Von Sarah Sookman, Matrox Imaging

Die Verarbeitung von Holz erfolgt in arbeitsintensiven und mehrstufigen Verfahren, bei denen das Produkt mehrmals während des Produktionsprozesses gemessen und geprüft wird. Ein Zweig der holzverarbeitenden Industrie ist die Produktion von Sperrholz, bei der die gefällten Baumstämme zu glatten Sperrholzpaneelen verarbeitet werden.

Nach dem Fällen der Bäume werden die unbehandelten Stämme in ca. 2,50 m lange Teile zersägt, von denen maschinell die Rinde gelöst wird, um lange Furnierplatten herzustellen. Das Holz wird vor der Weiterverarbeitung konditioniert, damit sich die Rinde leichter entfernen lässt. Zunächst wird in einer Wasser- bzw. Dampfkammer der Feuchtigkeitsgehalt der Teile erhöht. Danach wird die Furnierplatte auf Fehler untersucht und in ca. 1,20 x 2,45 m große Platten geschnitten. Nach einem Trockenvorgang werden die Platten erneut überprüft und nach Güteklassen sortiert. Für die Herstellung des Sperrholzpaneels werden mehrere Platten, normalerweise zwischen 3 und 7 Stück, in eine Presse eingebracht, schichtweise zusammengefügt, mit Leim verbunden, verpresst und mit Dampf erhitzt.

In verschiedener Hinsicht ähnelt die Überprüfung des Holzes anderen Anwendungen, bei denen das menschliche Sehvermögen eine Rolle spielt. Die Holzinspektion ist aufgrund mehrerer Faktoren ideal für eine Bildverarbeitungsanwendung. So laufen die Furnierplatten auf einem Förderband mit einer Rate von 1 Stück pro Sekunde. Für das menschliche Auge ist es während einer 8-Stunden-Schicht extrem schwierig, nach Ästen, Löchern, Schmutz, Vertiefungen und anderen Fehlern zu suchen, selbst wenn die Arbeiter die regulären Pausen einhalten. Darüber hinaus fehlt die Objektivität automatisierter Systeme. Letztlich spricht auch für die Anwendung der Bildverarbeitung, dass die Nebenprodukte des Produktionsprozesses wie Rauch und Holzstaub ein hohes Gesundheitsrisiko für die in diesem Bereich Beschäftigten darstellen.

Die Firma Ventek Inc. in Eugene, Oregon, hat die Herausforderung angenommen und mit seinem System GS2000 eine Anwendung geschaffen, bei der die Holzfurnierplatten nach dem Trockenprozess automatisch gescannt werden. Das GS2000 prüft die Furniere 24 Stunden lang am Tag und berechnet die Güteklasse mit einer Genauigkeit von mindestens 95%.

Das GS2000 erfasst und verarbeitet die Bilder einer Holzplatte in 0,5 Sekunden oder schneller. "Nachdem die Bilder erfasst wurden, werden sie in einer kreisförmig angeordneten Gruppe von Puffern gespeichert, die Platten werden geprüft und in Bildpuffer eingebaut," sagt James Gibbons, Softwareingenieur bei Ventek. Die Algorithmen von MIL verarbeiten das Bild mit hoher Geschwindigkeit zu Blob-Daten, die dann nach Fehlertypen klassifiziert werden.

Das System GS2000 von Ventek basiert vorrangig auf dem Neural Network Classifier. Neural Networks versucht mit Hilfe mathematischer Konstrukte Modelle nachzubilden, die bestimmte Merkmale biologischer neuraler Systeme beinhalten. Wie der Name vermuten lässt, ist der Neural Network Classifier das Gehirn des Systems. Damit der GS2000 effektiv Fehler erkennen kann, muß der Neural Network Classifier mit Bildern dieser Fehler trainiert werden. Äste, Löcher, Spalten, Risse, Flecken, Lücken (fehlende Bereiche wie abgebrochene Kanten) und Schwund (Bereiche sehr dünnen Holzes) können Fehler darstellen. Jeder Fehlertyp verfügt über bestimmte Parameter, wie Größe, Form, die maximal zulässige Anzahl pro Platte und sogar die Holzart, wie Fichte, Kiefer, Hemlocktanne oder Rottanne.

Die Flexibilität des Teilchenanalysemoduls von MIL war bei der Entwicklung des Neural Network Classifiers unverzichtbar. "Durch die Teilchenanalysefunktion erhält man zahlreiche Meßwerte, die einfach berechnet werden können und die in unserem Programm leicht zugänglich sind. Meßwerte, die nicht benötigt werden, können ausgeschlossen werden und belasten damit nicht die Verarbeitungszeit. Wenn die Position des Blob (Fehlers) erkannt wurde, können wir unsere eigenen speziellen Messungen nach Bedarf ausführen lassen", erläutert Gibbons. Die Leistungsfähigkeit von Neural Networks kann nur ausgenutzt werden, wenn solide Daten vorliegen. Bei der Eingabe von inkonsistenten Daten können auch nur inkonsistente Ergebnisse erzielt werden. "Bei Neural Networks trifft voll und ganz die alte Computerweisheit zu: Wenn der Input nichts taugt, ist auch der Output entsprechend. Wir wenden statistische Test an, um prägnante Fehlermerkmale auszuwählen und entfernen inkonsistente Daten aus den Trainingseinheiten. Bei richtiger Anwendung liefert Neural Networks sehr zuverlässige Ergebnisse," ergänzt Gibbons.

Nach der Lokalisierung des Fehlers auf der Furnierplatte mit Hilfe der Bildverarbeitung werden die Eigenschaften des Fehlers (Blob) gemessen. Der Fehlertyp wird klassifiziert und mit den Merkmalen der einzelnen Güteklassen verglichen. "Unsere Vorgaben der Güteklassen sind sehr flexibel," bemerkt Gibbons. "Sie werden in eine listenartige Datenbank eingegeben, die es den Kunden ermöglicht, nur so viele Vorgaben wie nötig für die Definition der Güteklasse zu spezifizieren. "Die Furnierplatten werden entweder einem gültigen Standard zugewiesen oder, wenn sie den Vorgaben der Liste nicht entsprechen, aussortiert. Während in einigen Industriezweigen ein Produkt nur noch Ausschuß ist, wenn es die Prüfung nicht besteht, können Furnierplatten einer niederen Güteklasse trotzdem als zentrale Schicht im Sperrholz weiterverwendet werden. Sind die Platten erst einmal verleimt, werden sie nachgeschnitten und zu fertigem Sperrholz verarbeitet.

Kontaktieren Sie unser Kommunikations-Team.