Auf der renommierten IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) vom 28. Februar bis 4. März in Tucson, Arizona stellen die Forscher:innen Julia Simon und Daniel Steininger am Center for Vision, Automation & Control des AIT Austrian Institute of Technology (AIT) erstmals den von ihnen und den Kollegen Andreas Trondl und Markus Murschitz entwickelten Algorithmus zur Baumstammdetektion in der automatisierten Forstwirtschaft sowie den dazugehörigen und bisher größten öffentlich zugänglichen Bilddatensatz vor.
TimberVision: Bilddatensatz für die nächste Generation autonomer Systeme in der Forstwirtschaft
In der Forstwirtschaft sind viele manuelle Tätigkeiten wie Inventurarbeiten, Holzernte und Rundholzvermessung nicht nur zeitaufwändig, sondern erfordern auch Einsätze in schwer zugänglichen oder gefährlichen Umgebungen. Der gezielte Einsatz automatisierter Arbeitsmaschinen und -prozesse kann Abhilfe schaffen und so die Arbeitskräfte unterstützten aber auch vor Risiken schützen. Dafür wird eine verlässliche Technologie benötigt, die Baumstämme zuverlässig erkennt, vermisst und die erfassten Daten für weitere Arbeitsprozesse bereitstellt. Bislang fehlte es an ausreichenden Trainings- und Referenzdaten, die für die Entwicklung und Validierung KI-basierter Modelle essenziell sind.
Hier setzen die AIT Expert:innen an. Um diese Datenlücke zu schließen, haben sie im Projekt TimberVision einen neuartigen Bilddatensatz zur robusten Erkennung einzelner Baumstämme und ihrer genauen Konturen entwickelt. Basierend darauf hat das Team mehrere verschiedene KI-Modelle trainiert und einen Fusionsansatz für die unterschiedlichen Ergebnisse entwickelt. Durch Kombination mit weiteren Sensoren ermöglicht das beispielsweise eine effizientere und automatisierte Inventur sowie eine präzisere Ernte und Verladung durch automatisierte Arbeitsmaschinen.
Die dafür notwendigen Daten wurden mit gängigen monokularen RGB-Kameras erfasst. Für eine präzise und zeitsparende Annotation kommt eine eigens entwickelte, semi-automatische Verarbeitungspipeline zum Einsatz. Die KI wurde mit den aufgenommenen Daten trainiert, die eine möglichst große Bandbreite an Bedingungen – wie verschiedene Orte, Betrachtungsabstände, Lichtverhältnisse und Wetterbedingungen sowie Formen und Größen der Baumstämme – abdecken. Diese Variabilität wurde anhand definierter und messbarer Szenenparameter quantifiziert. Dadurch können die Wissenschaftler:innen sicherstellen, dass das Modell robust genug ist, um mit unterschiedlichen Umgebungsbedingungen und Erscheinungsformen von Baumstämmen zuverlässig umzugehen. In mehreren Testungen wurde die Genauigkeit des Systems erfolgreich erprobt.
Der Bilddatensatz deckt vielfältige Umgebungsbedingungen ab
Der weltweit größte öffentlich verfügbare Bilddatensatz zur Detektion von Baumstämmen
Das Kernstück des innovativen Projekts ist ein umfangreicher, öffentlich zugänglicher Datensatz mit über 2.000 annotierten RGB-Bildern und mehr als 51.000 erfassten Baumstamm-Komponenten, einschließlich der Schnitt- und Mantelflächen. Es ist die größte Sammlung ihrer Art.
Um die Forschung weiter voranzutreiben, stellt das AIT-Team den gesamten TimberVision-Datensatz sowie die entwickelten Algorithmen für akademische Zwecke öffentlich zur Verfügung. Wissenschafter:innen weltweit sind eingeladen, das System zu nutzen und weiterzuentwickeln.
Mit TimberVision trägt das AIT durch ein niederschwellig einsetzbares System und einen einzigartigen Bilddatensatz entscheidend zur automatisierten Forstwirtschaft bei.
Die Stärken von TimberVision auf einem Blick
- Größter verfügbarer Bilddatensatz zur Baumstammerkennung
- KI-gestützte Algorithmen zur exakten Positions- und Konturbestimmung
- Vereinzelung und Verfolgung individueller Baumstämme über Bildsequenzen hinweg
- Geometrische Analyse zur Berechnung von Mittelachsen und Baumstammdimensionen für eine präzisere Handhabung
- Know-How-Transfer via GitHub für wissenschaftliche Kooperationen
Ergebnisse der entwickelten Modelle mit geometrischen Merkmalen
Robuste und präzise Echtzeiterkennung auch bei schwierigen Witterungsverhältnissen oder Verdeckungen
Durch modernste Algorithmen für Objekterkennung, Segmentierung und Tracking kann das System Holzstämme sowie ihre Bestandteile verlässlich identifizieren und wiedererkennen. „Mit unserer Arbeit stellen wir ein neuartiges Fusions- und Multi-Objekt-Tracking-Framework vor, um eine Echtzeit-Erkennung von Baumstämmen inklusiver ihrer geometrischen Eigenschaften wie Umrisse und Mittellinien zu ermöglichen. Unser Ansatz erkennt und segmentiert die Baumstämme mit hoher Genauigkeit. Die Daten werden zu einer einheitlichen Darstellungen fusioniert,“ erläutert Julia Simon, AIT Expertin für Software-Entwicklung. „Das Besondere ist, dass unser System selbst unter herausfordernden Bedingungen wie beispielsweise schwierigen Witterungsverhältnissen oder teilweisen Verdeckungen verlässlich funktioniert und die Baumstämme präzise über Bildsequenzen hinweg verfolgt,“ ergänzt Daniel Steininger. Er ist Experte für KI- und Datensatzentwicklung am AIT. „Mit TimberVision schaffen wir eine wichtige Grundlage für die nächste Generation autonomer Maschinen in der Forstwirtschaft.“
Links und weitere Infos:
GitHub:
github.com/timbervision/timbervision
Large-Scale Robotics Lab:
www.ait.ac.at/labs/large-scale-robotics-lab
Paper:
Daniel Steininger, Julia Simon, Andreas Trondl, Markus Murschitz. TimberVision: A Multi-Task Dataset and Framework for Log-Component Segmentation and Tracking in Autonomous Forestry Operations. Winter Conference on Applications of Computer Vision (WACV 2025).
https://arxiv.org/pdf/2501.07360