ИИ в лесной и деревообрабатывающей промышленности: оптимизация раскроя, мониторинг лесов и автоматизация

Лесопильный завод: каждое бревно уникально по размеру, форме и дефектам. Как распилить его на пиломатериалы с максимальным выходом — решение, которое раньше принимал опытный оператор за секунды. AI принимает это же решение точнее и быстрее.

Кейс 1. Springer Machine Works — AI-оптимизация раскроя бревна

Инструменты

• 3D-сканирование каждого бревна (лазерные датчики)
• ML-алгоритм оптимального раскроя (максимальный объём ценной продукции из конкретного бревна)
• Real-time управление пилами на основе данных сканера
• Сортировка по категориям качества через CV

Что происходит

Каждое бревно сканируется перед распилом: 3D-модель за секунды. ML-алгоритм решает: как именно его разрезать, чтобы получить максимальный объём высококачественных досок. Учитывается: диаметр, кривизна, расположение сучков (сучок = снижение сорта доски).

Без AI: оператор «на глаз» оценивал бревно и давал команду пилам. С AI: оптимальный раскрой рассчитывается математически — выход годного материала выше на несколько процентов. На большом заводе это миллионы рублей в год.

Результаты

• Выход ценных пиломатериалов с AI-раскроем: рост на 3–7% vs ручное решение
• Скорость раскроя: не снижается (AI работает в реальном времени)
• Springer Machine Works: >1 000 установок по всему миру
• Типичная окупаемость AI-системы раскроя: 12–18 месяцев для завода среднего масштаба

Кейс 2. Stora Enso — AI для мониторинга лесных угодий

Инструменты

• Спутниковые снимки + ML: мониторинг здоровья леса
• Дроны с мультиспектральными камерами: детекция болезней и вредителей
• ML-планирование лесозаготовки и лесовосстановления
• Carbon tracking: оценка углеродного баланса лесных угодий

Что происходит

Stora Enso управляет 1,4 миллиона гектаров лесов в Финляндии и Швеции. Традиционный мониторинг: лесники объезжают угодья — медленно и дорого. ML на спутниковых данных: еженедельный анализ состояния каждого участка леса. Выявление стресса (засуха, вредители, болезни) на раннем этапе — когда ещё можно принять меры.

Планирование лесозаготовки: ML оптимизирует, какой участок заготавливать в каком сезоне, с учётом: зрелости деревьев, доступности (дороги, сезон), экологических ограничений, рыночного спроса на разные сорта.

Результаты

• Ранее выявление очагов короеда (самый опасный вредитель): за 4–6 недель раньше традиционного мониторинга
• Потери от болезней и вредителей: снижение на ~20% в зонах с AI-мониторингом
• Углеродный учёт: Stora Enso монетизирует углеродные кредиты через AI-верифицированные данные

Кейс 3. AI в российской лесной промышленности — ИлимГрупп и «Segezha Group»

Применения

Segezha Group:

• CV-контроль качества бумаги и картона на производственных линиях
• ML-оптимизация варочных котлов (целлюлозное производство)
• Предиктивное ТО оборудования

ИлимГрупп:

• AI-мониторинг лесных угодий через спутниковые данные (совместно с Рослесхозом)
• ML-планирование лесовосстановления (где, что и когда сажать)

Рослесхоз:

• Нейросетевое обнаружение пожаров по спутниковым снимкам
• Мониторинг незаконных вырубок через NDVI-анализ

Результаты

• Рослесхоз: выявление лесных пожаров через спутниковый мониторинг — в 3–5 раз быстрее наземных наблюдателей
• Segezha: CV-контроль качества бумажных мешков — снижение брака на ~18%
• Площадь незаконных вырубок, выявляемых через AI-мониторинг: +250% к базовому показателю (больше видим, больше пресекаем)

Источники: Springer Machine Works technical documentation, Stora Enso Sustainability Report 2023, Segezha Group Annual Report, Рослесхоз официальные данные.