Proizvodnja i industrija

AI rješenja za drvnu industriju

EUDR compliance bez ručnog popunjavanja due diligence izvještaja, plus 3D scanning trupaca koji povećava prinos rezanja za 7-11% kroz simulaciju cutting patterna.

11%

veći prinos po m³ trupca

94%

automatizovan EUDR DDS

72h

do izrade due diligence izvještaja

0.3mm

preciznost 3D scan rekonstrukcije

Operativni izazovi

Operativni izazovi u industriji

● EU Deforestation Regulation (EUDR) zahtjeva geo-koordinate parcele porijekla i dokaz da nije deforestacija nakon 31.12.2020
● Ručna due diligence dokumentacija po pošiljci traje 6-14 sati i podložna je greškama
● Sortiranje trupaca po vizuelnoj procjeni daje 8-15% gubitka u prinosu (volume vs. quality grade mismatch)
● Defekti unutar trupca (truleži, čvorovi, metalni inkluzije) nevidljivi su prije rezanja
● Multi-tier supply chain (dobavljač - šumarija - sjekač - parcela) sa 3-4 nivoa traceability obaveze

Naši pristupi

Demo case studies

Demo Case Study 01

EUDR due diligence sistem sa satellite verifikacijom i graph-based traceability

Kontekst klijenta

Veći proizvođač piljene građe i parketa (520 zaposlenih, BiH/Hrvatska) koji izvozi 60% produkcije u EU. Od 30.12.2025. EUDR primjenjuje se na hrast, bukvu i smrču - svaka pošiljka mora imati Due Diligence Statement (DDS) sa geo-koordinatama parcele porijekla i dokazom da nije bilo deforestacije nakon cut-off datuma. Postojeći proces: ručno prikupljanje izvoda iz katastra od 140+ dobavljača, Excel praćenje, ad hoc satellite check kroz GFW web interface.

Tehnički izazov

Ručna izrada DDS-a po pošiljci traje 6-14 radnih sati i pravna služba je usko grlo - ne mogu pokriti volumen od 80-120 pošiljki sedmično. Glavni rizik: kazne do 4% godišnjeg EU prometa za nekompletan DDS, plus zabrana plasmana. Komplikacija: traceability ide do parcele (ne samo do dobavljača), a dobavljači često miješaju trupce sa više parcela u istom transportu. Satellite verifikacija mora razlikovati legalnu sanitarnu sječu od ilegalne deforestacije, što generički NDVI threshold ne može. Auditori traže immutable audit trail - obični SQL update logovi nisu dovoljni.

Naš pristup

Postavili smo PostGIS bazu sa parcelama (uvezeno iz katastra preko WMS-a) i Neo4j graph bazu za supply chain (čvorovi: parcela, sjekač, dobavljač, transport, lot u skladištu, pošiljka). Svaki transport dolazi sa QR kodom koji vozač skenira na ulazu - sistem geo-fence-uje GPS trag kamiona kroz Telematics API i veže za deklarisane parcele. Custom deforestation detection model trenira se na Sentinel-2 imagery (10m rezolucija, 5-dnevna revizija) plus Planet Labs PlanetScope (3m, dnevna) za kritične zone. Random Forest klasifikator razlikuje 4 klase: sanitarna sječa, planska sječa po FMP-u, prirodni vjetrolom, i suspect deforestation. Model je treniran na 12.000 etiketiranih poligona iz BiH i okolnih zemalja, F1 score 0.91. Hyperledger Fabric blockchain za immutable audit trail - svaki DDS event (parcela validation, satellite check, supplier attestation) zapisan je kao transakcija. DDS PDF izvještaj generiše se automatski iz Neo4j querya, S/MIME potpisan i poslat u EU TRACES NT sistem preko REST API-ja. Pravna služba pregledava samo flagged slučajeve (high risk score).

Tehnološki stack

Python (GeoPandas, rasterio, scikit-learn), Sentinel-2 i Planet Labs API, PostGIS, Neo4j, Hyperledger Fabric, Apache Airflow, FastAPI + React supplier portal, EU TRACES NT integracija, S/MIME

Vrijeme izrade DDS-a spušteno sa 6-14h na prosječno 72 minute

94% pošiljki obrađeno automatski, samo 6% ide u manualni review

Nula EUDR prijava ili obustava na granici u prvoj godini operacije

Pravna služba oslobođena 1.4 FTE preusmjerenog na druge poslove

Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.

Demo Case Study 02

3D scanning trupaca sa simulacijom cutting patterna i internom defect detekcijom

Kontekst klijenta

Pilana sa godišnjim kapacitetom 180.000 m³ piljene građe (240 zaposlenih, istočna Slavonija) - hrast i bukva za parket i namještaj. Glavni operativni gubitak: pogrešno sortiranje trupaca (npr. F1 kvalitet trupac rezan kao građevinski) i suboptimalan cutting pattern jer operater na sortir-liniji ima 4-6 sekundi po trupcu za odluku.

Tehnički izazov

Vizuelna procjena trupca daje samo informaciju o vanjskoj površini - unutrašnji defekti (trulež u srcu, metalni komadi, skriveni čvorovi) postaju vidljivi tek kod prvog reza. Posljedica: 8-15% gubitka u prinosu jer se vrijedan F1 trupac rezao kao niža klasa, ili obrnuto - donja klasa ide na skupu liniju i blokira kapacitet. Postojeća USNR sortir-linija ima 2D vision sistem koji mjeri samo vanjski oblik (taper, sweep, ovalitet) ali ne defekte. CT scanneri postoje ali su preskupi za cijeli volumen (400.000+ trupaca godišnje).

Naš pristup

Postavili smo Microtec Logeye 305 multi-sensor stanicu (4 kamere + 2 LiDAR + 1 mikrovalni senzor za vlažnost i metal detekciju) na ulazu u sortir-liniju. 3D point cloud rekonstrukcija daje preciznost 0.3mm na vanjskoj geometriji, plus mikrovalni signal otkriva metal i zone povišene vlažnosti (indikator truleži). Razvili smo custom value optimization solver koji za svaki trupac simulira 200-400 mogućih cutting patterna kroz mixed-integer programming (Gurobi solver), uzimajući u obzir trenutni order book (koje dimenzije i kvalitete su trenutno potrebne) i tržišne cijene po klasi. Inference budget: 1.8 sekundi po trupcu da bi se uklopilo u takt linije. Defect detection model (PyTorch 3D CNN treniran na 8.400 trupaca koji su prošli kroz CT u istraživačkom projektu sa Šumarskim fakultetom Zagreb) procjenjuje vjerovatnoću skrivene truleži i čvorišta, integrišući kako vizuelne tako i mikrovalne signale. Output je probability map koji solver koristi kao penalty u optimizaciji. Sortir-linija dobija odluku preko OPC UA i automatski usmjerava trupac na odgovarajuću traku.

Tehnološki stack

Microtec Logeye 305 multi-sensor stanica, Python (PyTorch 3D CNN, NumPy), Gurobi solver za MIP optimizaciju, OPC UA integracija sa USNR sortir-linijom, PostgreSQL za order book, React HMI za operatera

Prinos po m³ povećan za 11% u prvoj godini operacije

Pogrešno klasifikovani trupci spušteni sa 12% na 2.7%

Detekcija metalnih inkluzija prije reza: 96% (zaštita pile, smanjenje zastoja)

Pay-back period 14 mjeseci na investiciji od 480.000 EUR

Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.

Tehnološki stack

Tehnologije koje koristimo

Python (PyTorch, scikit-learn, GeoPandas, rasterio) 3D LiDAR scanneri (Microtec CT Log, Microtec Logeye 305) i structured light Sentinel-2 i Planet Labs satellite imagery API Global Forest Watch i JRC Forest Observation PostGIS prostorna baza za parcele i geo-koordinate Neo4j graph database za supply chain traceability Hyperledger Fabric za audit trail (immutable records) Apache Airflow za ETL pipeline-ove QGIS / GDAL za geospatial obrade OPC UA integracija sa Hekotek/USNR sortir-linijama FastAPI + React portal za dobavljače S/MIME potpisani DDS PDF izvještaji

Tipični tok angažmana

Kako radimo

Discovery

3 sedmice: mapiranje supply chain-a, audit dobavljačkih izvora, mjerenje baseline prinosa po m³, EUDR risk assessment.

Pilot

10-12 sedmica pilot na jednoj sortir-liniji ili podskupu od 20 dobavljača, kalibracija detection modela, validacija sa CT referencama.

Implementacija

16-24 sedmice: roll-out na cijeli supply chain, integracija sa katastrom i TRACES NT, training nabavne službe i operatera linije.

Operacija

Kontinuirani satellite monitoring (mjesečna revizija parcela), retraining defect modela kvartalno, godišnji audit report za EUDR usklađenost.

Razgovarajmo o pilotu za vašu firmu

Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.

Kontaktirajte nas