Skoglig biomassa spelar en central roll i övergången till ett hållbart energisystem och en cirkulär ekonomi. 2022 rapporterades ett nettoupptag av 38 miljoner ton CO2e för svensk skogsmark samtidigt som bioenergi är den största primära energikällan i Sverige. EU:s "Nature Restoration Law" kommer sannolikt att öka andelen skyddad skog, vilket kan leda till ökad konkurrens om skogens resurser och begränsningar för dagens skogsbruksmetoder. För att möta dessa utmaningar behövs nya hållbara skogsbruksmetoder, inklusive autonoma skogsmaskiner, som kan minska miljöpåverkan och förbättra lönsamheten. Avancerade perceptionssystem med olika sensorer som stereokamera, IR-kamera och Lidar är avgörande för att automatisera skogsmaskinerna och optimera skoglig biomassahantering, vilket kan leda till ökad energieffektivitet och bättre resursutnyttjande i hela värdekedjan. Detta arbete består av en inledande fas med litteraturstudier, faktainhämtning och metodval, samt en andra fas med implementering av metod och en fallstudie. Som del i fallstudien, byggdes en detektor baserad på Ultralytics YOLOv8x-seg, en state-of-the-art enstegsdetektor för instanssegmentering i realtid. Träningsdata samlades in från privata och öppna bildförråd, och annoterades med hjälp av Roboflows webbapplikation. Som en del i att ta fram en metod för att detektera egenskaper hos skoglig biomassa autonomt fokuserades fallstudien på att visuellt detektera volymen hos en trädstam. Radie och höjd bestämdes från pixelkoordinater som omvandlades till metriska koordinater. För integrationen av nödvändig utrustning användes Robot Operating System (ROS) Noetic på en Linux-baserad dator och Python användes som programmeringsspråk för att skriva programkod och integrera YOLOv8 med ROS, där Moris program ”ultralytics_ros”  (2024) låg till grund. Sex olika försök planerades och genomfördes, med varierande avstånd och rörelse av kameran. Resultaten visade att detektion av yttre egenskaper hos skoglig biomassa är möjlig med den presenterade metoden, även om variationer i mätdata observerades vid olika försök. De mest stabila resultaten erhölls vid stillastående kamera. Vid roterande och rörliga försök varierade resultaten mer, vilket påvisar utmaningar i att hantera dynamiska scener. Sammanfattningsvis visade arbetet att djupinlärningsmodeller kan användas för detektion av skogliga egenskaper, men att ytterligare förbättringar och anpassningar krävs för att implementeras i autonoma skogsmaskiner och hantera variationer i verkliga miljöer. Det konstateras också att ett ökat uttag av biomassa för energiändamål är realistiskt i framtida scenarion. / Forest biomass plays a central role in transitioning to a sustainable energy system and a circular economy. In 2022, a net uptake of 38 million tons of CO2e was reported for Swedish forest land, while bioenergy remains the largest primary energy source in Sweden. The EU's 'Nature Restoration Law' increase the proportion of protected forests, potentially leading to increased competition for forest resources and constraints on current forestry practices. To meet these challenges, new sustainable forestry methods are needed, including autonomous forest machinery, which can reduce environmental impact and improve profitability. Advanced perception systems with various sensors such as stereo cameras, IR cameras, and Lidar are crucial for automating forest machinery and optimizing forest biomass management, potentially leading to increased energy efficiency and better resource utilization across the value chain. This work consists of an initial phase involving literature reviews, data collection, and method selection, followed by a second phase involving method implementation and a case study. As part of the case study, a detector based on Ultralytics YOLOv8x-seg, a state-of-the-art one-stage detector for real-time instance segmentation, was built. Training data was collected from private and open image repositories and annotated using Roboflow's web application. As part of developing a method for autonomously detecting characteristics of forest biomass, the case study focused on visually detecting the volume of a tree trunk. Radius and height were determined from pixel coordinates converted to metric coordinates. For equipment integration, Robot Operating System (ROS) Noetic was used on a Linux-based computer, and Python was used as the programming language to write code and integrate YOLOv8 with ROS, with Mori's 'ultralytics_ros' program (2024) as the basis. Six different experiments were planned and conducted, varying the distance and movement of the camera. The results showed that detection of external characteristics of forest biomass is possible with the presented method, although variations in measurement data were observed in different experiments. The most stable results were obtained with a stationary camera. With rotating and moving experiments, the results varied more, indicating challenges in handling dynamic scenes. In conclusion, the work demonstrated that deep learning models can be used for detecting forest characteristics, but further improvements and adaptations are needed to be implemented in autonomous forest machinery and to handle variations in real environments. It is also noted that increased extraction of biomass for energy purposes is realistic in future scenarios.