Impressão digital ótica de toros — finalmente pronta a implementar

Durante cerca de duas décadas, os investigadores andaram à volta de uma ideia aparentemente simples: a de que um toro pode ser reconhecido mais tarde pelas características que já possui, sem nada que lhe seja colocado — sem etiqueta, sem tinta, sem código de barras. A face de corte de um toro, com os seus anéis de crescimento, medula, fendas, nós e marcas de serra, é suficientemente distintiva para funcionar como uma assinatura biométrica, tal como uma impressão digital humana.

Durante a maior parte dessas duas décadas, foi um problema de investigação. Hoje é outra coisa: um método suficientemente maduro para ser implementado. Esta é a história de como se chegou aqui — e do que foi preciso para o transformar num serviço operacional.

Duas décadas de investigação

A linhagem é mais longa do que a maioria das pessoas imagina.

• Chiorescu e Grönlund (2003, 2004) introduziram a abordagem da "impressão digital" no contexto da serração, usando o perfil geométrico de um toro medido por scanners 3D de toros — combinado com RFID — para voltar a identificar os toros entre a estação de triagem e a entrada da serra.
• Barrett (2008) levantou a possibilidade de usar a face de corte de um toro como identificador biométrico, especificamente para combater o furto de madeira, estabelecendo a analogia com a identificação por impressões digitais humanas.
• Schraml, Uhl e colegas da Universidade de Salzburgo (2014–2015) transformaram esta ideia numa linha de investigação reconhecida, mostrando que os algoritmos desenvolvidos para o reconhecimento de impressões digitais e da íris humanas podiam ser transferidos para imagens digitais das faces de corte dos toros, e caracterizando a robustez dos modelos resultantes face ao traçamento, à secagem e a diferentes ferramentas de corte.
• O projeto franco-austríaco TreeTrace (ANR-17-CE10-0016, a partir de 2017) consolidou a área, acompanhando toros ao longo da cadeia da floresta à serração e produzindo as bases de dados de referência TreeTrace, de acesso aberto, de abeto-de-douglas e espruce (Longuetaud et al., 2022).
• A partir de cerca de 2021, o processo de correspondência passou de características de textura concebidas manualmente para a aprendizagem profunda. Wimmer et al. (2021) apresentaram uma abordagem com redes neuronais convolucionais em duas fases — primeiro segmentando a face do toro e depois reconhecendo-a — que superou os métodos anteriores baseados em textura.
• O passo mais recente, Martinetto et al. (2024), combinou a extração clássica de características (SIFT) com componentes de aprendizagem profunda (deteção de características SuperPoint e a rede de correspondência LightGlue) para a rastreabilidade biométrica de toros de carvalho, melhorando significativamente os resultados anteriores — com uma precisão reportada próxima dos 100%.

Este último número é do tipo que deixa qualquer engenheiro desconfiado. Quando se passa anos a trabalhar com algoritmos que ficam entre 97% e 99%, uns limpos 100% fazem soar todos os alarmes. Mas o resultado não surgiu do nada. Foi uma área de investigação a convergir de forma consistente para uma resposta robusta — e é precisamente isso que o torna implementável, e não apenas impressionante.

Levar o método para fora do laboratório

Um resultado sólido num artigo científico não é o mesmo que um método que se pode aplicar no terreno. Colmatar essa lacuna é o papel da Arboreal. Não reinventámos a ciência — partimos da investigação publicada e juntámos as peças em algo prático:

• uma solução na nuvem com uma API documentada
• um processo automatizado de segmentação e extração de características
• filtragem de candidatos com base em metadados, para restringir a pesquisa antes da correspondência
• clientes de captura na floresta (iPhone ou câmara montada no harvester), no carregadouro (iPhone) e na serração (câmara industrial)

Fazemos parte do projeto SINTETIC, no qual seguimos as árvores da floresta até à tábua com tecnologias como o RFID. A impressão digital ótica é o método complementar de que precisávamos — não exige que nada seja fisicamente colocado na madeira e, por isso, funciona mesmo quando uma etiqueta se perde, se danifica ou nunca chegou a ser aplicada.

Pusemo-lo à prova — e resistiu

Após algum trabalho, temos agora um serviço em funcionamento que realiza estas identificações, e funciona tão bem como a investigação prometia. As limitações que restam são perfeitamente razoáveis:

• São necessárias imagens com qualidade razoável
• É lento
• A segmentação da face do toro nem sempre é bem-sucedida

Nenhuma delas é impeditiva. São problemas de engenharia no caminho para a utilização real, e tornar a correspondência mais rápida é exatamente aquilo em que nos vamos concentrar a seguir.

O resultado mais revelador surgiu quando comparámos o método com toros etiquetados com RFID. Encontrámos 6 toros que não correspondiam. Por um momento, pareceu a primeira falha do método — até analisarmos melhor. O método estava certo. As discrepâncias deviam-se a leituras erradas das etiquetas RFID. A impressão digital ótica revelou-se mais fiável do que a própria etiqueta física com que estava a ser comparada.

Foi isso, mais do que qualquer teste de referência, que nos convenceu de que a tecnologia está pronta para sair do laboratório.

Veja por si

Vinte anos de investigação trouxeram a impressão digital ótica até ao ponto de poder ser implementada. Criámos um serviço onde pode testá-la por si.

Se quiser ter acesso, é muito bem-vindo a contactar-nos e a indicar a empresa ou organização a que pertence — teremos todo o gosto em configurar o seu acesso.

Ligação para o serviço: treeid.io

Referências

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.