Optischer Fingerabdruck von Rundholz – endlich einsatzbereit

Seit rund zwei Jahrzehnten beschäftigen sich Forschende mit einer scheinbar einfachen Idee: dass sich ein Stamm später an Merkmalen wiedererkennen lässt, die er ohnehin trägt – ohne dass etwas daran befestigt wird, kein Etikett, keine Farbe, kein Barcode. Die Schnittfläche eines Stamms mit ihren Jahrringen, Mark, Rissen, Ästen und Sägespuren ist unverwechselbar genug, um als biometrische Signatur zu dienen – ganz ähnlich wie ein menschlicher Fingerabdruck.

Den größten Teil dieser zwei Jahrzehnte war es ein Forschungsproblem. Heute ist es etwas anderes: eine Methode, die reif für den praktischen Einsatz ist. Dies ist die Geschichte, wie die Forschung dorthin gelangt ist – und was nötig war, um daraus einen funktionierenden Dienst zu machen.

Zwei Jahrzehnte Forschung

Die Entwicklungslinie reicht weiter zurück, als die meisten denken.

• Chiorescu und Grönlund (2003, 2004) führten den „Fingerabdruck“-Ansatz im Sägewerk ein: Sie nutzten das mit 3D-Rundholzscannern gemessene geometrische Profil eines Stamms – kombiniert mit RFID –, um Stämme zwischen Sortierstation und Sägewerkseinlauf wiederzuerkennen.
• Barrett (2008) brachte die Möglichkeit ins Spiel, die Schnittfläche eines Stamms als biometrisches Merkmal gezielt gegen Holzdiebstahl einzusetzen, und zog dabei die Analogie zur Identifizierung per menschlichem Fingerabdruck.
• Schraml, Uhl und Kollegen an der Universität Salzburg (2014–2015) machten daraus eine anerkannte Forschungsrichtung. Sie zeigten, dass sich Algorithmen aus der Fingerabdruck- und Iriserkennung beim Menschen auf digitale Bilder von Stammquerschnitten übertragen lassen, und untersuchten, wie robust die resultierenden Templates gegenüber Kappschnitten, Trocknung und verschiedenen Schneidwerkzeugen sind.
• Das französisch-österreichische Projekt TreeTrace (ANR-17-CE10-0016, ab 2017) festigte das Forschungsfeld, indem es Stämme entlang der Kette vom Wald bis zum Sägewerk verfolgte und die frei verfügbaren TreeTrace-Referenzdatenbanken für Douglasie und Fichte erstellte (Longuetaud et al., 2022).
• Ab etwa 2021 verlagerte sich das Matching von manuell entworfenen Texturmerkmalen hin zu Deep Learning. Wimmer et al. (2021) stellten einen zweistufigen Ansatz mit Convolutional Neural Networks vor – zuerst wird die Stirnfläche segmentiert, dann erkannt –, der die früheren texturbasierten Methoden übertraf.
• Der jüngste Schritt, Martinetto et al. (2024), kombinierte klassische Merkmalsextraktion (SIFT) mit Deep-Learning-Komponenten (SuperPoint-Merkmalserkennung und das Matching-Netzwerk LightGlue) für die biometrische Rückverfolgbarkeit von Eichenstämmen und verbesserte die bisherigen Ergebnisse deutlich – mit einer berichteten Genauigkeit von nahezu 100 %.

Diese letzte Zahl ist genau die Art von Wert, die jeden Ingenieur misstrauisch macht. Wer jahrelang mit Algorithmen gearbeitet hat, die bei 97–99 % landen, dem schrillen bei glatten 100 % alle Alarmglocken. Doch das Ergebnis kam nicht aus dem Nichts. Es war das Resultat eines Forschungsfelds, das sich stetig einer robusten Lösung angenähert hat – und genau das macht die Methode einsatzfähig statt nur beeindruckend.

Die Methode verlässt das Labor

Ein starkes Ergebnis in einem Fachartikel ist noch keine Methode, die sich im Gelände einsetzen lässt. Diese Lücke zu schließen, ist die Aufgabe von Arboreal. Wir haben die Wissenschaft nicht neu erfunden – wir haben auf der veröffentlichten Forschung aufgebaut und die Bausteine zu etwas Praxistauglichem zusammengefügt:

• eine Cloud-Lösung mit dokumentierter API
• eine automatisierte Pipeline für Segmentierung und Merkmalsextraktion
• eine metadatenbasierte Vorauswahl der Kandidaten, die die Suche vor dem Matching eingrenzt
• Erfassungs-Clients im Wald (iPhone oder am Harvester montierte Kamera), am Waldlagerplatz (iPhone) und im Sägewerk (Industriekamera)

Wir sind Teil des SINTETIC-Projekts, in dem wir Bäume mit Technologien wie RFID vom Wald bis zum Brett verfolgen. Der optische Fingerabdruck ist die ergänzende Methode, die uns gefehlt hat – eine, bei der nichts physisch am Holz befestigt werden muss und die daher auch dann funktioniert, wenn ein Etikett verloren geht, beschädigt wird oder nie angebracht wurde.

Wir haben es getestet – und es hat überzeugt

Nach einiger Arbeit haben wir nun einen laufenden Dienst, der diese Identifizierungen durchführt – und er funktioniert genauso gut, wie die Forschung es versprochen hat. Die verbleibenden Einschränkungen sind durchaus vertretbar:

• Sie brauchen Bilder in ordentlicher Qualität
• Es ist langsam
• Die Segmentierung der Stirnfläche gelingt nicht immer

Nichts davon ist ein K.-o.-Kriterium. Es sind technische Aufgaben auf dem Weg zum Praxiseinsatz – und das Matching schneller zu machen, ist genau das, worauf wir uns als Nächstes konzentrieren.

Das aufschlussreichste Ergebnis ergab sich beim Vergleich der Methode mit RFID-markierten Stämmen. Wir fanden 6 Stämme, die nicht übereinstimmten. Einen Moment lang sah das nach dem ersten Versagen der Methode aus – bis wir genauer hinsahen. Die Methode lag richtig. Die Abweichungen waren fehlerhafte RFID-Lesungen. Der optische Fingerabdruck erwies sich als zuverlässiger als das physische Etikett, an dem er überprüft wurde.

Das hat uns mehr als jeder Benchmark überzeugt, dass die Technologie bereit ist, das Labor zu verlassen.

Überzeugen Sie sich selbst

Zwanzig Jahre Forschung haben den optischen Fingerabdruck bis zur Einsatzreife gebracht. Wir haben einen Dienst eingerichtet, mit dem Sie ihn selbst testen können.

Wenn Sie Zugang wünschen, kontaktieren Sie uns gern und teilen Sie uns mit, für welches Unternehmen oder welche Organisation Sie tätig sind – wir richten Ihnen den Zugang gerne ein.

Link zum Dienst: treeid.io

Literatur

Chiorescu, S., Grönlund, A. (2004). The Fingerprint Method: using over-bark and under-bark log measurement data generated by three-dimensional log scanners in combination with radiofrequency identification tags to achieve traceability in the log yard at the sawmill. Scandinavian Journal of Forest Research, 19(4), 374–383.

Barrett, W. (2008). Biometrics of cut tree faces. In: Sobh, T. (ed.) Advances in Computer and Information Sciences and Engineering, pp. 562–565. Springer, Netherlands.

Schraml, R., Charwat-Pessler, J., Petutschnigg, A., Uhl, A. (2015). Towards the applicability of biometric wood log traceability using digital log end images. Computers and Electronics in Agriculture, 119, 112–122.

Wimmer, G., Schraml, R., Hofbauer, H., Petutschnigg, A., Uhl, A. (2021). Two-stage CNN-based wood log recognition. arXiv:2101.04450.

Longuetaud, F., Pot, G., Mothe, F., et al. (2022). Traceability and quality assessment of Douglas fir (Pseudotsuga menziesii) logs: the TreeTrace_Douglas database. Annals of Forest Science, 79, 46.

Martinetto, D., Wimmer, G., Ngo, P., Mothe, F., Piboule, A., Uhl, A., Debled-Rennesson, I., Longuetaud, F. (2024). A new approach to biometric wood log traceability combining traditional methods and deep learning. Smart Agricultural Technology.