Optiskt fingeravtryck på stockar — äntligen redo att tas i drift

I ungefär två decennier har forskare kretsat kring en till synes enkel idé: att en stock går att känna igen i efterhand utifrån de drag den redan bär, utan att något fästs på den — ingen tagg, ingen färg, ingen streckkod. Den kapade änden på en stock, med sina årsringar, märg, sprickor, kvistar och sågspår, är tillräckligt särpräglad för att fungera som en biometrisk signatur, ungefär som ett mänskligt fingeravtryck.

Under större delen av dessa två decennier var det en forskningsfråga. Idag är det något annat: en metod mogen nog att tas i drift. Det här är berättelsen om hur fältet kom hit — och vad som krävdes för att göra det till en fungerande tjänst.

Två decennier av forskning

Bakgrunden är längre än de flesta inser.

• Chiorescu och Grönlund (2003, 2004) introducerade "fingeravtrycks"-ansatsen i en sågverkskontext, där de använde en stocks geometriska profil mätt med 3D-stockscanners — i kombination med RFID — för att återidentifiera stockar mellan sorteringsstationen och sågintaget.
• Barrett (2008) lyfte möjligheten att använda den kapade stockänden som en biometrisk identifierare specifikt för att motverka virkesstöld, med en analogi till mänsklig fingeravtrycksidentifiering.
• Schraml, Uhl och kollegor vid Salzburgs universitet (2014–2015) gjorde detta till en etablerad forskningslinje och visade att algoritmer utvecklade för mänsklig fingeravtrycks- och irisigenkänning kunde överföras till digitala tvärsnittsbilder av stockändar, och kartlade hur robusta de resulterande mallarna är mot kapning, torkning och olika kapverktyg.
• Det fransk-österrikiska TreeTrace-projektet (ANR-17-CE10-0016, från 2017) konsoliderade fältet genom att spåra stockar längs kedjan från skog till sågverk och tog fram de öppet tillgängliga TreeTrace-referensdatabaserna för douglasgran och gran (Longuetaud et al., 2022).
• Från omkring 2021 skiftade matchningspipelinen från handgjorda texturegenskaper till djupinlärning. Wimmer et al. (2021) introducerade en tvåstegsansats baserad på faltningsnätverk (CNN) — först segmentering av stockänden, sedan igenkänning — som överträffade de tidigare texturbaserade metoderna.
• Det senaste steget, Martinetto et al. (2024), kombinerade klassisk särdragsextraktion (SIFT) med djupinlärningskomponenter (SuperPoint-detektion och matchningsnätverket LightGlue) för biometrisk spårbarhet av ekstockar, och förbättrade tidigare resultat avsevärt — med en rapporterad träffsäkerhet nära 100 %.

Den sista siffran är just den sortens tal som gör vilken ingenjör som helst misstänksam. När man har lagt år på algoritmer som landar på 97–99 % får en ren 100 % alla varningsklockor att ringa. Men resultatet kom inte från ingenstans. Det var ett fält som stadigt närmade sig ett robust svar — och det är just det som gör det möjligt att ta i drift, snarare än bara imponerande.

Att ta metoden ut ur labbet

Ett starkt resultat i en artikel är inte detsamma som en metod du kan köra i fält. Att stänga det gapet är där Arboreal kommer in. Vi har inte uppfunnit vetenskapen på nytt — vi byggde vidare på den publicerade forskningen och satte ihop bitarna till något praktiskt:

• en molnlösning med ett dokumenterat API
• en automatiserad pipeline för segmentering och särdragsextraktion
• metadatabaserad filtrering av kandidater för att smalna av sökningen före matchning
• insamlingsklienter i skogen (iPhone eller skördarmonterad kamera), vid avlägget (iPhone) och vid sågverket (industrikamera)

Vi är en del av SINTETIC-projektet, där vi följer träd från skog till planka med teknik som RFID. Optiskt fingeravtryck är den kompletterande metod vi behövde — en som inte kräver att något fästs fysiskt på virket, och som därför fungerar även när en tagg tappas, skadas eller aldrig sätts på.

Vi satte den på prov — och den höll

Efter en del arbete har vi nu en igång­varande tjänst som utför dessa identifieringar, och den fungerar precis så bra som forskningen lovade. De kvarvarande begränsningarna är fullt rimliga:

• Du behöver bilder av hyfsad kvalitet
• Det är långsamt
• Segmenteringen av stockänden lyckas inte alltid

Inget av detta är något hinder. Det är ingenjörsproblem på vägen mot verklig användning, och att göra matchningen snabbare är precis det vi fokuserar på härnäst.

Det mest talande resultatet kom när vi jämförde metoden mot stockar märkta med RFID. Vi hittade 6 stockar som inte stämde. För ett ögonblick såg det ut som metodens första misslyckande — tills vi grävde i det. Metoden hade rätt. Avvikelserna var felaktiga RFID-avläsningar. Det optiska fingeravtrycket visade sig vara mer tillförlitligt än den fysiska tagg det jämfördes mot.

Det, mer än någon benchmark, är vad som övertygade oss om att tekniken är redo att lämna labbet.

Prova själv

Tjugo års forskning har fört det optiska fingeravtrycket till en punkt där det kan tas i drift. Vi har satt upp en tjänst där du kan testa det själv.

Vill du ha tillgång är du varmt välkommen att höra av dig och berätta vilket företag eller vilken organisation du tillhör, så ordnar vi det.

Länk till tjänsten: treeid.io

References

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.