Tunga skogsmaskiner orsakar betydande markskador vid avverkning, vilket påverkar skogens ekologi och produktivitet negativt. Identifiering och kartläggning av dessa körskador är avgörande för hållbar skogsförvaltning, men traditionella fältinventeringar är tidskrävande och ineffektiva. Denna studie undersöker möjligheten att använda Mask R-CNN för att identifiera och segmentera körskador i drönarbilder från skogsavverkningsområden i Gävleborgs län. Mask R-CNN är en avancerad djupinlärningsmodell för instanssegmentering, baserad på convolutional neural network (CNN). Studien syftar till att undersöka Mask R-CNN:s potential i denna kontext, samt analysera hur klassdefinitioner och efterbearbetning påverkar resultaten. Två olika klassindelningar undersöktes: en indelning med separata klasser för körskador med och utan vatten, samt en indelning där dessa behandlades som en enhetlig klass. Dessutom utvärderades effekten av efterbearbetning som eliminerar överlapp mellan maskprediktioner. Metoden innefattar annotering och förbehandling av högupplösta RGB-drönarbilder, dataaugmentation och en detaljerad träningsstrategi med regelbunden validering. Modellens prestanda utvärderades både kvantitativt, genom precision, återkallning, F1-värde och total noggrannhet, och kvalitativt genom visuell analys av segmenteringsresultat. Resultaten visade att Mask R-CNN effektivt identifierar körskador. Klassindelningen hade viss påverkan på segmenteringsprestandan: indelning av körskador som en enhetlig klass presterade bäst vid maskbaserad utvärdering, med ett F1-värde på 0,74 och 0,725 före respektive efter efterbearbetning. Den pixelbaserade utvärderingen visade att klassindelningarna gav jämförbar prestanda: med ett F1-värde på 0,782 och 0,786 samt total noggrannhet på 0,947 och 0,948, för enhetlig respektive uppdelad klassindelning. Efterbearbetningen eliminerade överlapp mellan predikterade masker avsevärt och förbättrade den visuella tydligheten utan att påverka de kvantitativa mätvärdena nämnvärt. Studien drar slutsatsen att Mask R-CNN kan bidra till effektivare och mer hållbar skogsförvaltning genom snabbare och mindre resurskrävande identifiering av körskador. 

Heavy forestry machinery causes significant soil damage, particularly in the form of wheel ruts, during logging operations. These damages negatively impact forest ecology and productivity. Identifying and mapping such wheel ruts is crucial for sustainable forest management, but traditional field surveys are time-consuming and inefficient. This study explores the potential of using Mask R-CNN to detect and segment wheel rut damage in drone imagery from logging areas in Gävleborg County. Mask R-CNN is an advanced deep learning model for instance segmentation, based on convolutional neural networks (CNN). The aim of the study is to evaluate the model’s potential in this context and to analyze how class definitions and post-processing affect the results. Two different class schemes were examined: one scheme with separate classes for wheel rut with and without water, and another scheme treating these as a single unified class. In addition, the effect of post-processing to eliminate overlaps between predicted masks was evaluated. The method includes annotation and preprocessing of high-resolution RGB drone images, data augmentation and a detailed training strategy with periodic validation. The model's performance was evaluated both quantitatively, using precision, recall, and F1-score, and qualitatively through visual analysis of the segmentation results. The results showed that Mask R-CNN effectively identifies wheel rut damage. Class definition had some impact on segmentation performance: treating wheel rut damage as a single unified class performed best in the mask-based evaluation, with an F1 score of 0.74 and 0.725 before and after post-processing, respectively. The pixel-based analysis showed that the class definitions yielded comparable performance: with F1 scores of 0.782 and 0.786, and overall accuracy of 0.947 and 0.948 for the unified and split class definitions, respectively. The post-processing significantly reduced overlap between predicted masks and improved visual clarity, without noticeably affecting the quantitative metrics. The study concludes that Mask R-CNN can contribute to more efficient and sustainable forest management by enabling faster and less resource-intensive identification of wheel rut damage.