Bioeconomy in the North 2022: WAI-KnotCT - Astmodellierung am Rundholz – Einsatz von Computertomographie und künstlicher Intelligenz für eine erhöhte Produktionseffizienz in der Forst-Holz-Kette

Das Projekt zielt auf die Steigerung der Produktionseffizienz von festigkeits- und aussehenssortiertem Bauholz ab. Dies geschieht mit neuentwickelten Algorithmen zur Asterkennung basierend auf der Computertomographie (CT) und der künstlichen Intelligenz (KI). Das Wissen um die innere Holzstruktur verbessert Prozesse in der Forst-/Holzindustrie, z.B. Forstbetriebe nutzen die Information, um Wälder (z.B. Wachstumsmodellierung und Waldinventur) und Rohstoffversorgung (z.B. Qualitätsmodellierung) besser zu verwalten. CT-Scanning ist eine hochmoderne Methode am Rundholz, um die innere Holzstruktur offenzulegen. Die Holzstruktur dient als Proxy des Baumwachstums und ist zugleich der Ausgangspunkt für eine Holzproduktions- und Holzproduktoptimierung, wie zum Beispiel Brettschichtholz- und Brettsperrholzaufbau. Das Vorhaben kombiniert leistungsstarke CT-und KI-Algorithmen verbunden mit neuen Baummodellen und Modellen zur Vorhersage mechanisch-physikalischer und ästhetischer Holzeigenschaften, um eine erheblich höhere Ausbeute an Schnittholz zu erzielen. Final entsteht zusätzlich eine Datenbank mit CT-Messungen der Stamm- und Aststruktur ergänzt mit forstwirtschaftlichen Daten. Zentral ist die Verbesserung und Verfeinerung der Methodik zur Astextraktion aus CT-Bildern von Stämmen. Neuartige Bildanalysemethoden auf der Grundlage der KI werden in Kombination mit verbesserten Modellen eine präzisere Produktionsoptimierung von der Forstwirtschaft über das Rundholz bis zum Endprodukt (Schnittholz) ermöglichen. Das Projekt ist in neun Arbeitspakete unterteilt, die verschiedene Ebenen der Verarbeitungskette abdecken, die Ast-/Aststruktur zentrieren und Baumeigenschaften (Krone, Wuchs) und mechanisch-physikalische Holzeigenschaften (Festigkeit, Steifigkeit, Rohdichte) verbinden.