NEWS

Rīga, 30.11.2025. – Pētniecības projekta Nr. D.1.7 “Dēļu saaudzēšanas iekārtu padeves automatizācija” otrais posms ir noslēdzies veiksmīgi, ar izpildītiem uzdevumiem un sasniegtiem rezultātiem.

Galvenie sasniegtie rezultāti:

• A. Industriālā korpusa izstrāde: Izveidots un uzstādīts speciāli pielāgots industriāls kameras korpuss, kas aprīkots ar retroreflektīvo sensoru. Šis risinājums nodrošina pilnībā automatizētu dēļu klātbūtnes detektēšanu un mērījumu cikla uzsākšanu.

• B. Algoritmu optimizācija un mašīnmācīšanās: Izstrādāta uz konvolūcijas neironu tīkliem (CNN) balstīta datorredzes pieeja, kas ir īpaši pielāgota un optimizēta darbībai uz Raspberry Pi 4B mikrodatora.

• C. Datu kopas izveide: Izmantojot datu papildināšanas metodes, algoritma apmācībai sagatavota 5000 attēlu liela kopa, kas nodrošina sistēmas noturību mainīgos apstākļos.

• D. Eksperimentālā validācija: Veiktajos testos ar 1000 reāliem dēļu paraugiem ir sasniegta 95% precizitāte koksnes gadskārtu orientācijas noteikšanā.

• E. Skenēšanas stenda izveide: Izstrādāts un ieviests individuālo dēļu galu skenēšanas stends, kas kalpo kā bāze tālākai sistēmas integrācijai ražošanas līnijā.

Ietekme uz turpmāko pētījuma gaitu: Otrā posma rezultāti apstiprina izvēlētās programmiskās un aparatūras arhitektūras efektivitāti. Lai sasniegtu projektā definēto 99,9% precizitātes mērķi, nākamajā periodā pētījumi tiks vērsti uz dēļa pozīcijas noteikšanas algoritma ieviešanu (dinamiska lokalizācija kadrā) un optiskās sistēmas uzlabojumiem, palielinot asuma dziļuma pielaidi.

---

Pētniecības projektu plānots realizēt līdz 2027. gada 31. maijam.

Projekta kopējās izmaksas plānotas EUR 318,800.00

Tai skaitā EUR 183,310.00 – Eiropas Savienības Atveseļošanas fonda finansējums.

---

Riga, 30.09.2025. — The second phase of the project “Development of a robotic system for the automated packaging of spatially randomly arranged objects”has successfully concluded, marking significant advancements in automated log processing and computer vision systems. This period focused on the development of test equipment, sensor calibration, and the optimization of object recognition algorithms.

Key results achieved during this period:

• A. Advanced Optical Setup: Specialized photo and video equipment has been developed, installed, and calibrated for high-precision data acquisition.

• B. Automated Calibration & Software: A new auto-calibration program and an improved camera calibration algorithm were established. Furthermore, a comprehensive data processing and analysis program was launched, complete with a dedicated user interface.

• C. Recognition Infrastructure: Primary object recognition algorithms have been developed and integrated into the workflow. An individual log scanning stand was constructed to facilitate detailed data collection.

• D. Neural Network Modeling: A high-performance neural network model has been obtained, which will serve as the foundation for log recognition and training in future stages.

• E. Hardware Optimization: The log scanning equipment and software have been accelerated, enabling the collection of larger sample sizes for both real-world training and synthetic data generation.

• F. Resource Efficiency: A new method has been defined to significantly reduce required computing power by utilizing alternative types of spatial data.

• G. Robotic Performance: The number of axes for the log removal robot has been reduced. This engineering optimization significantly lowers the unit price while increasing operational speed, making the system more commercially viable for future clients.

• H. Point Cloud Analysis: A point cloud recognition model has been successfully developed and tested.

• I. Innovative Packaging: A new packaging method was defined, allowing for a reduction in the maximum required packaging height.

Impact on future research: The results from this phase have fundamentally shifted the approach to log detection. By analyzing significantly smaller data volumes, the system now requires less computing power without sacrificing precision. The integration of synthetically generated data alongside real-world captures will drastically accelerate the data labeling process, allowing R&D specialists to focus on developing even more precise recognition models. Additionally, the upcoming testing of the new bag-feeding solution will further optimize the system by reducing the overall spatial requirements of the packaging process.

---

Project implementation period: October 1, 2024 – September 30, 2026. Research budget: 638,520 EUR. Recovery Fund: 444,664 EUR.

Next Step: Would you like me to prepare a more technical version of this report specifically for the technical director, focusing on the point cloud and CNN optimization details?

---

Rīga, 31.08.2025. – Pētniecības projekta Nr. D.1.7 “Dēļu saaudzēšanas iekārtu padeves automatizācija” pirmais posms ir noslēdzies veiksmīgi, ar izpildītiem uzdevumiem un sasniegtiem rezultātiem.

Pētniecības projekta pirmajā posmā tika veikta ražošanas procesa analīze un definētas tehniskās prasības automatizētai dēļu padeves sistēmai saaudzēšanas iekārtām. Balstoties uz laika un kustību analīzi, kā arī operatoru intervijām, tika izstrādāts optimizēts procesa modelis, definētas galvenās pozicionēšanas prasības un  pieņemti stratēģiski lēmumi. 

Papildus tika uzsākta darba vide simulāciju veidošanai ar open-source programmatūru, lai nākamajos posmos ģenerētu sintētiskus datus algoritmu apmācībai.

Pētniecības projektu plānots realizēt līdz 2027. gada 31. maijam.

Projekta kopējās izmaksas plānotas EUR 318,800.00

Tai skaitā EUR 183,310.00 – Eiropas Savienības Atveseļošanas fonda finansējums.

---

Rīga, 01.06.2025. - Atveseļošanas fonda Darbības programmas “Latvijas Atveseļošanas un noturības mehānisma plāna 2.2. reformu un investīciju virziena “Uzņēmumu digitālā transformācija un inovācijas” 2.2.1.3.i. investīcijas “Atbalsts jaunu produktu un pakalpojumu ieviešanai uzņēmējdarbībā”” ietvaros SIA MASOC KC no 2024. gada 1. jūnija līdz 2027. gada 31. decembrim īsteno projektu Nr. 2.2.1.3.i.0/1/24/A/CFLA/007 “MASOC KC atbalsts digitālu produktu izstrādei”.

Projekta “MASOC KC atbalsts digitālu produktu izstrādei” ietvaros SIA  "Mechanika Engineering"  2025. gada 1. jūnijā uzsāk pētniecības projekta Nr. D.1.7 “Dēļu saaudzēšanas iekārtu padeves automatizācija” īstenošanu. 

Pētniecības projekta mērķis ir izstrādāt automatizētu padeves un orientācijas sistēmu dēļu saaudzēšanas līnijām, kas ar datorredzes un dziļās mašīnmācīšanās algoritmu palīdzību spēs noteikt dēļu šķiedru virzienu un nodrošināt to precīzu pozicionēšanu bez cilvēka iesaistes. Šis risinājums palīdzēs samazināt ražošanas zudumus, palielināt darba efektivitāti un uzlabot gala produkcijas kvalitāti.

Pētniecības projektu plānots realizēt līdz 2027. gada 31. maijam.
Projekta kopējās izmaksas plānotas EUR 318,800.00,
Tai skaitā EUR 183,310.00 – Eiropas Savienības Atveseļošanas fonda finansējums.

---