Holz mit eigenem Fingerabdruck
Oder: Wie wir Schnittholz allein über die eigene Struktur wiedererkennen
Die Herausforderung
Entlang moderner Hobellinien ist die Strecke zwischen Qualitätskontrolle und Ausschleusung oft lang. Häufig beträgt sie mehrere Meter Förderstrecke.
Tritt auf dieser Strecke ein Versatz, bspw. durch einen Werkstückverlust, auf, geht die Zuordnung zwischen Werkstück und Qualitätsbeurteilung verloren, was wiederum eine falsche Sortierung nach A-Ware, B-Ware und Ausschuss zur Folge hat.
Konventionelle Ansätze unter Verwendung von Markierungen sind oftmals wenig praktikabel und pflegeintensiv. Wie lässt sich also sicherstellen, dass ein Holzstück später exakt wiedererkannt wird – auch ganz ohne zusätzliche Marker?
Unsere Lösung
Wir verwenden die natürliche Struktur des Holzes – Maserung, Astlöcher und Oberflächenstruktur – als visuellen Fingerabdruck.
​
Eine kleine Kamera wird am Ausschleusungspunkt ergänzt. Ein KI-System vergleicht dann diese Bilder gegen Bilder aus dem der Qualitätsbeurteilung zugrundeliegenden Scan und schafft so die Zuordnung von Qualitätsbeurteilung und aktuell am Ausschleusungspunkt ankommendem Werkstück - kontaktlos, robust gegen Fehler und, dank smarter Datenvorverarbeitung, binnen Sekundenbruchteilen.
Als technischer Kern dient Contrastive Learning:
​
-
Paare von Bildern eines gleichen Holzstücks (z. B. Qualitätsstation vs. Ausschleusung) werden dem Modell als „positiv“ vermittelt
-
Bilder verschiedener Stücke als „negativ“
-
Das Modell lernt, robuste Merkmale zu extrahieren, die auch unter Rotation, Schmutz, Beleuchtungsänderung oder leichten Deformationen erhalten bleiben
​
​Selbst mit einer vergleichsweise kleinen Trainingsatenmenge (z. B. rund 100 Holzstück-Bildern) zeigt das System eine erstaunliche Generalisierungsfähigkeit - und das sogar auf kleinen Bildausschnitten. Mit zunehmender Datenbasis steigt die Zuverlässigkeit weiter.​ Und noch besser - das System ist transparent nachvollziehbar, da sich Feature Maps aus dem KI-Modell erzeugen lassen, die genau aufzeigen, entlang welcher Bereiche des Werkstücks die Identifikation erfolgt ist.
Fazit
Ein einfacher, aber eleganter Ansatz: Keine künstlichen Markierungen, keine zusätzlichen Prozesse – stattdessen nutzt man, was ohnehin da ist: Die einzigartige Struktur des Holzes selbst.Mit modernen Contrastive Learning-Methoden erreichen wir Robustheit, Effizienz und Zuverlässigkeit.
Mehr erfahren. Melden Sie sich gerne.
Platzsparend: Selbst auf kleinstem Raum einfach installierbar
Schnelligkeit: Zuverlässige Zuordnung binnen Zehntelsekunden
Kostengütnsig: kostengünstig skalierbar, da nur eine Kamera je Linie ergänzt wird
Verwendete Technologien:
Contrastive Learning, Feature Extraction, innovative Kameratechnik, Edge Deployment