Huella dactilar óptica de trozas: por fin lista para su implantación

Durante unas dos décadas, los investigadores han dado vueltas a una idea engañosamente sencilla: que una troza puede reconocerse más tarde a partir de las características que ya tiene, sin nada añadido: ni etiqueta, ni pintura, ni código de barras. La testa de una troza, con sus anillos de crecimiento, médula, grietas, nudos y marcas de sierra, es lo bastante característica como para funcionar como una firma biométrica, igual que una huella dactilar humana.

Durante la mayor parte de esas dos décadas fue un problema de investigación. Hoy es otra cosa: un método lo bastante maduro para implantarse. Esta es la historia de cómo llegó hasta aquí este campo y de lo que hizo falta para convertirlo en un servicio operativo.

Dos décadas de investigación

La trayectoria es más larga de lo que la mayoría imagina.

• Chiorescu y Grönlund (2003, 2004) introdujeron el enfoque de la "huella dactilar" en el contexto de un aserradero, utilizando el perfil geométrico de una troza medido con escáneres 3D de trozas —combinado con RFID— para volver a identificar las trozas entre la estación de clasificación y la entrada a la sierra.
• Barrett (2008) planteó la posibilidad de usar la testa de una troza como identificador biométrico específicamente para combatir el robo de madera, estableciendo una analogía con la identificación por huella dactilar humana.
• Schraml, Uhl y sus colegas de la Universidad de Salzburgo (2014–2015) la convirtieron en una línea de investigación reconocida, al demostrar que los algoritmos desarrollados para el reconocimiento humano de huellas dactilares y de iris podían trasladarse a imágenes digitales de la sección transversal de las testas, y al caracterizar la robustez de las plantillas resultantes frente al tronzado, el secado y las distintas herramientas de corte.
• El proyecto franco-austriaco TreeTrace (ANR-17-CE10-0016, desde 2017) consolidó el campo siguiendo las trozas a lo largo de la cadena del bosque al aserradero y creando las bases de datos de referencia TreeTrace, de acceso abierto, de abeto de Douglas y abeto rojo (Longuetaud et al., 2022).
• A partir de 2021, aproximadamente, el proceso de emparejamiento pasó de las características de textura diseñadas a mano al aprendizaje profundo. Wimmer et al. (2021) presentaron un enfoque de red neuronal convolucional en dos etapas —primero segmentar la testa y después reconocerla— que superó a los métodos anteriores basados en la textura.
• El paso más reciente, Martinetto et al. (2024), combinó la extracción clásica de características (SIFT) con componentes de aprendizaje profundo (detección de características SuperPoint y la red de emparejamiento LightGlue) para la trazabilidad biométrica de trozas de roble, con una mejora notable respecto a los resultados anteriores y una precisión declarada cercana al 100 %.

Esa última cifra es de las que hacen sospechar a cualquier ingeniero. Cuando llevas años trabajando con algoritmos que se quedan en el 97–99 %, un 100 % limpio dispara todas las alarmas. Pero el resultado no surgió de la nada. Era un campo que convergía de forma constante hacia una respuesta robusta, y eso es precisamente lo que lo hace implantable y no solo impresionante.

Sacar el método del laboratorio

Un buen resultado en un artículo no es lo mismo que un método que se pueda aplicar en campo. Cerrar esa brecha es donde entra Arboreal. No reinventamos la ciencia: partimos de la investigación publicada y unimos las piezas para crear algo práctico:

• una solución en la nube con una API documentada
• un proceso automatizado de segmentación y extracción de características
• un filtrado de candidatos basado en metadatos para acotar la búsqueda antes del emparejamiento
• clientes de captura en el bosque (iPhone o cámara montada en la cosechadora), en el cargadero (iPhone) y en el aserradero (cámara industrial)

Formamos parte del proyecto SINTETIC, en el que seguimos los árboles desde el bosque hasta la tabla con tecnologías como RFID. La huella dactilar óptica es el método complementario que necesitábamos: no requiere fijar nada físicamente a la madera y, por tanto, puede funcionar incluso cuando una etiqueta se pierde, se daña o nunca se colocó.

Lo pusimos a prueba y respondió

Tras cierto trabajo, ya tenemos en marcha un servicio que realiza estas identificaciones y funciona tan bien como prometía la investigación. Las limitaciones que quedan son totalmente razonables:

• Necesitas imágenes de una calidad aceptable
• Es lento
• La segmentación de la testa no siempre tiene éxito

Ninguna de ellas es un obstáculo insalvable. Son problemas de ingeniería en el camino hacia el uso real, y hacer el emparejamiento más rápido es justo en lo que nos centraremos a continuación.

El resultado más revelador llegó cuando comparamos el método con trozas etiquetadas con RFID. Encontramos 6 trozas que no coincidían. Por un momento pareció el primer fallo del método, hasta que investigamos a fondo. El método tenía razón. Las discrepancias se debían a lecturas erróneas de las etiquetas RFID. La huella dactilar óptica resultó ser más fiable que la propia etiqueta física con la que se estaba comprobando.

Eso, más que cualquier prueba comparativa, es lo que nos convenció de que la tecnología está lista para salir del laboratorio.

Compruébalo tú mismo

Veinte años de investigación han llevado la huella dactilar óptica al punto de poder implantarse. Hemos creado un servicio en el que puedes probarla tú mismo.

Si quieres acceder, ponte en contacto con nosotros e indícanos a qué empresa u organización perteneces; estaremos encantados de darte acceso.

Enlace al servicio: treeid.io

Referencias

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.