Automation of wood processing procedures - AI assisted wood surface defects detection based on deep learning model Mask-RCNN

This thesis explores the feasibility and effectiveness of utilizing deep learning models, specifically Mask R-CNN, to detect and segment wood surface defects such as knots, aiming to automate the traditionally manual inspection and repair process. The current methods of inspecting wood surfaces are labor-intensive, time-consuming, and prone to human error. By developing an automated system for detecting these defects, integrated with future robotic arm control, this research seeks to revolutionize the wood industry. Three datasets were used for model training and evaluation, focusing on refining the quality of annotations and excluding irrelevant categories to improve model performance. The results show significant improvements in both object detection and segmentation tasks, with HQ Sample 3 achieving the best performance due to focused and well-annotated data. The model demonstrates high accuracy, particularly in mAP@50, and shows stability across different IoU thresholds. Challenges related to data availability, annotation quality, and training stability were identified, along with potential limitations in small object detection and computational resource constraints. However, this study lays the foundation for integrating deep learning-based defect detection with robotic automation for wood surface repair. Future work will focus on expanding datasets, optimizing models, and improving real-time performance to bring this solution closer to industrial application.

Questa tesi esplora la fattibilità e l'efficacia dell'utilizzo di modelli di deep learning, in particolare Mask R-CNN, per rilevare e segmentare difetti superficiali del legno come nodi, con l'obiettivo di automatizzare il processo tradizionalmente manuale di ispezione e riparazione. Gli attuali metodi di ispezione delle superfici in legno sono laboriosi, richiedono tempo e soggetti a errori umani. Sviluppando un sistema automatizzato per la rilevazione di questi difetti, integrato con il futuro controllo robotico dei bracci, questa ricerca cerca di rivoluzionare l'industria del legno. Tre set di dati sono stati utilizzati per la formazione e la valutazione dei modelli, concentrandosi sul perfezionamento della qualità delle annotazioni ed escludendo categorie irrilevanti per migliorare le prestazioni dei modelli. I risultati mostrano miglioramenti significativi sia nelle attività di rilevamento degli oggetti che di segmentazione, con HQ Sample 3 che raggiunge le migliori prestazioni grazie a dati focalizzati e ben annotati. Il modello dimostra un'elevata precisione, in particolare in mAP@50 e mostra stabilità su diverse soglie IoU. Sono state identificate sfide legate alla disponibilità dei dati, alla qualità delle annotazioni e alla stabilità dell'allenamento, insieme a potenziali limitazioni nel rilevamento di piccoli oggetti e nei vincoli di risorse computazionali. Tuttavia, questo studio pone le basi per integrare il rilevamento dei difetti basato sul deep learning con l'automazione robotica per la riparazione delle superfici del legno. Il lavoro futuro si concentrerà sull'espansione dei dataset, l'ottimizzazione dei modelli e il miglioramento delle prestazioni in tempo reale per avvicinare questa soluzione all'applicazione industriale.