Volymbestämning av flishögar med deep Learning

Sammanfattning: Flis är ett viktigt material för industrier för att tillverka massaprodukter och värme och det transporteras mellan sågverken och mottagande industrier med lastbil. Traditionellt har manuella bedömningar av flisvolymen på sågverksplanen varit tidskrävande och ineffektiva men tekniken inom maskininlärning, särskilt deep learning (DL) kan automatisera volymberäkningar genom användning av tekniker som convolutional neural network (CNN). Denna teknik har potential att ge mer exakta och effektiva transporter. Detta examensarbete syftade till att skapa ett beslutsstöd för att förbättra beställningen av lastbilstransporter till sågverket. För att göra detta användes CNN för att lära datorn att uppskatta mängden flis på en bild från en webkamera. Datasetet bestod av 4362 bilder med flishögar på en sågverksplan, men 1472 av dessa bilder hade innehåll som störde och blev därmed bortsållade. De resterande bilderna förbehandlades för att justera bildförhållandena och maskera bakgrunden svart för att minimera störningar vid träningen. Modellen tränades sedan i ett VGG19-nätverk, vilket är en typ av CNN och resultatet visade en noggrannhet på strax över 22 %. Modellen testades sedan på fyra, för systemet, osedda bilder. Det visade sig att modellen ansåg att det inte fanns några lastbilslass med flis på sågverksplanen medan det i själva verket fanns mellan två och åtta lastbilslass med flis. En av anledningarna till detta var brister i datasetet och valet av metod, vilket resulterade i en obalans i kategorierna och svårigheter att träna modellen på ett korrekt sätt. För att förbättra precisionen kan en kombination av flera nätverk eller användning av regression vara en lösning samt bättre balans i datat mellan de olika kategorierna.