Automatisierte Bilderkennung für die Holzartenbestimmung

Federführendes Institut HF Institut für Holzforschung

Entwicklung von automatisierten (digitalen) Bilderkennungssystemen zur Holzartenbestimmung mittels künstlicher Intelligenz

Können Holzarten mittels Machine Learning in Fasermaterialien zweifelsfrei identifiziert werden?
An dieser Frage arbeiten wir im FNR-Projekt, finanziert durch das BMEL, in Zusammenarbeit mit dem Fraunhofer-Institut. Das Ziel: automatisierte Bilderkennungssysteme für die Holzartenbestimmung.

Hintergrund und Zielsetzung

Um den Handel mit legalen Rohstoffen zu stärken und die Verbraucher zu schützen, werden am Thünen-Kompetenzzentrum Holzherkünfte die verwendeten Holzarten bestimmt. Routinemäßig werden dabei Schnittpräparate von Holz und bei Faserstoffen wie Papier vereinzelte Zellen lichtmikroskopisch untersucht und mit hohem Zeitaufwand von Expert*innen begutachtet. Automatisierte Bilderkennungssysteme können hier eine enorme Arbeitserleichterung und Zeitersparnis bedeuten.

Mit Einführung der Europäischen Holzhandelsverordnung (EUTR) 2013 ist der Handel verpflichtet, zur Sicherstellung der legalen Herkunft unter anderem die Art des im Produkt enthaltenen Holzes zu dokumentieren. Im Rahmen des neuen Forschungsvorhabens sollen automatisierte Bilderkennungssysteme mittels künstlicher Intelligenz (KI) entwickelt werden, um die Holzartendeklaration der Hersteller großflächiger überprüfen zu können.

Das Fraunhofer-Institut ITWM bringt seine Expertise ein, indem es die spezifischen Algorithmen entwickelt und die Software mittels maschinellen Lernens trainiert. Die Ergebnisse sollen wissenschaftlich veröffentlicht und allen Prüfinstituten zur Kontrolle des international gehandelten Holzes zur Verfügung gestellt werden.

Zielgruppe

Behörden, Wissenschaft, Holzhandel und Verbraucher

Vorgehensweise

Für eine Auswahl relevanter Laubhölzer werden Proben aus der wissenschaftlichen Sammlung und weiterer belegter Quellen zu realistischen Trainings- und Testpräparaten verarbeitet. Im eigens für dieses Projekt beschafften Scanning-Mikroskop können 100 Objektträger gleichzeitig eingelegt werden. Automatisiert werden dann mikroskopische Aufnahmen in mehreren Fokusebenen über die gesamte Präparat-Fläche angefertigt und so digital erfasst. Diese Bilder stellen die wichtige Datengrundlage des Projekts dar. In ihnen werden die Zellen markiert, die für die Erkennung der Holzarten durch Holzanatomen wesentlich sind. Damit werden am ITWM maschinell lernende Systeme trainiert und validiert.

Mikroskopische Bilder von Faserstoffen können bereits vom ersten Prototyp einer Benutzeroberfläche analysiert werden. Das maschinell lernende System kann zunächst ausschließlich neun Laubhölzer identifizieren, mit deren Referenzen es trainiert wurde. Unten sieht man, wie zunächst die für die Erkennung wichtigen Zellen im Bild detektiert und diese anschließend klassifiziert werden. Die vom System identifizierten Zellen können dann von Holzanatomen auf Plausibilität geprüft werden.

Erste webbasierte Benutzeroberfläche für automatisierte Holzartenidentifizierung in Papier

Unsere Forschungsfragen

Sind Holzarten mit Machine Learning in Fasermaterialien zu identifizieren?

Links und Downloads

Web page Fraunhofer ITWM

Online-Seminar „Baumstamm- und Holzartenidentifizierung mittels KI“ vom 11. Januar 2024

Literatur zum Projekt

0
Helmling S, Nieradzik L, Sieburg-Rockel IJ, Weibel T, Wrage S, Gospodnetic P, Keuper J, Stephani H, Rauhut M, Olbrich A (2024) Automated wood species identification in microscopic images of fibrous materials using machine learning / AI. In: Forests & society towards 2050 : 26th IUFRO World Congress, Stockholm, Sweden, 23-29 June 2024 ; Book of abstracts. p 3523
https://literatur.thuenen.de/digbib_extern/dn068687.pdf
1
Nieradzik L, Sieburg-Rockel IJ, Helmling S, Keuper J, Weibel T, Olbrich A, Stephani H (2024) Automating wood species detection and classification in microscopic images of fibrous materials with deep learning. Microsc Microanal 30(3):508-520, DOI:10.1093/mam/ozae038
2
Nieradzik L, Stephani H, Sieburg-Rockel IJ, Helmling S, Olbrich A, Keuper J (2024) Challenging the black box: A comprehensive evaluation of attribution maps of CNN applications in agriculture and forestry. In: Radeva P, Furnari A, Bouatouch K, Sousa AA (eds) Proceedings of the 19th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2024). Vol. 2. pp 483-492, DOI:10.5220/0012363400003660
3
Nieradzik L, Stephani H, Sieburg-Rockel IJ, Helmling S, Olbrich A, Wrage S, Keuper J (2024) WoodYOLO: A novel object detector for wood species detection in microscopic images. Forests 15(11):1910, DOI:10.3390/f15111910
https://literatur.thuenen.de/digbib_extern/dn069063.pdf
4
Helmling S, Sieburg-Rockel IJ, Wrage S, Olbrich A, Nieradzik L, Stephani H, Weibel T, Gospodnetic P, Rauhut M (2023) Automatisierte Holzartenidentifizierung in mikroskopischen Bildern von Fasermaterialien mit Hilfe von maschinellem Lernen / KI. In: KIDA-Fachtagung, 27. - 28. September 2023, Quedlinburg : Abstractbuch. Braunschweig: Geschäftsstelle Think Tank Digitalisierung, Johann Heinrich von Thünen-Institut, pp 21-22