Konenäön hyödyntäminen puutavarajätteen kierrättämisessä : naulojen ja ruuvien tunnistaminen laudasta

Abstract

Tässä diplomityössä tutkittiin konenäön hyödyntämistä puutavarajätteen kierrättämisessä keskittyen erityisesti naulojen ja ruuvien tunnistamiseen laudasta. Puutavarajätteen kierrättäminen ennen uusiokäyttöä vaatii useimmiten niiden havaitsemisen ja poistamisen. Naulojen poistaminen käsin puutavarajätteestä on yksitoikkoista, työlästä ja aikaa vievää työtä. Nämä johtavat usein siihen, ettei ihmissilmä havaitse kaikkia nauloja. Tehtävä soveltuu paremmin koneella tehtäväksi. Tavoitteena oli kehittää toimiva konenäköjärjestelmä. Työn tarkoituksena oli saada vastaus kysymykseen, kuinka tunnistaa naula tai ruuvi laudasta. Lisäksi pääkysymystä tukevia apukysymyksiä olivat, millaisia teknologioita konenäkö pystyy tarjoamaan kannan tunnistamiseen ja kuinka luotettavasti naula tai ruuvi voidaan tunnistaa ja paikantaa. Tutkimus alkoi kirjallisuuskatsauksen tekemisellä, jossa perehdyttiin sääntöpohjaisen ko-nenäön teorioihin ja menetelmiin. Teorioihin ja menetelmiin perustuen työssä oli tarkoitus suunni-tella konenäköjärjestelmä, jossa tutkittiin erilaisia valaistuksen ja kuvankäsittelyn vaikutuksia naulojen tunnistamiseen. Tämä tehtiin, koska konenäölle on pystyttävä luomaan optimaalinen toimintaympäristö. Suunnittelun osana käytettiin syklimäistä toimintatutkimusmenetelmää. Kokeellisessa osuudessa testattiin suunnitteluosuudessa valikoituja valaistus- ja kuvankäsittelymenetelmiä. Lisäksi testattiin konenäön tarkkuutta ja luokittelukykyä. Testien viimeisenä vaiheena testattiin konenäköjärjestelmän integrointia naulanpoistolaitteeseen, joka kehitettiin toisessa diplomityössä. Konenäkötestejä varten luotiin testilaudat, joissa oli nauloja ja ruuveja. Konenäöllä pystyttiin löytämään työssä määriteltyjen naula- ja ruuvitapauksien yhteismäärän halutussa tarkkuudessa. Konenäköjärjestelmä ei kuitenkaan kyennyt luokittelemaan kaikkia nauloja ja ruuveja oikein. Myös järjestelmien integraatioon jäi parantamista, koska kaikkia nauloja ei pystytty poistamaan. Jatkokehityksenä olisikin edelleen kehittää prototyyppiä, jotta se toimisi tarkemmin ja automaattisemmin. Myöhemmin naulojen tunnistaminen voisi tulla tapahtumaan koneoppimiseen perustuvan konenäön avulla.

In this master’s thesis the utilization of machine vision in recycling of wood waste was investigated, focusing on detection of nails and screws from a board. Recycling of the wood waste before reuse usually requires the detection and removal of nails. Removal of the nails from wood waste by hand is monotonous, laborious and time-consuming task. This often leads to a human error of missing some of the nails. The task is more suitable to be done by a machine. The goal was to develop a functional machine vision system that can accurately and reliably detect the nails and the screws. The purpose of the work was to get an answer to the question of how to identify the nail or the screw on a board. In addition, auxiliary questions supporting the main question where what kind of technologies machine vision can offer for detection the nail or screw and how reliably it can be identified and located. The research started with a literature review where the theories and methods of rule-based machine vision were introduced. Based on theories and methods, aim of the study was to create a machine vision system where different effects of lighting and image processing can be studied and how these affect the detection of the nails. This was done because it is necessary to be able to create an optimal operating environment for the machine vision. An iterative action research method was used as part of the design. In the experimental part, the lighting and image processing methods selected in the design part were tested. In addition, the accuracy and classification ability of machine vision were tested. The last stage of the test was to test the integration of the machine vision system into the nail removal device, which was developed in another master’s thesis. For machine vision tests, test boards with nails and screws were created. With the machine vision, it was possible to find the total number of nail and screw cases defined in the work with the desired accuracy. However, the machine vision system was not able to classify all nails and screws correctly. The integration of the system also needed improvement, because it was not possible to remove all the nails. Further development would include continuing to develop the prototype so that it works more precisely and automatically. Later, the detection of nails could happen with a help of machine vision based on machine learning.