Automatic Classification of Tree Species and Log Quality from industrial X-ray images Using Machine Learning
2026 (English)Independent thesis Advanced level (degree of Master (One Year)), 20 credits / 30 HE credits
Student thesisAlternative title
Automatisk klassificering av trädslag och stockkvalitet från industriella röntgenbilder med hjälp av maskininlärning (Swedish)
Abstract [en]
In Swedish sawmills, timber logs are currently assessed for tree species and quality class through manual visual inspection augmented by industrial X-ray data, a process that is labour-intensive, requires specialized expertise, and is difficult to perform with full consistency at production scale. Although X-ray scanners are already deployed across many facilities, no robust end-to-end deep learning solution has been demonstrated that operates directly on raw two-view production X-ray data and predicts both species and Biometria quality classes simultaneously under real industrial conditions. This thesis presents and empirically evaluates a machine learning pipeline that classi- fies tree species (spruce vs. pine) and Biometria log quality classes from two orthogonal industrial X-ray views. A hierarchical multi-task architecture with a shared convolutional encoder and species-conditioned quality heads was implemented using ConvNeXt V2 (Base, Large, and Huge) as the primary backbone, benchmarked against ResNet-18 and ResNet-50 baselines. The models were trained and evaluated on a dataset of 5,299 labeled log pairs drawn from six sawmills, using early fusion of the two detector views. Self- supervised contrastive pre-training and image preprocessing pipelines were also explored as potential improvements. Species classification reached or exceeded the industrial target of approximately 99% accuracy across nearly all ConvNeXt V2 configurations. Quality classification under true-species routing ranged from 83.17% to 86.18%, with ConvNeXt V2 Huge achieving the highest grade accuracy and thereby satisfying the 85% industrial mandate. ResNet models consistently fell short of the quality target, achieving between 78.20% and 81.45%. Performance varied substantially across sawmills, with the site processing the largest- diameter logs showing the highest error rates, attributable to increased X-ray attenuation and domain shift. Self-supervised pre-training and image preprocessing did not improve downstream performance relative to ImageNet initialization on raw images. Automated species classification from 2D industrial X-ray images is demonstrated to be highly viable and ready for industrial integration. Quality grading is feasible but constrained by the physical limitations of 2D projection imaging, label noise inherent in manual grading, and a geometric domain shift driven by log diameter variability across sawmill sites. Future work should explore domain adaptation techniques to improve cross-sawmill generalization, and investigate masked image modelling pre-training on the large pool of unlabelled production data.
Abstract [sv]
OBS: översatt från vårt abstract i google translate I svenska sågverk bedöms timmerstockar för närvarande med avseende på trädslag och kvalitetsklass genom manuell visuell inspektion kompletterad med industriell röntgendata, en process som är arbetsintensiv, kräver specialiserad expertis och är svår att utföra med full konsekvens i produktionsskala. Även om röntgenskannrar redan används i många anläggningar har ingen robust heltäckande djupinlärningslösning demonstrerats som fungerar direkt på råa tvåvysproduktionsröntgendata och förutsäger både trädslag och Biometria-kvalitetsklasser samtidigt under verkliga industriella förhållanden. Denna avhandling presenterar och utvärderar empiriskt en maskininlärningspipeline som klassificerar trädslag (gran vs. tall) och Biometria-stockkvalitetsklasser från två ortogonala industriella röntgenvyer. En hierarkisk fleruppgiftsarkitektur med en delad faltningskodare och artkonditionerade kvalitetshuvuden implementerades med ConvNeXt V2 (Base, Large och Huge) som primär ryggrad, jämförd med ResNet-18 och ResNet-50 baslinjer. Modellerna tränades och utvärderades på en datauppsättning av 5 299 märkta stockpar hämtade från sex sågverk, med hjälp av tidig sammanslagning av de två detektorvyerna. Självövervakade kontrastiva förtränings- och bildförbehandlingspipelines undersöktes också som potentiella förbättringar. Artklassificeringen nådde eller överträffade det industriella målet på cirka 99 % noggrannhet i nästan alla ConvNeXt V2-konfigurationer. Kvalitetsklassificeringen under sann art-routing varierade från 83,17 % till 86,18 %, där ConvNeXt V2 Huge uppnådde högsta gradnoggrannhet och därmed uppfyllde det industriella mandatet på 85 %. ResNet modellerna låg konsekvent under kvalitetsmålet och uppnådde mellan 78,20 % och 81,45 %. Prestandan varierade avsevärt mellan sågverk, där den plats som bearbetade stockarna med störst diameter uppvisade de högsta felfrekvenserna, vilket kan hänföras till ökad röntgendämpning och domänförskjutning. Självövervakad förträning och bildförbehandling förbättrade inte nedströmsprestanda i förhållande till ImageNet-initiering på råbilder. Automatiserad artklassificering från 2D-industriella röntgenbilder har visat sig vara mycket gångbar och redo för industriell integration. Kvalitetsgradering är genomförbar men begränsad av de fysiska begränsningarna för 2D-projektionsavbildning, etikettbrus som är inneboende i manuell gradering och en geometrisk domänförskjutning driven av variationer i stockdiameter mellan sågverksplatser. Framtida arbete bör utforska domänanpassningstekniker för att förbättra generalisering mellan sågverk och undersöka förträning av maskerad bildmodellering på den stora poolen av omärkta produktionsdata.
Place, publisher, year, edition, pages
2026. , p. 43
Keywords [en]
deep learning, machine learning, image processing
Keywords [sv]
djupinlärning, maskininlärning, bildbehandling
National Category
Computer Engineering
Identifiers
URN: urn:nbn:se:liu:diva-224546ISRN: LiU-ITN-TEK-A--26/019--SEOAI: oai:DiVA.org:liu-224546DiVA, id: diva2:2067732
External cooperation
RemaSawco Linköping
Subject / course
Computer Engineering
Supervisors
Examiners
2026-06-082026-06-082026-06-08Bibliographically approved