2. starpposmā projekts pārgāja no metodoloģiskās izpētes uz praktisku algoritmu izstrādi un eksperimentālu validāciju. Galvenais sasniegtais rezultāts ir izstrādāts un validēts trupes un krāsojuma diferenciācijas algoritms, kas, apvienojot krāsu un spektrālo informāciju, uzrāda vismaz 50 % kļūdu samazinājumu trupes un krāsojuma nošķiršanā salīdzinājumā ar sākotnējo stāvokli.

Paralēli tika uzsākta virsmas defektu simulācijas programmatūras izstrāde - sagatavots sākotnējais simulācijas rīks un uzsākta sintētisko, automātiski anotētu treniņdatu bāzes veidošana mākslīgā intelekta modeļu apmācībai. Visā pārskata periodā tika nostiprināta un praktiski izmantota digitālā pētniecības vide, nodrošinot kontrolētu, reproducējamu un izsekojamu eksperimentu norisi. Iegūtie rezultāti apliecina, ka projekts ir tehnoloģiski un metodoloģiski gatavs nākamā posma īstenošanai.

Projekta 1. starpposmā tika veikti sākotnējie pētniecības darbi multisensoru koksnes skenēšanas sistēmas tehnoloģiskā pamata izveidei. Tika veikta sensortehnoloģiju un esošo risinājumu analīze, izvērtēti potenciālie sensoru tipi un to kombinācijas industriālai pielietošanai - krāsu kameras, lāzera triangulācijas 3D skeneri un spektrālie sensori - kā arī definēti multisensoru skenera arhitektūras principi un galvenās tehniskās prasības.

Paralēli tika izstrādāta strukturēta digitālās pētniecības vide, kas ļauj organizēt pētniecības procesu kā secīgu, izmērāmu un reproducējamu eksperimentu kopumu, un tika uzsākts trupes un krāsojuma diferenciācijas pētījums, izstrādājot autoencoder balstītu multisensoru datu apstrādes pieeju. Šajā posmā iegūtie rezultāti veido metodoloģisku un tehnoloģisku pamatu turpmākai algoritmu izstrādei un validācijai.