Mabema har en produkt som mäter vedvolym av virkestravar på lastbilar. Systemet är byggt på att en bildbehandlingsalgoritm hittar silhuetterna av stockarna på renderade bilder av lastbilstravar. Arbetsgivaren är inte helt nöjd med prestandan av algoritmen och vill utreda om djupinlärning kan förbättra resultatet. Detta arbete undersöker hur diameterfördelningen i varje trave kan estimeras med hjälp av djupinlärning och objektdetektering i synnerhet. Två metoder granskas, den ena hanterar problemet abstrakt med djup regression medan den andra metoden går in i detalj och nyttjar objektigenkänning för att hitta stockändar. Arbetet utvärderar även möjliheterna att träna dessa modeller baserat på data från fysiska simulationer. Det visar sig vara användbart att nyttja syntetisk data för träning och med transfer learning lyckas de syntetiska modellen uppnå kraven Biometria ställer på automatiserad diameterberäkning. Med objektdetektering visar det sig också gå att uppnå samma prestanda som arbetsgivarens algoritm med en bättre stocksökning tre gånger så snabbt eller snabbare.

Intresset för olika hyggesfria skogsbruksmetoder ökar men frågan är hur en skogsbruksplan kan anpassas till detta och vilken metod som kan användas. Denna studie inriktade sig på att mäta i fullskiktade skogar med enkla verktyg för att få ut beståndsdata till nytta för skötseln och att användas till en skogsbruksplan. För att få fram diameterspridningen klavades träden. Det krävdes minst 600 m2 för att få tillräcklig kvalitet i diameterspridning. För volymen jämfördes klavning, relaskopmätning och laserdata. Resultatet visade att det är svårt att mäta volym i fullskiktade bestånd beroende på tätheten och ojämnheten. Inte minst gäller detta relaskopmätning som undervärderade volymen. Klavning och laserdata fick ungefär samma precision. Studien visade också att tidsåtgången i fält för klavning jämfört med vanlig planläggning med relaskop endast skiljde några få minuter. Om klavning kombineras med att hämta volymen från laserdata kan till och med denna metod vara mer tidseffektiv.