NEWS

Riga, 31.03.2026. — The third phase of the project “Development of a robotic system for the automated packaging of spatially randomly arranged objects” has successfully concluded, marking significant progress in production-ready automation and intelligent control systems. This period focused on evaluating the utilization of secondary products in manufacturing and downstream processing, as well as the successful implementation of primary programming and core system logic. 

Key results achieved during this period:

• A. Vision and Lighting Prototype: Developed a functional lighting and camera mount prototype, and engineered the final lighting model, incorporating optimal thermal cooling for the light modules and precise orientation relative to the image plane.

• B. Optical Optimization: Identified and locked in the optimal camera position relative to the light source, ensuring maximum image quality.

• C. Dataset Acquisition: Successfully gathered and recorded the baseline dataset within a controlled laboratory environment for system training. 

• D. Robot Selection: Selected and approved the ideal robot model tailored specifically to the updated product concept. 

• E. AI Recognition Enhancements: Upgraded the neural network model within our Proprietary Vision Software to achieve superior accuracy in log recognition and Grain Orientation detection. 

• F. Smart Logic: Engineered a specialized software program to instantly verify log pick-up feasibility before the robotic arm initiates movement. 

• G. Robotic Tooling Development: Designed and field-tested a streamlined robotic end-effector (tool) model. 

Impact on future research: It was concluded that extended testing and model optimization will be required to achieve an operational accuracy of >99%. 

Future research outlook based on achievements to date: The equipment prototype will be developed in late 2026, and final testing may be conducted with a delay extending until September 2027.  

---

Project implementation period: October 1, 2024 – September 30, 2027. Research budget: 638,520 EUR. Recovery Fund: 444,664 EUR.

---

Rīga, 28.02.2026. – Pētniecības projekta Nr. D.1.7 “Dēļu saaudzēšanas iekārtu padeves automatizācija” trešais posms ir noslēdzies veiksmīgi, ar izpildītiem uzdevumiem un sasniegtiem rezultātiem.

Galvenie sasniegtie rezultāti:

• A. Algoritma laboratoriskā testēšana un uzlabošana.

• B. Izveidotais algoritms tiks integrēts testu stendā, kur simulētā vidē pārbaudīta:

• precizitāte dažādos apgaismojumos;

• reakcijas ātrums;

• kļūdu analīze un pielāgošana dažādām koksnes virsmām.

• C. Izstrādāta CNN algoritma versija: Versija pielāgota Raspberry Pi 4B mikrodatoram. Optimizācijas rezultātā tika sasniegts precizitātes rādītājs 100% ar vidējo konfidences līmeni 0.999984 un maksimālo detekcijas laiku 569.06ms.

Pētījuma rezultāti apstiprina izvēlētās programmiskās un aparatūras arhitektūras efektivitāti.

Nākamajā posmā paredzēts: izprojektēt mehānisko sistēmu, kas spēj nodrošināt dēļu orientācijas korekciju un precīzi padot dēļus uz saaudzētāja galdu. Tiks veikts arī inženiertehniskais modelējums un komponenšu izvēle prototipa izgatavošanai.

---

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, 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?

---