💻 computer science

Data-Driven Generation of Synthetic Timber for Deep-Learning-Based Wood Assessment

Dit artikel introduceert een uitgebreid raamwerk dat LSTM-gebaseerde kwastgeneratie, stochastische groeimodellering en conditionele diffusiemodellen combineert om realistische synthetische Noorse sparren planken met bekende interne structuren te creëren, waardoor het mogelijk wordt om deep learning-systemen te trainen voor houtbeoordelings-taken waarbij echte gekoppelde data schaars is.

Oorspronkelijke auteurs: Osama Abdeljaber, Min Hu, Caroline Marc, Anders Olsson

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Osama Abdeljaber, Min Hu, Caroline Marc, Anders Olsson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren een meester-timmerman te zijn. Om dit te doen, moet de robot leren hoe hij naar een stuk hout kan kijken en begrijpen wat er ín het hout gebeurt — waar de knoesten zitten, hoe de nerf draait en waar het midden van de boom (de merg) zich vroeger bevond.

Het probleem is dat je om een robot dit te leren, meestal een enorme bibliotheek nodig hebt met voorbeelden waarbij je zowel een buitenafbeelding van het hout hebt én de exacte interne kaart. Maar het verkrijgen van die interne kaart is een nachtmerrie. Je zou het hout open moeten snijden of dure, langzame röntgenmachines moeten gebruiken om de verborgen structuur te zien. Het is alsoos proberen iemand te leren de vulling van een chocoladereep te raden door alleen naar de wikkel te kijken, terwijl je de "antwoordsleutel" alleen kunt krijgen door de chocolade kapot te slaan.

Dit artikel presenteert een slimme oplossing: een digitale houtfabriek die perfect, nep hout creëert.

Zo hebben ze deze fabriek gebouwd, stap voor stap, met behulp van eenvoudige analogieën:

1. De Knoest Voorspeller (De "Verhalenverteller")

Eerst had het team een manier nodig om te beslissen waar knoesten (de harde, knoestige delen van hout) op een stam zouden verschijnen. Ze konden ze niet zomaar willekeurig plaatsen; echte bomen hebben specifieke patronen.

De Analogie: Stel je een AI voor die duizenden echte boomstammen heeft gelezen. Het heeft de "grammatica" van hout geleerd. Net zoals een taalmodel het volgende woord in een zin voorspelt, voorspelt dit model de volgende "knoest" in een stam. Het weet dat als er hier een knoest is, er een bepaalde kans is dat er een paar inch verderop weer een verschijnt.
Het Resultaat: Het genereert een realistische lijst met knoesten, precies zoals een echte boom ze zou laten groeien.

2. De Bouwer van de Groeilagen (De "Architect")

Vervolgens moesten ze de ringen rond die knoesten bouwen. Bomen zijn geen perfecte cilinders; ze staan scheef (kromming), worden dunner aan de bovenkant (tapering) en de ringen worden rond knoesten samengedrukt of uitgerekt.

De Analogie: Denk hierbij aan een 3D-printer die het skelet van de boom bout. Het neemt de lijst met knoesten en wikkelt lagen "hout" om hen heen. Het weet dat de lagen moeten hobbelen rond een knoest (zoals een kuil in de weg) en dat de hele boom lichtjes moet leunen.
Het Resultaat: Een virtuele boomstam met een mathematisch perfecte interne structiefuur, inclusief de exacte locatie van elke ring en elke knoest in de 3D-ruimte.

3. De Vezel Mapper (De "Verkeersregelaar")

Houtvezels zijn als kleine snelwegen die langs de boom lopen. Wanneer ze een knoest raken, moeten ze eromheen buigen.

De Analogie: Stel je een verkeersregelaar voor die op de virtuele boomstam staat. Terwijl de "auto's" (vezels) een "wegblokkade" (een knoest) naderen, vertelt de regelaar hen precies hoe ze eromheen moeten buigen.
Het Resultaat: Een volledige kaart die de richting van elke enkele vezel binnenin het hout laat zien, zelfs in de verborgen delen.

4. De Realistische Schilder (De "Digitale Kunstenaar")

Nu hebben ze een perfecte 3D-kaart van de binnenkant, maar het ziet eruit als een draadmodel-diagram. Ze moeten er een foto van echt hout van maken, zodat de robot ervan kan leren.

De Analogie: Ze gebruikten een speciaal type AI-kunstenaar (gebaseerd op een technologie genaamd Stable Diffusion). In plaats van te schilderen op basis van een tekstprompt zoals "een zonsondergang", gaven ze de kunstenaar de "blauwdrukken" (de ringpatronen en vezelrichtingen) en zeiden: "Schilder een foto van hout die exact overeenkomt met deze blauwdrukken."
Het Resultaat: Een fotorealistische afbeelding van het houtoppervlak die perfect overeenkomt met de eerder gecreëerde, verborgen interne kaart.

De "Proof of Concept" Test

Om te zien of deze nep houtfabriek echt werkt, probeerden de onderzoekers een specifieke uitdaging: Kan een robot leren de dwarsdoorsnede van een boom te raden door alleen naar de vier zijden van een plank te kijken?

De Opzet: Ze trainden een robot met alleen het nep hout dat door hun fabriek werd gegenereerd. De robot zag de buitenkant van de nep planken en kreeg de "antwoordsleutel" (de binnenste dwarsdoorsnede te zien, omdat de fabriek deze perfect kende).
De Test: Ze lieten de robot vervolgens echte, werkelijke houten planken zien die hij nog nooit eerder had gezien.
De Uitkomst: De robot, die volledig getraind was op nep data, was verrassend goed in het raden van de interne structuur van het echte hout. Hij kon met hoge nauwkeurigheid inschatten waar het midden van de boom zat en hoe breed de ringen waren.

Waarom dit ertoe doet

Het artikel concludeert dat deze "digitale houtfabriek" een krachtig hulpmiddel is. Het stelt wetenschappers in staat om onbeperkte hoeveelheden trainingsdata te creëren met perfecte "antwoordsleutels" voor taken waarbij het verkrijgen van echte data te duur, te traag of destructief is.

Kortom: Ze hebben een video game engine voor hout gebouwd. Ze hebben een AI geleerd om het spel perfect te spelen, en lieten vervolgens zien dat de AI daadwerkelijk kan helpen bij het oplossen van echte problemen met echt hout, ook al heeft hij alleen in de virtuele wereld geleerd.

Noot: De auteurs geven expliciet aan dat dit een "proof of concept" is. Ze beweren niet dat dit de huidige echte tests al vervangt, maar wel dat het een krachtige nieuwe manier biedt om AI te trainen wanneer echte data moeilijk te verkrijgen is.

Technische Samenvatting: Datagestuurde Generatie van Synthetisch Hout voor Deep-Learning-gebaseerde Houtbeoordeling

Probleemstelling
De ontwikkeling van deep-learning (DL) modellen voor houtbeoordeling wordt gehinderd door het tekort aan grootschalige, gekoppelde datasets waarbij externe oppervlaktescans gekoppeld zijn aan bekende interne structuren (bijv. kwastgeometrie, groeilagen, 3D vezeloriëntatie en de locatie van de merg). Het verkrijgen van een dergelijke grondwaarheid voor echt hout is vaak destructief, duur of tijdrovend, omdat het röntgen-CT-scans of fysiek snijden vereist. Bovendien is handmatige annotatie van houtkenmerken voor supervised learning arbeidsintensief. Hoewel synthetische data in andere velden (bijv. autonoom rijden, medische beeldvorming) is verkend om annotatie-bottlenecks te overwinnen, zijn bestaande frameworks voor houtgeneratie beperkt. Eerdere benaderingen richtten zich ofwel uitsluitend op helder hout zonder kwasten (Habite et al., 2022), of genereerden plausibele volumetrische texturen zonder de 3D vezeloriëntaties te berekenen of scanner-achtige oppervlaktebeelden te genereren voor specifieke plankafmetingen (Larsson et al., 2022). Er is behoefte aan een uitgebreid framework dat synthetische Noorsche sparrenplanken genereert met realistische oppervlakteverschijningsvormen en volledig bekende interne structuren om DL-gebaseerde graderings- en beoordelingstaken te ondersteunen.

Methodologie
De auteurs stellen een procedureel framework met vier componenten voor om synthetische Noorsche sparrenplanken te genereren. De workflow verloopt van de generatie van de interne structuur naar realistische oppervlakte-rendering:

Datagestuurde Kwastgenerator:
- Databron: 97 Noorsche sparrenstammen uit de open-access TreeTrace_spruce database, gesegmenteerd via röntgen-CT-scans.
- Parametrisering: Kwasten zijn geëxtraheerd als puntenwolken en gefit aan een geometrisch model (Foley, 2003) met behulp van 10 parameters (longitudinale positie, azimut, as-paraboolcoëfficiënten, diametercoëfficiënten en radiale grenzen voor levende/dode delen).
- Clustering: Om dataschaarsheid aan te pakken, zijn 16.319 unieke kwasten geclusterd in 1.000 groepen op basis van hun 9-dimensionale geometrische embeddings (exclusief longitudinale positie).
- Sequentiegeneratie: Een Long Short-Term Memory (LSTM) model is getraind op sequenties van deze cluster-tokens (afgeleid van 1-cm gediscretiseerde log-slots) om de volgende kwast-token te voorspellen. Het model bereikt een nauwkeurigheid van 93,2% bij het voorspellen van cluster-tokens en reproduceert de statistische eigenschappen van kwastsequenties (bijv. kwast-runlengtes, frequentie) die vergelijkbaar zijn met echte data.
Groeilaaggenerator:
- Stochastische Modellering: Jaarringen worden gegenereerd met behulp van een stochastisch model (Habite et al., 2022) dat onregelmatige dwarsdoorsneden en variabele ringbreedtes creëert op basis van echte stammetingen.
- Deformaties: De nominale groeilagen worden aangepast om het volgende te bevatten:
  - Taper (Taps to top): Lineaire reductie in straal langs de lengte van de stam.
  - Crook (Kromming): Stochastische verschuivingen in transversale coördinaten, gemodelleerd als een som van sinusgolven.
  - Kwastbulten (Knot Bumps): Lokale vervormingen rond kwasten worden berekend met behulp van een aangepast Foley-model, waarbij rekening wordt gehouden met meerdere kwasten en de aanwezigheid van kromming/taper. Dit omvat het berekenen van invloedzones en het aanpassen van de groeilaagstraal op basis van de grenzen van levende/dode kwasten.
Vezeloriëntatiemodel:
- 3D Toewijzing: Op basis van de gegenereerde kwastgeometrie en gedeformeerde groeilagen wordt een 3D vezelrichting toegewezen aan elk punt in de plank.
- Mechanisme: Het model breidt het enkele kwast-flowpatroon van Foley uit naar meerdere kwasten. Het berekent een geprojecteerde vezelrichting rond elke kwast (Rankine-ovaal flow) en dwingt tangentialiteit af aan het lokale groeilaagoppervlak.
- Combinatie: Voor punten die door meerdere kwasten worden beïnvloed, wordt een relevantiegewicht toegekend op basis van de afstand tot de kwastas. De uiteindelijke vezelrichting wordt geselecteerd om de transversale afwijkingsscore te maximaliseren, waardoor het vezelveld tangent blijft aan de groeilagen. Binnen de kwasten volgen de vezels de kwastas.
Realistische Oppervlaktebeeldgenerator (Conditional Diffusion):
- Input: Binaire ringkaarten en grijswaarden in-plane vezeloriëntatiekaarten afgeleid van de intersectie van de 3D-structuur met de plankoppervlakken.
- Model: Een aangepast Stable Diffusion XL (SDXL) model. De U-Net inputkanalen zijn uitgebreid van 4 naar 8 om de conditioneringskaarten te accommoderen (4 ringkaarten + 4 vezelkaarten).
- Training: Het model is getraind op 35.479 segmenten van echte Noorsche sparrenplanken (45×145 mm²). Omdat handmatige ringlabeling van de gehele dataset onhaalbaar was, werd een hulp-SDXL model getraind om automatisch ringpatronen uit RGB-beelden te labelen, wat een grote gekoppelde dataset van conditioneringskaarten en doel-RGB-beelden creëerde.
- Output: Het model genereert realistische 512×512 RGB-beelden voor de vier zijden van de plank, waarbij de voorgeschreven ringpatronen en vezelafwijkingen behouden blijven.

Belangrijkste Bijdragen

Omvattend Framework: De studie presenteert het eerste volledige framework voor het genereren van synthetische sparrenplanken dat tegelijkertijd kwastsequenties, groeilaaggeometrie (inclusclusief taper, kromming en bulten), 3D vezeloriëntatie en een realistische oppervlakteverschijningsvorm modelleert.
Datagestuurde Kwastsequencing: In tegenstelling tot eerdere procedurele methoden wordt de kwastsequentie gegenereerd door een LSTM die getraind is op echte CT-data, wat zorgt voor statistische getrouwheid aan natuurlijke kwastverdelingen.
Integratie van Fysica en DL: Het framework overbrugt analytische geometrische modellen (voor interne structuur en vezelflow) met generatieve AI (diffusiemodellen) om visueel realistische outputs te produceren die geconditioneerd zijn op fysieke parameters.
Open-Source Release: De volledige plankgenerator, inclusief broncode en getrainde modellen, wordt publiekelijk beschikbaar gesteld om verder onderzoek te faciliteren.

Resultaten en Voorlopige Toepassing
Om het nut van het framework te demonstreren, hebben de auteurs een proof-of-concept toepassing uitgevoerd: het trainen van een model om het dwarsdoorsnede-ringpatroon (inclusief merplocatie en ringbreedte) te voorspellen vanuit afbeeldingen van de vier longitudinale plankzijden.

Training: Een model werd uitsluitend getraind op 30.000 synthetische planksegmenten gegenereerd door het voorgestelde framework.
Testen: Het model werd geëvalueerd op 76 echte Noorsche sparrenplanken (152 dwarsdoorsneden) die niet tijdens de training zijn gezien.
Prestaties:
- Een standaard U-Net produceerde nauwkeurige randvoorspellingen maar wazige binnenregio's door de ambiguïteit van interne ringpatronen.
- Een puur diffusiemodel genereerde niet-wazige outputs maar "hallucineerde" onregelmatige, niet-houtachtige patronen.
- Een gecombineerde pipeline (U-Net voor initiële voorspelling + SDXL refiner voor detail) behaalde een hoge nauwkeurigheid.
- Metrics: De voorspelde gemiddelde jaarringbreedtes vertoonden een determinatiecoëfficiënt ( $R^2$ ) van 0,93 met een gemiddelde absolute discrepantie van 0,173 mm. Voorspellingen van de merplocatie vertoonden gemiddelde absolute discrepanties van 3,77 mm (x-richting) en 6,08 mm (y-richting).

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework succesvol de bottleneck van het verkrijgen van grootschalige gekoppelde datasets voor houtbeoordeling aanpakt. Door synthetische planken met bekende interne structuren te genereren, maakt het framework het trainen van DL-modellen mogelijk voor taken waarbij echte grondwaarheid moeilijk of destructief te verkrijgen is.

Bescheiden Claims: De auteurs stellen expliciet dat de resultaten moeten worden beschouwd als een "proof of concept". Ze erkennen dat hoewel de synthetische data voldoende was voor de taak van dwarsdoorsnede-voorspelling, complexere taken (bijv. volledige 3D kwastgeometrie voorspelling) nog steeds verfijning met echte data kunnen vereisen vanwege de domeinkloof tussen synthetische en echte planken.
Nut: De generator wordt gepositioneerd, niet als een vervanging voor experimentele data, maar als een hulpmiddel voor het ontwikkelen en testen van leer-gebaseerde methoden, wat potentieel de hoeveelheid vereiste echte gekoppelde data voor training en validatie vermindert.
Beperkingen: De auteurs wijzen op beperkingen met betrekking tot soortspecifiteit (momenteel alleen Noorse spar), vaste plankafmetingen en de computationele kosten van de diffusion-gebaseerde refinement pipeline, die momenteel real-time industriële toepassing verhindert. Toekomstig werk wordt gesuggereerd voor soortaanpassing (bijv. via LoRA) en verbeteringen in resolutie.