20.500.12556/RUL-190713 Detection of defects and quality analysis of logs Odkrivanje napak in analiza kakovosti hlodov Knots largely decide what a log is worth, yet they are still mostly counted by eye. Computed tomography finds them reliably but is too expensive to use where logs are harvested, while a camera is cheap but sees only the bark-covered surface, where knots are small, partly hidden and easily confused with bark. We detect knots in color images of round logs in two steps: segmenting every visible knot in each image, and matching the knots across images so that each physical knot is counted once. We release WoodKnots-600, a dataset of 600 images of 15 logs with 1171 annotated knots, including cross-view knot identities for one log. We compare nnU-Net, Ultralytics YOLO and a custom segmentation framework built on a self-supervised DINOv3 backbone under a common, log-grouped cross-validation. The custom framework performs best, with a pooled Dice score of 62.9% and an mAP50 of 38.3%, against 41.2% and 19.5% for YOLO and 30.5% and 10.2% for nnU-Net. The pretrained features drive this advantage: with supervised ImageNet weights on the same architecture, the Dice score falls to 44.8%. The model outlines the knots it finds well, but misses many small knots and knots the annotators marked as uncertain. To match knots across views, we project their masks onto a 3D reconstruction of the log and group them by spatial overlap. On annotated masks, the matching merges no distinct knots and recovers 66 of 67 knots exactly, regardless of the precise threshold. Na oceno vrednosti podrtega drevesa močno vpliva prisotnost grč, ki se jih po večini pregleduje ročno. Zanesljivi avtomatizirani pristopi za iskanje grč uporabljajo računalniško tomografijo. Ta je draga in nepraktična za uporabo na terenu, po drugi strani je kamera poceni in priročna, vendar je zaznavanje grč iz slik zahtevnejše. Temelji na prepoznavi površine hloda prekritega z lubjem, kjer so grče lahko majhne, zakrite in težko ločljive od lubja. Za ta problem predstavljamo podatkovno zbirko slik WoodKnots-600, ki vsebuje 600 barvnih slik 15 različnih hlodov s 1171 označenimi grčami. Za enega od hlodov smo oznakam pripisali še kateri dejanski grči pripada. Ker lahko ista grča nastopa v več slikah, prepoznavo grč izvedemo v dveh korakih: najprej segmentiramo grče v vseh slikah hloda, nato grče med slikami povežemo tako, da je vsaka fizična grča upoštevana le enkrat. Za segmentacijo primerjamo nnU-Net, Ultralytics YOLO in lastno ogrodje za segmentacijo, zgrajeno na samonadzorovanem prednaučenem kodirniku DINOv3. Vsa tri ogrodja ovrednotimo z enakim prečnim preverjanjem, v katerem so slike v disjunktne množice razdeljene po hlodih. Najboljše rezultate dosega lastno ogrodje z Diceovim koeficientom 62,9% in mAP50 38,3%, nato YOLO z 41,2% in 19,5% in nazadnje nnU-Net z 30,5% in 10,2%. Prednost je posledica predučenih značilk, saj zamenjava DINOv3 uteži z ImageNet utežmi ob isti arhitekturi zmanjša Dice na 44,8%. Končni model najdene grče natančno označi, vendar pogosto spregleda majhne grče in grče, ki so jih označevalci označili kot negotove. Grče med slikami povežemo tako, da njihove maske preslikamo na 3D rekonstrukcijo hloda in jih združimo glede na prekrivanje v prostoru. Na označenih maskah metoda ne združi nobenih dveh različnih grč in pravilno identificira 66 od 67 fizičnih grč, rezultat pa ni odvisen od natančne nastavitve parametrov. Wood knot segmentation RGB log images instance segmentation self-supervised pretraining multi-view matching Segmentacija drevesnih grč RGB slike hlodov segmentacija primerkov samonadzorovano predučenje ujemanje med pogledi true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2026-11-02 09:55:01 2026-11-02 09:55:09 2026-11-13 10:40:05 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38556 305208323 Sutar_Matic_-_Odkrivanje_napak_in_analiza_kakovosti_hlodov.pdf Sutar_Matic_-_Odkrivanje_napak_in_analiza_kakovosti_hlodov.pdf 1 BEB0280ECEA35EC71F79660A7C651290 b04e29f5eb2743458969860f44832a9f5f47329bba56adad50c43a7b1d1c8b1b 0c02ece9-d69b-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252274 Fakulteta za računalništvo in informatiko 0 0 0