Prédiction des défauts internes des grumes à partir de leurs caractéristiques corticales – WoodSeer

Grâce à des méthodes d’intelligence artificielle, s’appuyant sur de l’apprentissage supervisé, la démarche proposée consiste à extraire les singularités de l’écorce à partir de numérisations 3D réalisées avec différents capteurs (Laser, Caméras…), de lier celles-ci avec l’extension du défaut interne éventuellement associé, obtenue grâce à des données densitométriques issue de tomographie à rayons X. Le but ultime est de pouvoir reconstruire le défaut interne uniquement à partir de l’information externe.
Un des challenges posé par le projet est de disposer de données couvrant tout le domaine d’application potentiel allant des arbres sur pied en forêt jusqu’à l’amont de l’étape de transformation des grumes en milieu industriel. Il s’agit de lier toutes ses acquisitions entre elles, mais aussi avec des données décrivant les défauts internes obtenues par RX afin de pouvoir analyser ces données dans un repère tridimensionnel commun et disposer de vérités terrains servant aux phases d’apprentissage et de test des algorithmes.
Dans la mise en œuvre de ce protocole original, associé au développement d’une architecture de base de données adaptée, une étape cruciale a été la construction d’un scanner géométrique pour les grumes, en vue de fournir une information 3D colorisée de leurs surfaces. Sa finalité est non seulement de fournir des données, s'apparentant à des mesures en milieu industriel dans des parcs à grumes par exemple, mais aussi de permettre la mise en œuvre d'une phase du protocole qui permet de faire le lien entre les mesures déjà faites en forêt et à venir au tomographe à rayons X. Après une première description de l'enveloppe de la grume, celle-ci s'appuie sur la mise en place de petits cylindres PVC , insérés radialement dans la grume et dépassant de quelques centimètres. A partir d'un second scan 3D, les extrémités distales des axes des cylindres sont estimées par un post-traitement qui s'appuie sur un algorithme de détection des singularités à la surface de l'écorce. Dans les données volumiques obtenues au RX, la densité élevée du PVC par rapport au bois permet de segmenter les cylindres et d'estimer les mêmes repères, et ainsi de définir la transformation géométrique qui relie les deux repères de mesure. Ainsi les transformations associées à chaque changement de repère de mesure peuvent être combinées pour remonter à celui de l'arbre sur pied.

La mobilisation de données 3D et de tomographies RX issues de projets antérieurs a été une étape initiale qui a permis le développement algorithmique dès le début du projet. L’utilisation de l’apprentissage profond améliore de 10% la performance dans la détection des singularités d’écorce susceptibles d’être liées à un défaut interne. L'IA est aussi efficace dans le traitement automatisé des scans RX, pour isoler les éléments de structure comme les nœuds, en particulier pour les résineux. Pour les feuillus, la segmentation des nœuds est plus délicate du fait d'un contraste de densité plus faible.
WoodSeer apporte la preuve de concept de nouveaux moyens d’évaluation de la qualité interne des bois ronds en reconstruisant virtuellement les nœuds à partir d’une description externe de l’écorce en 3D, en utilisant un réseau de neurones récurrents avec une mémoire longue à court terme, (LSTM : Long Short Term Memory) permettant une propagation des contours de coupe en coupe. Ces résultats sont très prometteurs pour les résineux, mais restent à améliorer pour les feuillus.
En effet, un des écueils rencontré est une segmentation des nœuds plus délicate pour les feuillus du fait d'un contraste de densité plus faible, et des formes de nœuds plus complexes qui nécessiteraient à l'avenir un investissement particulier dans la labellisation de nœuds dans des données RX pour entraîner des réseaux de neurones.
Une base de données comportant plus de 9000 singularités d’écorce d’espèces feuillues et résineuses est encore en cours de production associant différentes descriptions 3D de la surface dont une vérité terrain, et des scans RX permettant d'établir la vérité ultime concernant la présence de défauts internes.
En plus de descriptions faites en forêt, la création de la base de données s'appuie sur des mesures 3D s'approchant d'une mesure faite dans un contexte industriel de parc à grumes. Malgré une mise au point tardive, le scanner géométrique créé dans le cadre du projet, en plus de décrire la surface de la grume permet de superposer toutes les mesures faites depuis la forêt jusqu'au scanner à rayons X dans le repère de mesure de l'arbre en forêt, grâce à une méthodologie développée dans le cadre du projet.

Les perspectives sont de conforter la preuve de concept avec les données acquises dans le cadre du projet WoodSeer qui correspondent plus au contexte d'un approvisionnement de première transformation, tout en bénéficiant de leur richesse pour améliorer les algorithmes : par exemple l'information colorimétrique disponible n'a pas encore été introduite dans nos travaux.
A propos de l'acquisition de données, et le nombre important de celles-ci requis par l'IA, une voie réservée au contexte industriel est également possible : reconstruire la structure interne des défauts à partir d'informations acquises sur les faces des produits, en la couplant avec des données 3D d'un cubeur en entrée de chaîne de transformation.
La perspective d'établir le lien avec d'autres travaux sur la qualité des grumes ou leur traçabilité menés dans des projets ((ANR TreeTrace, ADEME Biomtrace...) qui s'intéressent à l'extrémité des grumes, est aussi une nécessité pour proposer une approche globale de la qualité de l'approvisionnement.
D' autres verrous sont également à lever en ce qui concerne l'acquisition de données 3D en forêt dont le caractère opérationnel la réserve majoritairement à des activités de R&D, néanmoins les technologies évoluent très rapidement, et notre rôle serait d'établir le cahier des charges liant qualité de l'acquisition et qualité de l'estimation. Dans le même esprit, les ressources de calcul nécessaires sont aussi à considérer pour envisager des solutions portables, et l'acquisition comme le traitement devront être optimisés.
Malgré le chemin qui reste à parcourir, les résultats acquis sur les résineux entrouvrent la réflexion vers la création d'un démonstrateur en milieu industriel.
Sur le plan des financements pour poursuivre, l'AAP du PEPR Forestt est une cible actuellement en cours de préparation suite au dépôt d'une manifestation d'intérêt jugée éligible.

Khazem, S.; et al. Improving Knot Prediction in Wood Logs with Longitudinal Feature Propagation. LNCS. 2023, 14253, 169-180.

Khazem, S.; et al. Deep learning for the detection of semantic features in tree X-ray CT scans. Artif. Intell. Agric. 2023, 7, 13-26.

Delconte, F.; et al. CNN-based Method for Segmenting Tree Bark Surface Singularities. IPOL 12, 2022, 1-26.

Delconte, F.; et al. Tree Defect Segmentation Using Geometric Features and CNN. In: RRPR 2021, LNCS, LNIP 12636, 80-100.

WoodSeer est un projet visant à développer des moyens automatisés de caractérisation des bois à l'amont de la filière forêt-bois dans le cadre de l'inventaire, du commerce des grumes et de la première transformation, en apportant de manière automatisée une information détaillée sur la nature, la localisation et les dimensions des défauts internes. De nos jours, pour cette industrie, cette information n'est accessible qu'à travers l'utilisation de scanners à rayons X fournissant une structure interne de référence pour le système raméal mais peu abordable aux entreprises de la filière du fait de l'importance des investissements requis. Néanmoins cette information est intégrée via l'expérience et les savoir-faire d'experts dans l'opération de classement des bois en forêt ou dans des parcs à bois. Ainsi, l'idée fondatrice du projet repose sur la mise en relation des signatures des défauts sur l'écorce, avec leurs caractéristiques internes. Sans que cela soit exclusif, les défauts visés sont en particulier les nœuds des branches élaguées englobés dans le tronc. En effet, la cicatrice d'une branche sur l'écorce contient des informations sur la hauteur du bourgeon qui lui a donné naissance, le diamètre de la branche au moment de son élagage, son inclinaison moyenne et la croissance diamétrale du tronc depuis.
Grâce à des travaux antérieurs, impliquant plusieurs partenaires du projet, un premier verrou a pu être levé en obtenant des premiers résultats très prometteurs sur la détection des signatures des défauts à la surface d'écorces lisses ou rugueuses. Ces avancées ont été obtenues à partir d'algorithmes analysant la description 3D de la surface de la grume faite avec un Lidar terrestre. Ces travaux proposent aussi la classification en type de défauts et le calcul de leur caractéristiques.
Dans la continuité et dans un premier ensemble de tâches, le projet WoodSeer a pour objectif d'étudier une diversification des méthodes de numérisation tridimensionnelle de la surface d'une grume à travers l'utilisation d'appareils portables en forêt et sur site industriel grâce à des cubeurs géométriques, et d'évaluer leur pertinence pour détecter les défauts de surface. Des tâches ont aussi pour objectif de fournir des données permettant de coupler la description externe et interne d'un même défaut, grâce à l'utilisation d'un scanner à rayons X, et d'autres ambitionnent de les compléter par des structures géométriques 3D de synthèse en vue de pouvoir utiliser des méthodes performantes d'intelligence artificielle, comme l'apprentissage profond dans les autres tâches du projet.
Le second ensemble de tâches vise à améliorer l'acquis pour détecter et classer les défauts en surface et explorer d'autres voies comme combiner l'apprentissage profond et des contraintes géométriques pour améliorer les méthodes de segmentation ou de classification, afin de faciliter le renforcement de bases de données dans le futur.
Le dernier ensemble est dédié à l'établissement des relations externe-interne, afin de pouvoir prédire le défaut interne à partir de sa signature externe, avec l'ambition de s'appuyer sur des méthodes d'intelligence artificielle comme les réseaux de neurones.
Pour répondre à ces différents objectifs, le consortium réuni dans de ce projet bénéficie d'une représentativité de la filière grâce à des gestionnaires et commerciaux de la forêt publique et privée, d'un scieur, et d'une sous-traitance d'un concepteur et assembleur de solutions de cubage et d'optimisation de la transformation. Sur le plan scientifique, WoodSeer réunit une expertise reconnue sur les numérisations 3D surfaciques et volumiques et leurs traitements pour en extraire de l'information pertinente. Il présente aussi des compétences en développement de l'arbre et son impact sur la qualité des bois, et en modélisation statistique, ainsi que des compétences en géométrie discrète, objet de synthèse, et enfin en intelligence artificielle.