Сканер KnotInspector успешно решает задачи клиентов на предприятиях – от выявления дефектов пиломатериалов и оптимизации их раскроя до сортировки готовой продукции. Происходит это благодаря искусственному интеллекту сканера. Именно обученная нейросеть принимает решение о том, к какому классу дефектов отнести тот или иной обнаруженный порок, а это определяет, какую карту раскроя следует передать торцовочной установке, чтобы соблюсти технические условия и при этом увеличить выход полезной продукции. Но как нейросеть обучают работать с разными породами древесины, из разных регионов произрастания, разного качества?

С похожими задачами сталкиваются специалисты и в других областях, где внедряется AI. Например, в сферах медицины, картографии и спутниковой навигации, для создания бытовых «умных» устройств и т.д. Везде, где нейросеть должна уметь идентифицировать объекты и по определенным признакам относить их к тому или иному классу. В научной терминологии это называется «семантической сегментацией». Обучает нейросети человек. Именно людям предстоит разметить большое количество данных, в нашем случае, изображений, чтобы научить ИИ в дальнейшем определять аналогичные объекты и классифицировать их.

НУЖНА ЛИ НЕЙРОСЕТЬ НА ДЕРЕВООБРАБАТЫВАЮЩЕМ ПРЕДПРИЯТИИ?

В команде KnotInspector над этими задачами трудится целый отдел подготовки данных. Его сотрудники готовят датасеты – размеченные вручную на компьютере снимки отсканированных досок – и передают их инженеру машинного обучения, чтобы на их основе создавать новые модели нейросети и совершенствовать имеющиеся.

На многих заводах дефекты по‑прежнему отмечает человек на линии: он быстро осматривает доску, вручную осуществляет ее разворот, чтобы посмотреть обратную сторону, обводит мелком пороки и принимает решение – что вырезать на торцовке, а что можно оставить. Это работает, пока не требуется масштабировать производство, не осуществляется комплексная работа на предприятии по снижению объема отходов, нет частой смены ТУ, а также имеются трудовые ресурсы и нет необходимости минимизировать влияние человеческого фактора. Группа разметки данных KnotInspector анализирует каждую доску со всех четырех сторон, создавая точную базу для обучения нейросети.

Изначально KnotInspector работал с хвойными породами – сосной и елью, которые были наиболее востребованы у первых клиентов, внедряющих сканер. Сейчас, вдобавок к этому, команда располагает нейросетями для оценки дуба, березы и ясеня и развивает решения для других пород древесины по запросам рынка.

ОДНА НЕЙРОСЕТЬ ДЛЯ ЛЮБОГО ПРОИЗВОДСТВА – МИФ ИЛИ РЕАЛЬНОСТЬ?

Казалось бы, существует ГОСТ 2140–81 «Видимые пороки древесины. Классификация, термины и определения, способы измерения» – регламентирующий перечень и виды пороков древесины. Достаточно научить нейросеть «в принципе» определять тот или иной дефект, и можно смело заявлять: сканер работает с любыми пиломатериалами. На практике это не так, и работа с каждой породой древесины, а иногда с одной и той же, но другого качества, требует перенастройки или дообучения нейросети. Этот процесс команда KnotInspector прошла за несколько лет, и вряд ли существует способ сократить этот путь и выйти на рынок за один день со сканером, работающим с любой породой древесины.

Руководитель группы подготовки данных Екатерина Баллах поясняет, что попытка прогнать пиломатериалы другой породы на какой-то ранее сделанной нейросети обычно показывает, что для них нужна отдельная нейросеть. По внешнему виду доски разных пород очень отличаются – цветом, структурой волокон, пороками, текстурой древесины. Для примера, желтоватые включения на хвойных пиломатериалах часто связаны со смолой, тогда как у ясеня похожий оттенок может означать гниль, а структура древесины у дуба, в свою очередь, на снимках иногда напоминает засмолки на хвойных досках. Такие визуальные пересечения заставляют специалистов разделять нейросети по породам.

Зато когда нейросеть для определенной породы и способа обработки древесины готова, она решает задачу классификации и локализации пороков быстрее и точнее человека.

ЧТО ТАКОЕ РАЗМЕТКА ДАННЫХ?

Обычно команда KnotInspector просит клиента, у которого есть запрос на работу сканера с новой породой древесины, прислать в их мастерскую в Санкт-Петербурге примерно 300 досок. Часть остается как «контрольный пакет» для последующей проверки качества новой нейросети, остальные проходят через сканер, и специалисты по разметке вручную выделяют дефекты на изображениях каждой из четырех пластей. Важно не только обвести порок, но и указать его метаданные: положение, размер, глубину, комбинации с другими дефектами и соответствие ТУ заказчика.

Если подходящая нейросеть уже существует, то такая проверка снимает большинство рисков внедрения сканера на предприятии – технолог видит свои доски с картами раскроя и убеждается, что сканер работает правильно. Можно смело рассчитывать на «запуск за выходные». А если предприятие работает с новой для сканера KnotInspector породой древесины, проект будет включать в себя обучение нейросети, и его реализация займёт от 3 до 6 месяцев.

Работа ведется в тесном контакте с технологами предприятий: вопросы обсуждаются как во время очных визитов в мастерскую KnotInspector, так и удаленно, с помощью «видеовитрины» системы, где можно детально рассмотреть каждый снимок доски и обнаруженные дефекты.

Разметка данных – кропотливая работа, которую порой даже приходится переделывать: например, если сотрудники выяснили, что ранее неправильно идентифицировали какой-либо дефект, или если команда нашла более подходящие настройки камер для съёмки этой породы древесины и пересняла датасет.

Бывали и ситуации, когда приходилось переделывать по новым правилам целые размеченные датасеты из-за того, что у клиента поменялись ТУ или возникли более детальные требования к распознаванию конкретного дефекта.

КАК УЧАТСЯ САМИ СПЕЦИАЛИСТЫ ПО РАЗМЕТКЕ ДАННЫХ?

Часть сотрудников команды KnotInspector пришла в разметку из других областей и осваивала специфику лесопромышленной отрасли на практике. Специалист по разметке данных Татьяна Богданова рассказывает, что при обучении опиралась на ГОСТ, регламентирующий перечень и виды дефектов, на технические условия клиентов и консультации технологов, буквально ежедневно сверяясь с формулировками и иллюстрациями. При этом рисунков и черно‑белых фотографийв нормативных документах часто было недостаточно, поэтому в ход шли примеры клиентов и дополнительные материалы из интернета.

Екатерина Баллах отмечает, что при переходе от разметки сосновых досок к разметке березовых изучала любые доступные источники по порокам древесины, включая учебные работы студентов профильных вузов. Важно отметить, что сотрудники группы разметки данных имеют дело не с «живыми» досками, а с изображениями от сканера, где доска выглядит несколько иначе, чем в цехе, и приходится учиться определять, что из увиденного на скане соответствует дефектам на настоящей доске. Помогают тренировки в мастерской и визиты на предприятия.

ЧТО ТРУДНЕЕ ВСЕГО В РАЗМЕТКЕ ДАННЫХ?

По наблюдениям команды, самые трудные для разметки дефекты – это всё, что связано не со структурными изменениями, вроде сучков или проростей, а с самой окраской пласти. Для сосны это смола, грибковые окрашивания и синева, для березы – ложное ядро, то есть изменение цвета без нарушения структуры, для дуба – дегтярные кольца, границы между участками разного оттенка, от которых зависит сортировка по цвету для мебельных щитов. Специалисту по разметке данных, а впоследствии и нейросети, важно понимать, где проходит граница между допустимым оттенком и грибковым поражением или гнилью.

Татьяна Богданова отмечает, что плавные или резкие переходы цветности зачастую зрительно сложны для определения человеком. Её коллега Юлия Манько рассказывает, что отдельная «боль» специалиста по разметке данных – это сгнившие участки древесины, где несколько пороков сливаются в одно пятно и практически невозможно выделить границы сучка или прорости так, чтобы нейросетевая модель корректно научилась их различать.

ПОХОЖИЕ ПОРОКИ: ПРОВЕРКА НА ВНИМАТЕЛЬНОСТЬ ДЛЯ ИИ И ЧЕЛОВЕКА

Команда часто сталкивается с парой очень похожих дефектов – глазком и повреждением от короеда. Анастасия Лекомцева, специалист по разметке данных, говорит, что два почти одинаковых кругляшка на изображении бывает трудно отличить: свежий ход короеда или молодой глазок, особенно если вокруг еще нет характерных искажений волокон. По её словам, различить гниль и засмолки по цвету тоже бывает непросто, но помогают дополнительные признаки: смола «подтекает», а гниль дает более плотное закрашивание.

Юлия Манько, работая с ясенем, неоднократно видела, как глазки и ходы короеда выглядят почти одинаково, а иногда повреждения древесины короедами даже визуально достигают размеров сучков. Необходима очень аккуратная разметка, чтобы нейросеть научилась не путать пороки между собой и не отправляла лишнюю древесину в отходы.

КАК РАЗМЕЧЕННЫЕ ДАННЫЕ ПОМОГАЮТ ОБУЧИТЬ НЕЙРОСЕТЬ?

Когда группа подготовки данных заканчивает разметку достаточного количества досок, полученный датасет передается инженеру машинного обучения. Он обучает модель нейросети именно на этих данных. Нередко в начале работы используется что-то вроде базы из предыдущих версий нейросетей. Например, модель древесины сосны может послужить базой для березы и дуба, потому что типичные пороки вроде сучков встречаются на многих породах. Специфические дефекты новой породы добавляются поверх этой базы.

Затем нейросеть тестируют на контрольном пакете досок, которые не участвовали в обучении. Команда KnotInspector применяет тестовый стенд, автоматически измеряющий точность определения дефектов до сотых долей процента. Первый прототип новой нейросети почти всегда требует доработок. В результате специалисты группы разметки данных переразмечают спорные дефекты и добавляют в датасет данные новых досок, а инженер повторно обучает модель, пока метрики не достигнут заданного уровня.

НЕПРЕРЫВНОЕ ОБУЧЕНИЕ НА РЕАЛЬНОМ ПРОИЗВОДСТВЕ

После внедрения сканера на линию клиента нейросеть продолжает учиться. За каждую смену через сканер KnotInspector проходят реальные доски, их изображения сохраняются и используются для аналитики, дополнительной разметки и дообучения модели. Клиент получает не «раз и навсегда» зафиксированную нейросеть, а продукт, который обновляется вместе с программным обеспечением, и со временем его точность только повышается.

Практика показывает, что работа сканера в заводских условиях создает новые вызовы для разметчиков данных.

Команда в срочном порядке собрала примеры таких загрязнений, разметила их как грязь, допустимую в хорошем сорте, и дообучила модель, чтобы исключить ненужный брак.

СКАНЕР KNOTINSPECTOR – ПЕРСОНАЛЬНОЕ РЕШЕНИЕ ДЛЯ КАЖДОГО КЛИЕНТА

Философия команды KnotInspector всегда заключается в том, чтобы работать в партнерстве с клиентом, помогать клиенту решать его задачи с помощью автоматизации процессов и установки сканера пиломатериалов. В результате для разных предприятий, даже работающих с одной породой древесины, возникают разные версии нейросети. Екатерина Баллах поясняет, что один завод может использовать низкосортную древесину с обилием синевы, другой – доски из тонкомерных бревен с большим количеством обзола, а у третьего – строгается только верхняя пласть, и на нижней сканер регулярно «видел» ложные дефекты. Под каждый такой случай подбирается и дообучается своя версия модели, ориентированная на качество и обработку конкретного сырья.

Особое внимание приходится уделять дорогим породам: дуб и ясень существенно дороже сосны по стоимости сырья, поэтому любая ошибка распознавания превращается в прямые финансовые потери при попадании лишнего материала в отходы. Для всех пород древесины важно корректно распознавать сучки, но их допустимость и влияние на сортность различаются. К примеру, на хвойных пиломатериалах много мелких сучков, тогда как на дубе часто встречаются крупные сучки, которые при этом клиенты нередко допускают в один из деловых сортов. Но именно у дубовых сучков становится важно различать наличие трещинок, от которых зависит сортность и возможность дальнейшей обработки с применением шпатлевки.

ПАРТНЕРСТВО С КЛИЕНТОМ ДЛЯ УЛУЧШЕНИЯ РАБОТЫ СКАНЕРА

Чтобы обучать новые нейросети для различных пород древесины и для совершенствования существующих нейросетей – команда KnotInspector нуждается в тесной партнерской работе с клиентами. Образцы досок, которыми готовы поделиться предприятия, обратная связь от технологов о качестве виртуальных раскроев, нюансы технических условий и дополнительные требования к классификации дефектов – всё это помогает улучшать алгоритмы работы сканера и в результате повышать эффективность производств клиентов.

Софья Трошина, группа компаний TruePositive