Online Small-Defect Detection in Large-Size Timber for Industrial Throughput

Apa itu deteksi online cacat kecil pada kayu? Deteksi online cacat kecil adalah pemeriksaan permukaan kayu yang berjalan mengikuti laju konveyor, memakai kamera dan model deep learning untuk menandai defek berukuran kecil pada balok atau papan berukuran besar. Hasilnya dipakai langsung untuk keputusan sortir tanpa menghentikan aliran produksi.

Cacat kecil pada kayu besar terdengar sepele. Praktiknya justru titik tersulit dalam inspeksi otomatis. Mata kayu muda, retak halus, dan noda teras berukuran beberapa milimeter mudah tenggelam dalam tekstur serat ketika kamera memotret papan selebar 30 cm yang melaju di konveyor. Mata manusia masih bisa menandai dengan menahan papan sejenak. Sistem online tidak punya kemewahan itu. Keputusan harus keluar dalam sepersekian detik, pada citra yang terus bergerak.

Di titik inilah paper Ji, Zhang, Han, dan Miao yang terbit Desember 2024 di Industrial Crops and Products menjadi relevan. Judulnya eksplisit: "A deep learning-based algorithm for online detection of small target defects in large-size sawn timber". "Using machine vision technology, an online detection system for small target defects of large-size timber was developed." Kalimat itu yang terverifikasi dari abstrak terbuka. Naskah lengkapnya berada di balik akses berbayar, sehingga rincian arsitektur model dan angka presisinya tidak bisa dikutip di sini. Tidak ada gunanya mengarang. Yang bisa dicatat: fokus mereka adalah gabungan tiga kata kunci yang jarang muncul bersamaan, online, small target, large-size timber. Tiga-tiganya adalah masalah nyata di pabrik penggergajian.

Informasi — Kenapa cacat kecil di kayu besar sulit dideteksi

Masalahnya berlapis. Pertama, proporsi. Defek berukuran kecil menempati sedikit piksel dalam citra papan besar. Model deteksi objek yang dilatih pada citra statis cenderung melewatkannya begitu resolusi input diturunkan demi kecepatan. Kedua, gerak. Citra online mengandung blur dan variasi pencahayaan yang tidak ada di dataset laboratorium. Ketiga, tekstur kayu sendiri. Serat, pola warna, dan sisa debu gergaji menciptakan pola yang menyerupai cacat dari sudut pandang kamera.

Paper Ji dkk. menempatkan solusinya sebagai sistem online, bukan sekadar algoritma offline. Bedanya penting. Algoritma offline dinilai dari akurasi pada dataset diam. Sistem online dinilai dari gabungan akurasi dan kemampuan mengikuti laju lini. Klaim mereka adalah sistem yang terpasang dan berjalan, bukan demo di laptop. Detailnya tertutup, tetapi arahnya jelas dan sejalan dengan temuan kelompok riset lain yang datanya terbuka penuh.

Informasi — Seperti apa lini sortir vision yang benar-benar berjalan

Gambaran konkret tentang lini semacam itu datang dari Fujian, Cina. Ding, Gong, Kong, dan Zheng merancang dan membangun lini grading dan sortir diameter log berbasis machine vision, lalu mengujinya di produksi nyata dan mempublikasikannya secara terbuka di Forests pada Februari 2024. Objeknya bukan cacat kecil, melainkan diameter ujung log. Namun arsitekturnya mewakili cara berpikir sistem online: zona feeding, alignment, deteksi, dan sortir dirangkai berurutan dengan logika kontrol PLC.

Model deteksi ujung log memakai YOLOv5. Pada pengujian identifikasi penampang ujung, model mencapai akurasi 99,77 persen, recall 99,85 persen, dan mean average precision 99,80 persen. Angka diameternya diukur terpisah pada 100 batang uji: rata-rata error absolut 1,12 mm, 98 batang tersortir ke rak yang benar. Ringkasnya, akurasi sortir di atas 95 persen untuk rentang diameter 60 sampai 300 mm dan panjang 2 sampai 6 meter.

Laju kerjanya yang menarik. Kebutuhan perusahaan tempat uji hanya 100 meter kubik per 8 jam. Lini yang dibangun mencapai 490 meter kubik per 8 jam. Dengan 250 hari kerja per tahun, kapasitas tahunan mencapai 120.000 sampai 130.000 meter kubik. Pengujian dilakukan pagi hari musim panas bersuhu 35 derajat di bawah cahaya alami yang melimpah, kondisi yang jauh dari laboratorium steril.

Konteks industrinya juga dicatat para penulis. Praktik pra-sortir log sudah umum di Eropa selatan dan Kanada timur, dengan lebih dari 95 persen penggergajian di Swedia menerapkan prosedur pra-sortir. Banyak perusahaan di Cina masih mengandalkan grading diameter manual yang mahal dan lambat. Lini vision menutup kesenjangan itu.

Informasi — Pelajaran untuk jalur produksi kayu

Dua studi ini saling melengkapi. Ji dkk. menyerang masalah yang lebih sulit, defek kecil pada kayu gergajian besar secara online. Ding dkk. membuktikan bahwa lini vision lengkap bisa hidup di lantai pabrik dengan angka yang terukur. Keduanya sepakat pada satu hal: kamera saja tidak cukup. Diperlukan desain zona mekanik, sinkronisasi kecepatan antar segmen, dan logika kontrol yang mengatur kapan log ditahan, disejajarkan, difoto, lalu didorong ke rak yang benar.

Untuk skala workshop kecil, angka 490 meter kubik per 8 jam terdengar seperti dunia lain. Pelajarannya bukan skalanya. Pelajarannya adalah urutan kerjanya. Pisahkan alignment dari deteksi. Pastikan posisi benda konsisten sebelum kamera memotret. Ukur error dalam milimeter, bukan klaim persen yang abstrak. Uji di bawah cahaya bengkel yang sebenarnya, bukan cahaya studio. Prinsip yang sama berlaku ketika objeknya papan jati rakyat berukuran 40 cm yang difoto dengan kamera statis sebelum masuk CNC.

Ada batas yang perlu diakui. Angka 1,12 mm dan 95 persen milik studi diameter log Fujian, bukan milik studi cacat kecil Ji dkk. Kinerja deteksi cacat kecil secara online hampir pasti di bawah angka diameter, karena objeknya lebih sulit. Artikel ini tidak mencampuradukkan keduanya. Yang diklaim berjalan online untuk cacat kecil adalah sistem Ji dkk. Yang angkanya terbuka penuh adalah lini Ding dkk.

Kesimpulan

Deteksi online cacat kecil pada kayu besar adalah lompatan dari inspeksi citra statis menuju keputusan real-time di atas konveyor yang bergerak. Studi Ji dkk. pada akhir 2024 menunjukkan arah itu sudah dikerjakan sampai tahap sistem terpasang. Studi Ding dkk. pada awal 2024 menunjukkan lini vision lengkap bisa mencapai error 1,12 mm dan akurasi sortir di atas 95 persen pada kondisi produksi nyata. Gabungan keduanya memberi peta jalan yang jujur: masalah cacat kecil itu nyata dan sulit, arsitektur lini vision sudah terbukti, dan angka spesifik tiap tugas harus diukur sendiri di lapangan, bukan dipinjam dari studi lain.

Pertanyaan Umum (FAQ)

Apa beda deteksi online dengan inspeksi citra biasa?

Deteksi online berjalan mengikuti laju konveyor dan memberi keputusan dalam sepersekian detik. Inspeksi citra biasa memotret benda diam dan dianalisis tanpa batasan waktu.

Kenapa cacat kecil sulit dideteksi pada kayu besar?

Karena defek hanya menempati sedikit piksel, citra bergerak mengandung blur dan variasi cahaya, serta tekstur serat kayu menyerupai cacat.

Seberapa akurat lini sortir vision yang sudah teruji?

Pada studi diameter log Fujian, error absolut rata-rata 1,12 mm dengan 98 dari 100 batang tersortir benar. Angka ini khusus tugas diameter, bukan deteksi cacat kecil.

Apakah sistem seperti ini relevan untuk workshop kecil?

Prinsipnya relevan. Pisahkan alignment dan deteksi, jaga posisi benda konsisten saat difoto, dan ukur error dalam satuan nyata. Skala kapasitasnya yang berbeda.

Dari mana angka-angka dalam artikel ini berasal?

Angka YOLOv5 99,77 persen, error 1,12 mm, dan kapasitas 120.000 sampai 130.000 meter kubik berasal dari naskah terbuka Ding dkk. di Forests 2024. Klaim sistem online cacat kecil berasal dari abstrak terbuka Ji dkk. di Industrial Crops and Products 2024.

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. Ji, M., Zhang, W., Han, J. K., Miao, H. (2024). A deep learning-based algorithm for online detection of small target defects in large-size sawn timber. Industrial Crops and Products, 119671. https://www.sciencedirect.com/science/article/abs/pii/S0926669024016480
2. Ding, Z., Gong, Y., Kong, L., Zheng, J. (2024). Design and Implementation of an Intelligent Log Diameter Grading and Sorting Line Based on Machine Vision. Forests, 15(2), 387. https://www.mdpi.com/1999-4907/15/2/387