Computer Vision Sortir Kayu: Deteksi Cacat Otomatis di Jalur Produksi

Apa itu computer vision untuk sortir kayu? Computer vision untuk sortir kayu adalah sistem yang memakai kamera dan model deep learning untuk mengenali cacat pada permukaan log dan menentukan kelas mutu secara otomatis. Beda utamanya dengan sortir manual: penilaian dilakukan dari citra yang sama untuk setiap log, tanpa kelelahan dan tanpa jeda.

Sortir log veneer birch di negara Baltik masih banyak mengandalkan mata manusia. Setiap log dinilai dari cacat yang tampak di sisi dan penampang ujung, seperti mata kayu, retak empulur, kulit tumbuh ke dalam, luka kulit mati, perubahan warna teras, dan busuk teras. Kelas mutu yang dihasilkan langsung menentukan harga antara pembeli dan penjual. Pada 2025, Latvia mengekspor veneer dan plywood sekitar 423 juta euro, sehingga konsistensi penilaian punya bobot ekonomi yang nyata. Di jalur produksi yang cepat, keputusan harus diambil dalam hitungan detik. Uji sebelumnya menyebut akurasi grader manual hanya 48 sampai 75 persen dan turun seiring kecepatan dan kelelahan.

Informasi — Seberapa Akurat Kamera Membaca Cacat

Penelitian Jānis Magaznieks, Mareks Millers, dan Agris Gabrāns dari VMF LATVIA menguji model computer vision di kondisi industri yang sesungguhnya. Sebanyak 153 log veneer birch dievaluasi dua kali dengan citra yang sama, sekali oleh algoritma dan sekali oleh scaler di jalur sortir. Hasilnya dibandingkan per jenis cacat.

Pola akurasinya tidak merata. Cacat yang berada di zona teras tengah dikenali dengan baik. Recall untuk perubahan warna teras mencapai 97 persen, retak empulur dan retak pengeringan 91 persen, dan busuk teras 88 persen. Warna dan kontras yang tegas di area teras membuat model lebih mudah menangkapnya.

Sebaliknya, cacat yang lebih kecil atau samar dikenali buruk. Recall untuk mata kayu mati dan busuk hanya 44 persen, dan kulit tumbuh ke dalam 52 persen. Bentuk yang menempel di permukaan dan warna yang mirip kayu sehat membuat model sering melewatkannya. Temuan ini menegaskan bahwa tidak semua cacat punya tingkat keterbacaan yang sama bagi kamera.

Informasi — Kelas Mutu Belum Seakurat Mata Terlatih

Tugas kedua yang diuji adalah pemberian kelas mutu. Algoritma dan scaler hanya sepakat pada 57 persen kasus. Ketika berbeda, algoritma cenderung memberi kelas yang lebih rendah, terutama karena terlalu sering menandai busuk teras. Over indikasi ini menurunkan nilai jual log yang sebenarnya masih masuk kelas atas.

Sebagai pembanding, penilaian manual sendiri tidak sepenuhnya berulang. Saat scaler jalur dibandingkan dengan scaler kontrol yang menilai secara rinci, kesepakatannya 79 persen, dengan rentang antar scaler 69 sampai 88 persen. Artinya, patokan manusia pun bergerak.

Hasil ini menempatkan computer vision pada posisi yang spesifik. Untuk cacat teras tengah, akurasinya sudah siap dipakai di industri. Untuk mata kayu dan kulit tumbuh ke dalam, ia masih menjadi batasan utama sebelum sistem bisa diandalkan penuh. Deep learning memang tumbuh pesat sejak 2016, kini mengisi hampir separuh publikasi penilaian mutu kayu pada 2023 sampai 2026, dengan CNN seperti YOLO dan Faster R-CNN yang belajar fitur visual langsung dari citra. Namun di jalur sortir yang berdebu, bergetar, dan berkecepatan tinggi, pelajaran dari citra saja belum cukup untuk semua jenis cacat.

Informasi — Apa Artinya untuk Jalur Produksi

Implikasi praktisnya ada pada desain sistem. Kamera perlu diposisikan untuk menangkap zona teras dengan pencahayaan yang konsisten, karena di situlah model sudah akurat. Untuk mata kayu, diperlukan tambahan data latih yang jauh lebih banyak dan variasi sudut pengambilan gambar, karena bentuknya beragam.

Di sisi lain, keunggulan otomatisasi ada pada konsistensinya. Sistem tidak lelah dan tidak melambat di jam jam akhir shift. Dalam konteks industri veneer yang menuntut throughput tinggi, kombinasi manusia untuk cacat samar dan mesin untuk cacat teras bisa menjadi jalan tengah yang masuk akal sebelum sistem sepenuhnya mandiri.

Kesimpulan

Computer vision berbasis deep learning sudah mampu mengenali cacat teras tengah pada log veneer birch dengan recall 88 sampai 97 persen di kondisi industri. Tantangan utamanya ada pada mata kayu dan kulit tumbuh ke dalam yang recallnya baru 44 sampai 52 persen. Kesepakatan kelas mutu dengan scaler baru 57 persen karena over indikasi busuk teras, sementara kesepakatan antar manusia sendiri 79 persen. Teknologi ini siap untuk tugas spesifik di zona teras, namun deteksi mata kayu tetap menjadi pekerjaan rumah sebelum grading otomatis bisa menggantikan penilaian manual sepenuhnya.

Pertanyaan Umum (FAQ)

Cacat apa yang paling akurat dikenali computer vision?

Perubahan warna teras dengan recall 97 persen, disusul retak empulur dan retak pengeringan 91 persen, serta busuk teras 88 persen.

Kenapa mata kayu sulit dideteksi?

Karena ukurannya kecil, warnanya mirip kayu sekitar, dan bentuknya bervariasi, sehingga model sering tidak menangkapnya.

Apakah kelas mutu dari algoritma sudah bisa menggantikan scaler?

Belum. Kesepakatan baru 57 persen dan algoritma cenderung memberi kelas lebih rendah karena terlalu sering menandai busuk teras.

Seberapa konsisten penilaian manual itu sendiri?

Scaler jalur sepakat dengan kontrol rinci pada 79 persen kasus, dengan variasi 69 sampai 88 persen antar scaler.

Artikel ini disusun dari berbagai sumber terpercaya, riset akademik, literatur industri, dan pengalaman workshop, untuk menyebarluaskan informasi yang bermanfaat bagi industri perkayuan.

Sumber Riset

1. Magaznieks, J., Millers, M., Gabrāns, A. (2026). Evaluation of a Computer Vision Algorithm for Wood Defect Detection and Quality-Class Assignment of Birch Veneer Logs Under Industrial Conditions. Forests, 17(8), 893. https://www.mdpi.com/1999-4907/17/8/893