Наукові доповіді Національного університету біоресурсів і природокористування України

Аналіз вад деревини Pinus sylvestris L. із застосуванням цифрового сканування

Василь Хрик, Олександр Ситник*, Іван Кімейчук, Світлана Левандовська

SytnykO@proton.me

Завантажити статтю
Анотація

З огляду на зростання попиту на деревину та необхідність її раціонального використання, особливо актуальним стає визначення якості сировини, для чого перспективним є цифрове сканування деревини, що дозволяє автоматизовано виявляти та оцінювати її вади, проте в Україні переважно застосовується метод візуальної оцінки. Основною метою поточного дослідження було емпірично оцінити вади деревини Pinus sylvestris L. на вибірці пиломатеріалів шляхом цифрового сканування та порівняти дані із результатами, що отримані традиційною візуальною діагностикою. Статистичний аналіз охоплював порівняння результатів між методами, оцінку ступеня їхньої відповідності та аналіз характеру розбіжностей за допомогою парного t-тесту для залежних вибірок, коефіцієнта внутрішньокласової кореляції та аналізу за методом Бленда-Альтмана. Застосування цифрового методу показало вищі значення усіх показників вад деревини (кількість і діаметр сучків, кількість смоляних кишеньок, нахил волокон, зміщення серцевини, крінь, кривизна, збіжистість, а також довжина і відносний розмір тріщин). Статистичний аналіз підтвердив наявність статистично значущих відмінностей між двома методами за всіма досліджуваними параметрами (p < 0,001). Водночас коефіцієнт внутрішньокласової кореляції продемонстрував помірний, високий або дуже високий рівень узгодженості (в межах 0,72-0,91). Аналіз Бленда-Альтмана виявив систематичне зміщення між цифровим та візуальним методами, однак відсутність вираженого пропорційного зміщення та стабільний розподіл різниці в показниках вказали на прийнятний рівень узгодженості між підходами у межах досліджуваних параметрів. Практичне значення отриманих результатів полягає у можливості застосування методу цифрового сканування як додаткового інструменту до традиційного візуального аналізу для підвищення точності, об’єктивності та відтворюваності оцінки якості деревини. Результати можуть бути використані у виробничій діяльності, а також під час створення й впровадження автоматизованих систем контролю якості пиломатеріалів

Ключові слова

якість пиломатеріалів; цифрова обробка зображень; узгодженість методів; внутрішньокласова кореляція; лісові господарства України

ЦИТУВАТИ
Khryk, V., Sytnyk, O., Kimeichuk, I., & Levandovska, S. (2026). Analysis of wood defects in Pinus sylvestris L. using digital scanning . Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 22(4),65-80. https://doi.org/10.31548/dopovidi/4.2026.65
Використані джерела
  1. Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-8(6), 679-698. doi: 10.1109/TPAMI.1986.4767851.
  2. Huang, Y., Chuchala, D., Buck, D., Orlowski, K.A., Fredriksson, M., & Svensson, M. (2024). Analysis of the relationship between cutting forces and local structural properties of Scots pine wood aided by computed tomography. The International Journal of Advanced Manufacturing Technology, 135, 4975-4987. doi: 10.1007/s00170-024-14797-w.
  3. Jambreković, B., Veselčić, F., Ištok, I., Sinković, T., Živković, V., & Sedlar, T. (2024). A comparative analysis of oak wood defect detection using two deep learning-based software. Applied System Innovation, 7(2), article number 30. doi: 10.3390/asi7020030.
  4. Joevenller, S., Huber, J.A.J., Svennerstam, H., Nysjö, F., & Karlsson, O. (2025). X-ray computed tomography-based qualitative analysis of internal resinwood in Scots pine. Wood Material Science & Engineering. doi: 10.1080/17480272.2025.2536725.
  5. Joevenller, S., Nysjö, F., Hyll, K., Forsberg, F., Svennerstam, H., Ene, L., & Sandberg, D. (2026). A hybrid image segmentation framework for resin wood detection in Scots pine X-ray computed tomography scans. Wood Material Science & Engineering. doi: 10.1080/17480272.2026.2655358.
  6. Koo, T.K., & Li, M.Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155-163. doi: 10.1016/j.jcm.2016.02.012.
  7. Kulak, P., Lachowicz, H., Moskalik, T., Piętka, J., Aniszewska, M., & Gendek, A. (2023). The structural, physical, and mechanical properties of wood from Scots pine (Pinus sylvestris L.) affected by Scots pine blister rust. Forests, 14(11), article number 2161. doi: 10.3390/f14112161.
  8. Lopes, D., Sandim, A., Louzada, J.L., & Silva, M.E. (2025). Resin production in Pinus: A review of the relevant influencing factors and silvicultural practices. Forests, 16(9), article number 1470. doi: 10.3390/f16091470.
  9. Meshkova, V. (2021). The lessons of Scots pine forest decline in Ukraine. Environmental Sciences Proceedings, 3(1), article number 28. doi: 10.3390/IECF2020-07990.
  10. Nguyen, V.-T., Constant, T., & Colin, F. (2021). An innovative and automated method for characterizing wood defects on trunk surfaces using high-density 3D terrestrial LiDAR data. Annals of Forest Science, 78, article number 32. doi: 10.1007/s13595-020-01022-3.
  11. Nocetti, M., & Brunetti, M. (2024). Advancements in wood quality assessment: Standing tree visual evaluation – a review. Forests, 15, article number 943. doi: 10.3390/f15060943.
  12. Özkan, M., & Özcan, C. (2024). Image processing based wood defect detection. In International conference on information technologies and their applications (pp. 287-297). Cham: Springer Nature Switzerland. doi: 10.1007/978-3-031-73420-5_24.
  13. Podkorytov, V.I. (2015). Manual for measuring and assessing the quality of round wood. Kyiv: National University of Life and Environmental Sciences of Ukraine.
  14. Pyörälä, J., Pehkonen, M., Saikkonen, O., Winberg, O., Yu, X., Holmgren, J., Holopainen, M., Hyyppä, J., Kaartinen, H., & Kukko, A. (2026). From between-stand to within-tree variation: Wood and timber quality of Norway spruce (Picea abies H. Karst) analyzed at scale using laser scanning and industrial data. Annals of Forest Science, 83, article number 9. doi: 10.1186/s13595-026-01326-w.
  15. Rais, A., Ursella, E., Vicario, E., & Giudiceandrea, F. (2017). The use of the first industrial X-ray CT scanner increases the lumber recovery value: Case study on visually strength-graded Douglas-fir timber. Annals of Forest Science, 74, article number 28. doi: 10.1007/s13595-017-0630-5.
  16. Ravoajanahary, T., Rémond, R., Daquitaine, R., Ursella, E., & Leban, J.-M. (2025). Variability in wood quality and moisture content measured by an industrial X-ray scanner. Forests, 16, article number 1457. doi: 10.3390/f16091457.
  17. Hwang, S.W., & Sugiyama, J. (2021). Computer vision-based wood identification and its expansion and contribution potentials in wood science: A review. Plant Methods, 17, article number 47. doi: 10.1186/s13007-021-00746-1.
  18. State Forest Resources Agency of Ukraine. (2019). Ukraine switched to new national wood quality standards harmonized with European ones. Retrieved from https://forest.gov.ua/pres-sluzhba/novini/ukrayina-perejshla-na-novi-nacionalni-standarti-yakosti-derevini-garmonizovani-z-yevropejskimi.
  19. Terentiev, A., Bala, O., Lakyda, P., & Bondar, H. (2023). Current state and productivity of Scots pine modal stands of the Forest Steppe of Ukraine. Ukrainian Journal of Forest and Wood Science, 14(1), 105-123. doi: 10.31548/forest/1.2023.105.
  20. Wan, Q., Li, X., Zhang, Y., Song, S., & Ke, Q. (2021). Visual perception of different wood surfaces: An event-related potentials study. Annals of Forest Science, 78, article number 25. doi: 10.1007/s13595-021-01026-7.
  21. Wieruszewski, M., Trociński, A., Kawalerczyk, J., Derkowski, A., & Mirski, R. (2022). The strength of pine (Pinus sylvestris L.) sawn timber in correlation with selected wood defects. Materials, 15, article number 3974. doi: 10.3390/ma15113974.