä mittaamista. Säteilyn sironta on pienempi kuin röntgensäteilyllä ja sen tunkeutumiskyky aineen läpi on hyvä. Suurin osa käytännön sovellutuksista perustuu neutronilähteen tuottaman valon aikaansaamiseen termisiä neutroneja säteilyttämällä. Näyteaineen läpi tullut säteily mitataan ja sen perusteella määritetään tiheyden vaihtelu näytteessä.
Neutronisäteily soveltuu jatkuviin mittausprosesseihin ja sillä voidaan tunnistaa vikoja myös puuaineksesta. ( Merra ja Hemmilä 1992 )
2.5 Ydinmagneettinen resonanssi
Ydinmagneettisessa kuvauksessa käytetään atomiytimiä, joiden spinkvanttiluku ei ole nolla ja joilla siis on magneettinen momentti. Menetelmässä käytetään hyväksi voimakkaan ulkoisen magneettikentän ja kohteeseen johdetun muuttuvan suurtaajuusaallon aikaansaamaa säteilyä. Analysoimalla kohteen läpi tullutta säteilyä, voidaan muodostaa kaksiulotteinen kuva kohteesta. Menetelmällä voidaan mitata kappaleen kosteusprofiili ääriviivoineen.
Uudentyyppisellä NMR-menetelmällä saadaan puusta kuva, josta voidaan erottaa mm. vuosilustot, sydänpuu ja oksat. Menetelmä mahdollistaa oksien tilavuuden, muodon ja sijainnin mittaamisen. Menetelmän ongelman on sen hitaus, monimutkainen tekniikka ja kallis hinta. ( Merra ja Hemmilä 1992, Tiita 1992 )
2.6 Gammasäteily
Gammasäteily eroaa röntgensäteilystä siten, että gammasäteilyssä käytetään vain yhtä aallonpituutta, kun taas röntgensäteilyssä käytetään säteilyspektriä. VTT:n Puulaboratoriossa on tutkittu gammalaitteen käyttöä puun sisäisten kosteus- ja tiheysvaihteluiden mittauksessa. Käytetty laite oli laboratoriomittakaavan laite, jossa käytettävän näytteen maksimipituus on 1050 mm, maksimileveys 350 mm ja maksimipaksuus 70 mm. Mittausnopeus on maksimissaan 4.4 m/s. Käytetyllä laitteella puun tiheyden virhe on suoraan verrannollinen näytteen paksuuden mittauksessa tapahtuneeseen virheeseen. Esimerkiksi 7 cm paksulla näytteellä 2 mm virhe kappaleen paksuuden mittaamisessa aiheuttaa noin 15 kg/m3 virheen tiheyteen.
Puolen vuoden käyttökokemuksella laitteen toimintaan oltiin tyytyväisiä. Laitetta oli käytetty lähinnä maalien ja puun jatkoskappaleiden kosteuskäyttäytymisen, sekä oksien ja tuoreen puun tiheyserojen tutkimiseen. Laitteiston hitaudesta johtuen laite ei sovellu suurien koesarjojen mittaamiseen, mutta sillä voisi olla käyttöä pienten laboratoriokokeiden suorittamisessa. Eräs mahdollinen käyttökohde voisi olla
Ruotsalaisen RemaControl Ab:n Tina- tukkilajittelijassa on käytetty gammasäteilyä tukin kuorettoman tilavuuden mittaamiseen jo yli kymmenen vuoden ajan. Laitteisto mittaa tukin kuorettoman tilavuuden ja laskee sille ”hyvyysluvun”, jonka on kokemuksen perusteella todettu korreloivan tukin oksaisuuden kanssa. Tina mittaa tukin kahdesta suunnasta. Säteilylähteenä käytetään l92Ir ( Iridium ) -säteilylähdettä, joka lähettää gammasäteilyä.
Tukki mitataan keskimäärin 100 kertaa minuutissa 2 m/s ratanopeudella, jolloin mittauskohtien väliin tulee noin 20 mm rako. Mittausalue on 0 - 450 mm ja mittaustarkkuus pituusmittauksessa 3 cm ja halkaisijan mittauksessa 1 mm. Oksien ja halkaisijan mittaaminen perustuu säteilyn intensiteetin vaimenemiseen eri tavalla puun eri osissa.
Saaduista mittaustiedoista lasketaan kuoreton latvaläpimitta, lenkous ja lenkouden sijainti, kartiokkuus, pituus, latva- ja kokonaistilavuus, sekä soikeus. Muita mahdollisia laskettavia arvoja ovat kuoren tilavuus, pinta- ja ydinpuun tilavuudet, oksapuu, lahoja toukanreiät. Edellä mainitut arvot ovat vanhalle Tina-mittarille, uusi malli on kehitteillä, mutta siitä ei ole saatavilla tarkkoja arvoja. Uudella Tina- mittarilla vanhat säteilylähteet on vaihdettu nykyaikaisempiin, kestävämpiin teollisuusröntgenputkiin, joiden huolto- ja vaihtovälit ovat pidemmät kuin vanhoilla laitteilla. Laitteen mainostetaan havaitsevan oksat, korot, halkeamat ja lahoviat ja laskevan mitattujen tietojen perusteella tukille hyvyysluvun. ( Merra ja Hemmilä,
1992 , Brodin 1989, RemaLog Tina-laite-esite, 1997 )
tuoreen ja lahon oksan rajan määrittäminen oksan muutosalueelta, sekä oksa-alueen tarkan tiheysvaihtelun tutkiminen.
3. Puuta rikkovat menetelmät
Jotta puuta rikkomattomilla menetelmillä saatuja tuloksia voitaisiin verrata puun todellisiin ominaisuuksiin, täytyy tukki hajoittaa osiksi. Johan Oja viittaa 1996 valmistuneessa tutkimuksessaan kolmeen erilaiseen tukin rikkovaan menetelmään.
Ensimmäinen menetelmistä on kehitetty jo 1930-luvulla ( Koehler 1936 ).
Menetelmässä tukki katkaistaan oksaryhmän yläpuolelta viipaleiksi. Viipaleet halkaistaan edelleen siten, että kunkin oksan poikkileikkaus saadaan mitattua. (Kuva
6)
Kuva 6. Kolmen oksan mittaustavan vertailu. Viipalemenetelmä. sahemenetel- mä ja viilumenetelmä.
Toinen menetelmä perustuu myös tukin sahaamiseen, mutta siinä tukki läpisahataan ohuiksi sakeiksi, jolloin oksat voidaan mitata sakeiden pinnalta. Eri saheissa olevat oksat yhdistetään menetelmässä yhdeksi oksaksi oksamallien ja tietokonealgoritmien avulla. Menetelmää on käytetty mm. VTT:n tutkimuksissa, joissa oksat mitataan digitointipöydällä siten, että oksien koordinaatit saadaan suoraan tietokoneen muistiin.
Kolmas menetelmä perustuu tukin sorvaamiseen. Tukki sorvataan viiluksi ja oksat mitataan viiluista. Myös tässä menetelmässä tarvitaan oksamalleja ja laskenta-algo
ritmeja oksien geometrian määrittämiseksi.
Ojan tutkimuksen tilastollisessa tarkastelussa käytettiin kahta ensimmäistä menetel
mää. Viipalemenetelmässä yhden tukin sahaaminen, viipalointi ja mittaaminen kestää noin 4 - 5 tuntia. Sahemenetelmässä yhden tukin sahaaminen ja kuvaaminen vei noin
2 tuntia. Viilumenetelmässä vastaava aika oli noin 20 tuntia/tukki. Viilumenetelmän vaatimasta suuresta työmäärästä johtuen tutkimuksessa käytettiin vain yhtä tukkia viilumenetelmällä. Tästä johtuen siitä saatu aineisto on pieni ja johtopäätökset epä
varmoja. (Oja 1997 )
Tutkimuksen yhteenvedossa sahemenetelmän todettiin löytävän paremmin sekä isot, että pienet oksat, mutta viipalemenetelmällä oksan halkaisijan ja pituuden sekä kuolleen oksan rajan määrittäminen oli tarkempaa.
Tässä diplomityössä oli tarkoitus käyttää muunnoksia viilumenetelmästä ja sahemenetelmästä. Viilumenetelmää sovelletaan siten, että tukki sahataan pölleiksi, jotka sorvataan läpimittaan, joka vastaa 90 % tukin latvaläpimitasta. Tämä pinta vastaa käytetyn ohjelmiston käyttöliittymän antamaa sylinteripintaa.
Kuva 7. Tukista 2 sahattu pölli, joka on sorvattu sylinteripinnaksi, joka vastaa 90 % tukin latvaläpimitasta. Pölliin merkitty järjestys tukissa ( neljäs pölli latvasta ) ja kiertokulma 90° välein.
Sahemenetelmää oli tarkoitus soveltaa siten, että tukki sahataan 2-EX-log asetteella pelkäksi, jonka pintaa tarkastellaan. Menetelmä valittiin sen käytännönläheisyyden ja
helpon toteutettavuuden vuoksi. Laitteen kehitystyön hitauden vuoksi saheiden tekemisestä jouduttiin luopumaan.
4. Röntgensäteiden käyttö tukkien mittaamisessa
Röntgensäteilyn aallonpituus vaihtelee 1 pm ja 1 pm:n välillä ja energiataso 104 eV:n ja 106 eV:n välillä. Karkealla tasolla tomografilaitteiden toiminta jakaantuu seuraavalla tavalla: signaalin lähettäminen, signaalin vastaanotto, saadun tiedon esikäsittely, kuvan muodostus, vian koon, sijainnin ja laadun tunnistus ja kappaleen laadun määrittäminen.
Kuvan muodostus
Saadun tiedon esikäsittely
Signaalin
vastaanotto
Signaalin lähettäminen
Vikojen tunnistaminen
Kuva 8. Periaatekuva tukkiröntgenin toiminnasta
Mittaukset voidaan tehdä eri projektiomäärällä ja eri suunnissa. Tutkitussa laitteistossa on päädytty kolmen projektion käyttöön (Kuva 9).
Kuva 9. Periaatekuva kaksiulotteisen kuvan muodostamisesta kolmen projektion avulla. ( Schmoldt 1996 )
Liitteessä 1 on esitetty käytetyllä laitteistolla saatu yhden projektion röntgenkuva tukista. Oksat erottuvat vaaleampina alueina.
4.1 Puun röntgensäteilyyn liittyvät ominaisuudet
Pietikäinen viittaa väitöskirjassaan Viitaniemen tutkimukseen, jossa absoluuttisen kuivan puun tyypillisen kemiallisen rakenteen todetaan oleva: 50.4 % hiiltä, 42.5 % happea, 6.2 % vetyä ja 0.5 % typpeä. Männyn kuivatiheyden todetaan olevan noin 500 kg/m3 rungossa ja noin 950 kg / m3 oksissa. Samassa Viitaniemen tutkimuksessa todetaan keskimääräisten kosteuksien olevan seuraavanlaisia: oksa pintapuussa 21%, oksa sydänpuussa 18 %, pintapuu 88% ja sydänpuu 20%. Kosteus on määritelty kuivaus-punnitusmenetelmällä kaavalla:
Kosteus = m,uore * 100 (Kaava 1)
тЫт
Oksien ja sydänpuun kosteus on siten melko alhainen ja siinä ei ole suuria vaihteluita. Pintapuun kosteus on huomattavan suuri ja se vaihtelee 80 %:n ja 180
%:n välillä. Edellämainituista luvuista on laskettu puun tiheydet ja kemialliset
koostumukset. Tiheyttä laskettaessa on huomioitu puun 13.5 %:n turpoaminen. Eri alkuaineille on saatavana taulukkotietona energian vaimenemiskertoimet eri energia
tasoilla. Tiheyksien, puun kemiallisen rakenteen ja alkuaineiden vaimennusker- toimien avulla on laskettu seuraavat arvot (Taulukko 3):
Taulukko 3. Arvioidut lineaariset energian vaimenemiskertoimet oksissa ja puussa. ( Pietikäinen 1996 )
Vedyn ja typen vaimennuskertoimet ovat molemmat pieniä ja samaa suuruusluokkaa.
Ne eivät vaikuta merkittävissä määrin säteilyenergian vaimenemiseen. Suurin osa vaimenemisesta tapahtuu hapessa ja hiilessä. Tämä aiheuttaa ongelmia, sillä pintapuu kykenee sitomaan enemmän vettä kuin sydänpuu tai oksat. Tällöin pintapuun sisältämä runsas kosteus vaikeuttaa oksien löytämistä.
4.2 Aineiston kerääminen
Tomografimittaus perustuu yhden tai useamman röntgensäteilijän lähettämän säteilyn vastaanottamiseen detektoreilla. Kuvan muodostus perustuu säteilyn vaimenemiseen voimakkaammin suuremman tiheyden omaavissa aineissa.
Sairaalakäytössä olevissa tomografeissa käytetään yleisesti yhtä lähetintä ja yhtä detektoria, mutta niitä pyöritetään kuvattavan kohteen ympäri siten, jolloin saadaan jopa satoja projektiota. Tukkien läpivalaisussa Grundberg ja Grönlund käyttivät kahta lähetin-detektoriparia. Useimmissa muissa kokeissa on päädytty kolmeen lähetin-detektoripariin. Kolmella lähetin-detektoriparilla on todettu saatavan paras taloudellisesti saavutettavissa oleva tulos.
4.3 Mittaustiedon käsittely
Mitatun tiedon käsittelytavat voidaan jakaa monella eri tavalla riippuen siitä, mitä piirrettä halutaan korostaa. Yleisimmin käytetty jaottelu jakaa vikojen tunnistusmenetelmät tilastollisiin ja rakenteeseen perustuviin menetelmiin. Toinen yleisesti käytettyjäkö jakaa menetelmät hermoverkkoihin perustuviin menetelmiin ja klassisiin tilastollisiin menetelmiin.
4.3.1 Poikkileikkauspinnan rakenteeseen perustuva tekniikka
Funt ja Bryant tutkivat 1980-luvun lopulla tekniikkaa, jossa kutakin tomografiviipaletta tutkittiin erikseen. Viipaleista ei vielä tässä vaiheessa siis yritetty muodostaa kolmiulotteista kuvaa. Ohjelma jakoi pinnan neljään eri kategoriaan.
Kukin mittauspiste määriteltiin joko ilmaksi, osittain lahoksi puuksi, terveeksi puuksi tai oksaksi. Oksien eri tyyppejä ei siis eritelty. Luokkien rajat etsittiin laskemalla tiheyskäyrälle ensimmäisen, toisen ja kolmannen asteen derivaatat. Kun kuva oli muodostettu tarkasteltiin kunkin ” vian ” muotoa. Tässä vaiheessa ohjelma laski oksiksi määritellyt alueet kunkin yhdeksi oksaksi ja suodatti oksan keskelle mahdollisesti jääneen tyhjän pois. Oksan keskiakseli ja sen suunta puun ytimen suhteen laskettiin. Oksat oletettiin likipitäen ellipsin muotoisiksi alueiksi, jotka lähtevät puun ytimestä ja ulottuvat puun pinnalle. Satunnaisten kosteuden vaihteluiden arveltiin esiintyvän yleensä ytimen ympärillä kehällä, joten kehän muotoiset korkeamman tiheyden omaavat alueet nimettiin kosteuden vaihteluksi.
Suuret vaihtelut kehän tiheydessä ilmaisivat ohjelman mukaan lahoa. Vuosirenkaan löytämiseksi ohjelma laski paikalliset keskiarvotiheydet ja vertasi kutakin mittauspistettä paikalliseen keskiarvoon. Kokeissa keskityttiin tutkimaan kuinka kosteuden vaihtelu vaikuttaa kuvan tulkintaan. Ohjelma antoi tulosteena yksiulotteisen poikkileikkauskuvan, ei siis kolmiulotteista kuvaa koko tukista. ( Funt ja Bryant 1989 )
4.3.2 Tilastollisiin sääntöihin perustuva menetelmä
Vikojen tunnistamiseen käytetään muuttujia, joiden käyttäytyminen tukin geometrian suhteen tunnetaan. Zhu et ai. 1991 on käyttänyt vikojen tunnistamiseen viittä muuttujaa: puun tiheyden vaihtelu, tiheyden varianssi, etäisyys puun pinnasta, rajapinnat ja tilavuus.
Kuten kaikissa muissakin tomografiaan perustuvissa menetelmissä, myös tässä menetelmässä vikojen tunnistus perustuu puuaineen tiheyden vaihteluun rungon eri osissa. Tiheydelle lasketaan keskiarvo, jonka avulla tervettä puuaineesta tiheämmät, eli enemmän säteilyä absorboivat oksat tunnistetaan.
Karkealla tasolle ohjelman toiminta jakaantuu seuraaviin osiin: 1) kaksiulotteisten kuvien yhdistäminen kolmiulotteisiksi tilavuuksiksi 2) mahdollisten vikojen rajojen löytäminen vikojen tunnistusta varten 3) todennäköisyysarvojen laskeminen vioille 4) eri ominaisuuksien jäljestäminen riippumattomiin ja lyhyisiin sääntöihin ja 5) sääntöjen käyttäminen vian tunnistamiseen. Vikojen tunnistuksessa käytetään seuraavaa neljään muuttujaan perustuvaa menetelmää. Muuttujia kuvataan suureilla VAR, DIST, TOUCH ja VOLM.
Tiheyden ja havaittujen poikkeamien keskihajonnat lasketaan, jolloin saadaan muuttuja VAR. Esimerkiksi puun kuorella ja oksilla on eri varianssit. Kullekin vialle lasketaan minimietäisyys ( DIST ) puun pinnasta ja ytimestä. Tietoa käytetään esimerkiksi kuoren tunnistamiseen, sillä luonnollisesti kuorella on suuri etäisyys puun ytimestä. Lisäksi lasketaan koskettaako ( TOUCH ) vika jotakin rajapintaa, kuten ilmaa. Tietoa käytetään esimerkiksi oksien tunnistamiseen. Viimeinen käytettävä suure on tilavuus ( VOLM ). Terveellä puuaineksella oletetaan olevan suurin tilavuus. ( Zhu et ai. 1991 )
4.3.3 ART-algoritmi
Suurin osa pienellä projektiomäärällä toimivista algoritmeista on iteratiivisia.Yleisin iteroivista menetelmistä on ns. ART-tyyppinen algoritmi ( Algebraic Reconstruction Technique ), joka koostuu yksinkertaisimmillaan seuraavista osista (Kuva 10):
Luodaan laskemalla arvio
kuvasta
Hyväksytään tulos Luodaan kuva kuvatusta kohteesta mittausbetojen
perusteela
Kuva 10. ART-tyyppiseen laskenta-algoritmiin liittyvä päätöksentekoketju.
1) Luodaan kuva kuvatusta kohteesta mittaustietojen perusteella; 2) Luodaan laskemalla arvio kuvasta 3) Verrataan alkuperäistä kuvaaja laskettua kuvaa toisiinsa 4) Korjataan arviota 5) Jatketaan vertaamista iteratiivisesti. Eri variaatiota on kehitetty sekä pikselitarkan kuvan laskemiselle, että napakoordinaatistoon perustuville ratkaisuille. Sikanen on verrannut tutkimuksessaan eri menetelmiä keskenään.
Sikanen vertasi tutkimuksessaan useaan projektioon perustuvaa versiota ART- algoritmista ( MART ) maksientropia algoritmi-menetelmään ( MENT ) ja erääseen ei-iteroivaa menetelmään. Vertailu suoritettiin simuloidulla aineistolla. Aineisto kuvasi puurungon rakennetta ja koostui ympyrän ja ellipsin muotoisista alueista.
Kustakin alueesta määriteltiin keskipiste, säde/säteet ja vaimenemiskerroin. Kukin mittaus simuloitiin viivaintegraalina ja kuvan laatua arvioitiin vertaamalla simuloitua
kuvaa algoritmilla aikaansaatuun kuvaan. Menetelmien vertailussa käytettiin kolmea suuretta: normalisoitua etäisyyden keskihajontaa, normalisoitua keskietäisyyttä ja pahimman tapauksen suurinta erotusta, joka kuvasi isointa menetelmästä johtuvaa erotusta 2*2 pikselin alueella.
Algoritmeja verrattaessa MENT-menetelmän havaittiin tuottavan kuvaan vähemmän juovia. Iteratiivisten menetelmien todettiin antavan paremman kuvan. Ei-iteroivissa menetelmissä pienen projektiomäärän aiheuttama juovaisuus voidaan välttää vain joko vähentämällä kuvan kontrastia, jolloin hukataan yksityiskohtia, tai käyttämällä useampia projektiota. Ilmiö esiintyi voimakkaimmin pienillä kohteilla, joilla oli korkea kontrasti. Lisäksi MENT-menetelmä tuotti tasaisemman kuvan. Tutkimuksen perusteella säteilylähteen tulisi olla mahdollisimman lähellä kuvattavaa kohdetta ja säteilylähteiden olla tasaisesti jakautuneet kohteen ympärille.
Tutkimuksessa todettiin ettei kolmella projektiolla voida kyseisillä laskentamenetelmillä saavuttaa yksittäisen oksan tunnistamiseen vaadittavaa mittaustarkkuutta. Kun kriteeriksi asetetaan 1 cm läpimittaisen oksan löytäminen, ei kolmen projektion menetelmä periaatteessa anna tarpeeksi hyvää kuvaa.
Tutkimuksessa ehdotettiin kuuden projektion käyttöä, jolloin havaitsemattomien oksien lukumäärä vähenisi huomattavasti.
Laskentateknisesti projektioiden pieni lukumäärä mahdollistaa käänteismatriisin luomisen suoraan, toisaalta tietokonetomografiassa tavallisesti käytetty neliömatriisin käyttö aiheuttaa laskujen muodostumisen hyvin monimutkaisiksi. Ei-iteroivat algoritmit ovat nopeita, mutta ne vaativat vakiogeometrian ja niiden toimintaa rajoittavat mahdolliset virhelukemat. ( Sikanen 1989, Lehtinen & Markkanen 1995 )
4.3.4 Kulmasuodatukseen perustuva menetelmä
Pietikäinen ( 1996 ) tuli siihen lopputulokseen lisensiaattityössään, että pienellä projektiomäärällä on täysin mahdotonta päästä tarkkaan, pikselitason kuvaan.
S air aal atomografiassa käytetään satoja eri kuvaussuuntia, kun taasen sahateol
lisuuden käyttöön soveltuvat laitteet on nykyisen mielipiteen mukaan rajattu kolmeen projektioon. Pietikäinen on käyttänyt kuvan muodostukseen ns. SORT-metodia ( Sector Orinted ReconsTruction ). Metodia kehitettäessä asetettiin kolme olettamusta:
1 “Oksien suunnat kolmiulotteisessa avaruudessa voidaan päätellä projektiossa näkyvistä oksavektoreista. Oksien loppumispisteiden määrittäminen osoittautui kuitenkin siinä määrin vaikeaksi, että hypoteesista luovuttiin. Aune & So ( 1989 ) ovat patenttihakemuksessaan esittäneet teorian, jonka mukaan useammalla kuvansuodatuksella voidaan ongelma poistaa. Pietikäisen kokeet eivät tukeneet väitettä. Otettuani yhteyttä Jan Auneen hän totesi itsekin luopuneensa useampikertaisen kuvansuodatuksen käytöstä ja palanneensa kaksiulotteisen hahmontunnistuksen kautta kolmiulotteiseen oksien mallintamiseen.
2° Kolmen säteen rajaamat alueet määrittelevät yksinkertaiset viat kuten oksat.
Ongelmana on pienten oksien näkyminen yhtenä suurempana oksana. Lisäksi esimerkiksi pintapuun kosteusvaihtelut saattavat aiheuttaa sen, että oksa näyttäisi katkeavan välillä, eli oksa näkyy epäjatkuvana. Edelleen Aune & So:n mielestä ongelma on ratkaistavissa suodattamalla mittausdata useampaan kertaan, mutta Pietikäisen havainnot eivät tue väitettä. Täten myös 2. hypoteesi hylättiin.
3° Siedettävän tasoisia poikkileikkauskuvia voidaan saada käyttämällä kulmasuo- datusta. Olettamus perustuu tietoon, että oksat alkavat ytimestä ja kasvavat kartio- maisesti pintaa kohden.
Pietikäisen strategia kuvan muodostamiseksi oli lyhyesti seuraavanlainen:
1. Kuvaa ei yritetä muodostaa pikseli pikseliltä vaan etsitään tilavuuksia, jotka muistuttavat ennakkokuvaa oksien geometriasta. Napakoordinaatistoa käytetään apuna kuvan muodostamiseen.
2. Mitattu tieto pakataan mahdollisimman nopeasti konekapasiteetin säästämiseksi.
Yhden tukin mittausdata on useita megabittejä, joten ei-iteroiva prosessi, joka ei laske pikselintarkkaa kuvaa on laskennan kannalta toivottava.
3. Aikaisempaa tietoa oksien geometriasta, tiheydestä ja kosteudesta rungon eri osissa käytetään hyväksi.
4. Sumeaa logiikkaa käytetään päätöksien tekemiseen. Päätökset tehdään tällöin epätäydellisen datan perusteella.
5. Saadun tuloksen luotettavuutta tarkastellaan.
Kuva 11 selventää termiä ” kulmasuodatus”. Kolmen projektion perusteella muodostettu poikkileikkaus ilmaistaan napakoordinaatteina f ( co,r ). Karkealla tasolla kuvattuna alkuperäinen poikkileikkausdata f ( co,r ) suodatetaan ja sille lasketaan keskiarvot corn suhteen. Tuloksena saadaan oksakartiot (Kuva ll.c ).
Laskemalla kuvien ll.b ja ll.c painotettu summa saadaan kuva ll.d, josta oksa- alueet ovat jo melko hyvin hahmotettavissa. Lopullinen kuva ll.e saadaan tarkaste
lemalla kuvan ll.d mahdollisten oksa-alueiden luotettavuutta ja käyttämällä aikai
sempaa tietoa ja sumeaa logiikkaa päätöksenteossa.
Kuva 11. Periaatekuva kulmasuodatuksesta. ( a) kolmen projektion muodostama poikkileikkaus, ( b ) poikkileikkaus kulmasuodatuksen jälkeen, ( c ) kuvan tiheyden keskiarvo painotettu kulmalla со, ( d ) (b):n ja (c):n painotettu summa ( e ) lopullinen kuva vikojen rajauksen jälkeen. ( Pietikäinen 1996) Käytetty menetelmä eroaa tavanomaisesta tomografiakuvien käsittelystä kahdella tavalla: Ensinnäkin kustakin kolmesta projektiosta saatu mittaustieto tallennetaan kukin erikseen jatkokäsittelyä varten ja toiseksi projektioista saatuja tietoja ei käytetä pikselitasolla, vaan sektorin muotoisille alueille. Menettelyn tarkoituksena on vähentää datan suodatuksessa ja segmentoinnissa tarvittavaa laskentakapasiteettia.
Kokeellisessa osassa käytetty menetelmä perustuu Pietikäisen esittämiin menetel- miin.(Kuva 12) ( Pietikäinen 1996 )
Takaisinprojisointi 3-ulotte¡seks¡ malliksi
Takaisinprojisointien r
yhdistäminen L
Oksien mahdolliset--- suunnat
Takaisinprojisointi —[
ehdotettuihin suuntiin Oksaparametrit --- Tausta poistaminen —
Esiprosessointi — Kuvaus —
—3-D takaisinprojisoinnit _ Oksaryhmän aivojen
laskeminen
—Oksaryhmän arvot Normalisoidut kuvat
Oksakuvat Projektioista muodostetut kuvat
Kuva 12. Vuokaavio kulmasuodatukseen ( SORT ) perustuvasta tekniikasta. PO, P1 ja P2 viittaavat eri projektioihin.( Pietikäinen 1996 )
4.3.5 Tilastollinen inversioteoria
Tilastolliset, eli päätös-teoreettiset menetelmät ( decision theoretic methods ) voidaan edelleen jakaa monella eri tavoin riippuen siitä, mitä ominaisuutta halutaan korostaa.
Eräs yleisesti käytetty jako jakaa menetelmät parametrisiin ja ei-parametrisiin, esimerkiksi hermoverkkoihin perustuviin menetelmiin. Parametrisissä menetelmissä tunnistettavien piirteiden vektoritiheyksillä oletetaan olevan tietyt tunnetut toiminnolliset muodot. Ei-parametrisissä menetelmissä käytetään suoraan hyväksi esimerkkitietoa.
Invers Oy:ssä on tutkittu tilastollisen inversioteorian käyttömahdollisuuksia tukkitomografikuvien tulkitsemisessa. Ohjelmistojen kehityksen taustalla on Invers Oy:n tekemä tutkimustyö, joka liittyi ilmakehän rakenteen tutkimiseen tomografilla.
Ionosfäärin tomografiassa on verrattu tavanomaisia ja tilastollista inversioteoriaa
toisiinsa ja havaittu tilastollisen menetelmän antavan klassisia menetelmiä tarkemman tuloksen. ( Lehtinen&Markkanen, 1995 )
Tavanomaiset, ei-tilastolliset inversiomallit pyrkivät hakemaan jonkin ratkaisun, josta teoreettisesti lasketut mittaustulokset sopivat todella mitattuihin tuloksiin.
Erilaisia algoritmeja käyttäen päädytään siten erilaisiin tuloksiin, joista osa kuvaa todellisuutta paremmin ja osa huonommin. Tilastollisella inversioratkaisulia puolestaan tarkoitetaan kaikkia mahdollisia ratkaisuja, jotka sopivat mittaustuloksiin.
Laskennassa käytetään hyväksi ehdollisia todennäköisyysjakaumia ja tutkittavasta materiaalista olevia ennakkotietoja.
Raportin mukaan tilastollisen inversioteorian hyviä puolia ovat:
1. Tilastollinen inversioteria on optimaalinen. Se ei hukkaa mitään tietoa, vaan sisältää kaiken saman informaation kuin alkuperäiset mittauksetkin. Tieto säilyy useimmiten myös vaikka analysoijan ennakko-oletukset olisivat vääriä.
2. Prioritieto annetaan eksplisiittisesti ja on täten täydellisesti hallittavissa.
Tavanomaisissa inversioteoriossa ei periaatteessa anneta ennakkotietoja, vaan ennakkotiedot on yleensä rakennettu algoritmin sisään. Tästä implisiittisestä tiedosta riippuu mikä algoritmi on missäkin tilanteessa paras.
3. Tilastollisessa inversioratkaisussa priorisointitiedon muuttaminen ei vaadi itse algoritmiin puuttumista, kuten tavanomaisissa inversioratkaisuissa. Ennakkotieto
jen käyttö on tällöin joustavampaa ja vapaampaa.
4. Posteriory akauma on täydellinen kuvaus analyysitulosten virheistä. Jakauma on joukko, jossa esiintyvät kaikki mahdolliset analyysitulokset, sekä niiden todennäköisyydet. Tuloksista voidaan laskea yksinkertaisempia asioita, kuten keskipiste tai leveydet eri suuntiin. Nämä vastaavat tavallisen analyysin keski
arvoa ja virhearvioita. Keskipisteen laskeva algoritmi on tavallaan tavanomainen inversiomalli, mutta perinteistä mallia tarkempi.
5. Algoritmin perusta on tarkasti määritelty matemaattinen lause. Tämä antaa laskennalle tukevan pohjan ja helpottaa optimointia ja nopeutuskeinojen
löytämistä. Lisäksi lopputulos on aina posterioryakauma tietyllä tunnetulla tarkkuudella laskettuna.
Tilastollisen inversioteoria haittoina voidaan pitää seuraavia seikkoja:
1. Posterioryakauma on moniulotteisessa avaruudessa määritelty funktio, jonka numeerinen esittäminen on usein mahdotonta. Tällöin ratkaisun esittämiseksi voidaan kuitenkin generoida siitä laskettuja yksinkertaisempia momentteja.
2. Tilastollisten inversioratkaisuiden laskeminen on hitaampaa kuin useiden muiden ratkaisuiden laskeminen.
Raportti esittelee lineaaristen inversio-ohjelmien ratkaisuun kehitetyn ohjelmiston GULIPS:n ( Grand Unified Linear Inverse Problem Solver ), sekä epälineaaristen inversio-ongelmien ratkaisuun kehitettävän GUNLIPS:n ( Grand Unified NonLinear Inverse Problem Solver ).
Monipuolisuutensa ja muuntelukelpoisuutensa ansiosta edellämainitut mallit mahdol
listaisivat tomografiassa nopeiden räätälöityjen mallien käytön. Monipuolisuus luo seuraavat mahdollisuudet:
1. Erilaisten priorisointitietojen käyttö on mahdollista ja mikäli mittausgeometria pysyy mittauksesta toiseen vakiona, voidaan ratkaisualgoritmin kerroinmatriisi laskea valmiiksi mittausten avaruudesta tuntemattomien avaruuteen. Näitä voidaan laskea eri kokoisina, jolloin karkeamman ratkaisun avulla voidaan valita tarkemmin ratkaistava osa. Tällöin voitaisiin päästä paikallisesti parempaa resoluutioon. Erityisesti tämä piirre voisi olla hyödyllinen ratkaistaessa oksaryhmässä olevien oksien kokoaja lukumäärää.
2. Eri alkuaineiden erottelu kuvasta. Eri alkuaineilla on erilaiset absorptiokäyrät.
Absorptiokäyrät voidaan mitata kalibrointimittauksilla ja tietoa käyttää hyväksi mallien ratkaisussa.
3. Beam hardening-ilmiö. Eri taajuudet absorptoituvat eri tavalla, jolloin mittaustulos ei ole kokonaisabsorptiokertoimen funktio, vaan monimutkaisempi funktio siitä. Tämä funktio riippuu mm. taajuusjakaumasta ja detektorin herkkyyskäyristä.
Edellämainitut seikat saattavat mahdollistaa ratkaisun mittausten monikäsitteisyyden, joka rajaa oksien tunnistamismahdollisuuksia eritoten oksaryhmissä.
4.3.6 Hermoverkkojärjestelmä
Hermoverkkojen kehityksessä kantavana ajatuksena on ollut idea itseoppivasta jäijestelmästä, joka voi oppia virheistään ja hyödyntää oppimaansa. Kun klassisia tilastollisia laskenta-algoritmeja on kehitetty tavoitehakuisesti tai ” top-down ”- periaatteiden mukaan, on hermoverkkoj äij estelmiä kehitetty nimenomaan päin
vastaisella metodilla.
Hermoverkkoj äij estelmiä on laatimalla vaiheittain yksinkertaisia oppimissääntöjä.
Päätöksien teko perustuu aina vahvasti laskennalliseen perustaan. Päätös muodostuu suuresta joukosta yksinkertaisia laskutoimituksia. Metodi muistuttaa suuresti ihmisen hermojen toimintaa ja eroaa hyvin paljon raskaista numeerisista algoritmeista, joita käytetään mm. käänteismatriiseja ratkaistaessa. (Kuva 13)( Lampinen ett ai. 1997 )
" Vortia/a saa kaiken "-taso (WTA/ayer)
Maste: Partiaiten sopineen /lennon skjnaati
Kuva 13. Itseoppiva ( SOM ) hermoverkko. Hermoverkon kuhunkin hermoon syötetään sama syöte. Parhaiten sopiva hermo löydetään " voittaja saa kaiken "
tasolla ( winner-take-all ). Verkkoa opetetaan syöttämällä voittajatason signaali takaisin verkon kaikkiin hermoihin^ Lampinen, Laaksonen, Oja 1997 )
Hermoverkon kullakin pisteellä on oma painokerroin, joka muuttuu verkon ohjaamana. Painokertoimen perusteella verkko valitsee “voittajasolun”, jota käytetään päätöksenteossa.
Hermoverkoihin perustuvat vikojen tunnistusmenetelmät voidaan jakaa oppimistavan mukaan kahteen eri kategoriaan, ohjattuihin ja ohjaamattomiin. Ohjatut mallit vaativat esitietona vikojen luokittelutiedot, kun taas ohjaamattomat mallit voivat käsitellä myös luokittelemattomia vikoja. Li & ali ( 1996 ) kehitti tomografikuvan tulkintamallin, joka koostuu kolmesta osasta: mittausdatan esikäsittely)äijestelmästä, hermoverkkojäij estelmään perustuvasta luokittelijasta jajälkikäsittelyjäij estelmästä.
Esikäsittelyssä oksat erotetaan taustasta jotta, taustaa ei tarvitse analysoida. Koska lahojen kohtien tiheys on lähellä ilman tiheyttä, mittausdataa painotetaan kynnys
arvon löytämiseksi lahon ja taustan erottamiseksi. Seuraavassa esiprosessointi- vaiheessa mittausdata normalisoidaan tukkikohtaisesti, jolloin tukkien väliset kosteus-ja tiheysvaihtelut saadaan eliminoitua.
Varsinaisessa vikojen tunnistuksessa käytetään hermoverkko]äijestelmää, joka vertaa paikallisesti pikseleiden tiheyksiä toisiinsa. Tiheyserojen perusteella viat erotetaan terveestä puusta ja niiden tyyppi määritellään. Vian geometrian määrittämisessä käytetään soveltuvin osin hyödyksi esikäsittelystä saatua tietoa. Paikallisten tiheysvertailujen lisäksi järjestelmä käyttää hyväkseen tietoja eri vikojen tyypillistä esiintymispaikoista puun akselin suhteen. Geometriaan sitoutuneita tietoja voidaan hyödyntää esimerkiksi kaarnan ja halkeamien tunnistamiseen.
Mallia testattiin tarkastelemalla 3*3*3 pikselin kokoisia tilavuuksia. Kullekin pikselille annettu normalisoitu arvo toimii mallin syöttöarvona. Histogrammiarvon lisäksi malliin syötetään tarkasteltavan pikselin etäisyys tukin keskustasta. Kullekin pikselille lasketaan todennäköisyys, jolla kyseinen pikseli kuuluu johonkin käytetyistä viidestä luokasta. Käytetyt luokat ovat: oksa, halkeama, kuori, laho ja terve puu. Korkeimman todennäköisyyden saanut luokka valitaan kuvaamaan pikselin edustamaa aluetta tukissa.
Hermoverkon opettamiseen käytettiin perinteistä menetelmää, jossa aineistona käytettiin 1973 tomografipistettä kahdesta eri tammilajista. Menetelmä edellyttää kolmen ehdon toteutumista: 1) Projektiot mitataan tasaisin kulmavälein siten, että kukin projektio kattaa ainakin 180° ; 2) Mittausten väli on sama kaikissa projektioissa; 3) Kuvattavan kohteen kaikkien pisteiden tulee näkyä kaikissa projektioissa. Koska verkon topologialla on suuri vaikutus tunnistustarkkuuteen, tarkasteltiin useita eri laskentavaihtoehtoja. Hyvistä tuloksista ja pienehköstä laskentakapasiteetista johtuen parhaaksi vaihtoehdoksi valittiin ANN-jäijestelmä yhdellä ”piilotasolla”. Valitulla menetelmällä vien tunnistustarkkuudeksi ilmoitettiin n.95 %. Kokeissa käytetty Macintosh Quadra MC68040/33MHz - kone käytti yhden 256*256 viipaleen laskemiseen noin 25 sekuntia. Menetelmä on siis ainakin em.
laitteistolla aivan liian hidas käytännön sovellutuksiin. RISC-pohjaisella laitteistolla käsittelyä]an arvioidaan lyhenevän 2-3 sekuntiin. Tämäkin aika vaatisi melko hidasta kuljetinnopeutta toimiakseen reaaliaikaisesti suoraan prosessiin yhdistettynä. ( Li &
ali 1996, Sikanen 1989 )
4.4 Muita röntgensäteilyyn perustuvia laitteita
MacMillan Bloedel Ltd / Jan Aune
MacMillan Bloedel Ltd on tutkinut röntgenpohjaisten laitteiden käyttöä tukkien sisäisen laadun määrityksessä Kanadassa, Vancouverissa. Ensimmäinen prototyyppi asennettiin 1989. Mittavaa panostusta laitteen kehitykseen perustellaan paremman asetteen suunnittelumahdollisuuksilla, sekä sillä tosiasialla, että sahan japanilaiset asiakkaat ovat valmiita maksamaan nelinkertaisen hinnan oksattomasta sahatavarasta.
Laitteen prototyyppi suunniteltiin sellaiseksi, että sillä voidaan kuvata 90 cm halkaisijaan asti olevia tukkeja tukin maksimipituuden ollessa 18 m. Käytetty kuvausnopeus on normaali linjanopeus, 36 m/min. Käytettyjen tukkien keskihalkaisija on 50 cm ja valmistaja arvioi pienemmillä tukeilla päästävän arviolta
150 m/min linjanopeuteen.
Järjestelmä ottaa tukista kolme ns. tiedustelukuvaa 120° välein, suodattaa saadun tiedon ja rakentaa jäljelle jääneistä oksatiedoista kolmiulotteisen oksamallin. Laitteen luvataan tunnistavan myös tervettä puuainesta kevyemmät lahot kohdat.
Oksamallinnuksen jälkeen tietokone optimoi sahausasennon ja -asetteen rahallisen saannon maksimoimiseksi.
Detektorien resoluutioksi ilmoitetaan 6 mm ja viipaleet otetaan 6 mm välein, joten tukkiin ei jää kuvaamattomia rakoja. Käytetyn röntgensäteilyn voimakkuus on 420 kV ja detektorit on tehty kadmium-volframista.
MacMillanin käyttämä puulaji oli hemlock, ja männyllä ei ole suoritettu kokeita.
Auneen mukaan hemlockilla oksat olivat kaikki selvästi nousevia, jolloin oksien päällekkäisyys ( overlapping ) on saatu ratkaistua. Koska männyllä oksien nousukulmat ovat pienemmät, ei oksasuodatus luultavasti onnistuisi ainakaan yhtä
hyvin. Käytetty oksamalli perustuu Skellefteåssa pidetyn esitelmän perusteella oksa- alueita rajaavien kuusikulmaisten sylinteripintojen ( convex hulls ) rajaamiseen.
Oksien suodatusta on käsitelty työssä käytetyn kulmasuodatusmenetelmän yhteydessä ( luku 4.3.4 ).( Aune 1995, 1997 )
MacMillanin laitetta testattiin myös uusi-seelantilaisilla radiata-männyillä, joista saadut kokemukset olivat NZ Forest Research Instituten mukaan lupaavia. Käytettyä laskenta-algoritmia muutettiin jonkin verran radiata-männylle sopivaksi, jolloin se soveltui oksaryhmien rajojen määrittämiseen. ( Cown et ai. 1995 )
TINA / Grundberg&Grönlund
“Tina” on ruotsalaisen RemaControlin kehittämä röntgenmittari, jossa tukki kuvataan kahdesta suunnasta. Kahdesta kuvaussuunnasta johtuen tukista ei saada oksantarkkaa kuvaa, vaan tukin oksaisuutta kuvaavia lukuja. Kahta kuvaussuuntaa perustellaan järjestelmän varmuudella. Järjestelmästä saadaan seuraavia tunnuslukuja:
• tukin halkaisija kuoren alta
• oksatilavuus oksaryhmissä
• oksaryhmien välimatka
• sydänpuun halkaisija
e tukin tilavuus
• hyvyysluku, joka vaihtelee 0 - 400 välillä ja määräytyy oksatilavuuden mukaan.
Oksatilavuus määritellään säteilyn intensiteetin vaimenemisen perusteella.
Mittausväli on luokkaa 200 kertaa/s. Saadun hyvyysluvun perusteella tukit jaetaan eri tukkiluokkkiin, joiden raja-arvot kunkin asiakkaan on itse määrättävä kokemuksen ja laitevalmistajan toimittamien ohjearvojen perusteella. Suurin hyöty mittarista arvellaan saatavan oksattoman tyven talteenotolla, jolloin ns. supertyvi, eli täysin tai miltein täysin oksaton tyvitukki saadaan eroon muusta tukkisumasta. Väli- ja
