Die Poltererfassung stellt einen zentralen Bestandteil forstlicher Logistikprozesse dar und erfolgt bislang überwiegend manuell, wie beispielsweise über die Holzliste-App von Forstify, STIHL, oder Holzaufnahme-App der Datendrehscheibe (siehe Abbildung 1). Trotz vorhandener digitaler Werkzeuge basieren die Erfassungsprozesse häufig weiterhin auf subjektiven Schätzungen und manueller Dateneingabe, was sowohl ineffizient als auch fehleranfällig ist.
Abbildung 1: Holzaufnahme-App der Datendrehscheibe zur Polter- und Holzlistenerfassung, welche zurzeit am MMI entwickelt wird
Moderne Verfahren der Computer Vision ermöglichen eine automatische Analyse von Holzpoltergeometrie. Large Language Models (LLMs) eröffnen darüber hinaus neue Möglichkeiten zur semantischen Interpretation, Regelanwendung und strukturierten Datenvalidierung zur automatisierten, intelligenten Poltererfassung.
Ziel der Masterarbeit ist hierbei die Entwicklung und Evaluation einer mehrstufigen KI-Architektur für die automatisierte Poltererfassung. Hierzu wird zunächst ein repräsentativer Datensatz realer Polter und ihrer Videoaufnahmen in einem forstlichen Umfeld erstellt, der unterschiedliche Baumarten, Poltergeometrie (Mittendurchmesser, Länge, Volumen) und Umgebungsbedingungen (z. B. Licht) abdeckt. Darauf aufbauend wird eine visuelle Analysepipeline implementiert, die die Videoaufnahmen fragmentiert, geometrische Parameter davon extrahiert und die dabei entstehenden Messunsicherheiten quantifiziert. Anschließend erfolgt die Integration einer LLM-basierten semantischen Verarbeitungsschicht, die als Black-Box fungiert und die gewonnenen visuellen Daten in standardisierte Polterdatensätze (z.B. ELDATsmart-Format) überführt.
Das LLM übernimmt hierbei die Anwendung forstlicher Erfassungsregeln, Konsistenzprüfung der Messdaten, mögliche Konflikterkennung und Sicherstellung regelkonformer Strukturierung der Polterdaten. Zudem unterstützt es die Interaktion mit Förstern, wenn Unsicherheiten in den Messungen auftreten, und ermöglicht so eine intelligente, teilautomatisierte Entscheidungsunterstützung.
Die Evaluation des Konzepts erfolgt durch Analyse der Volumenabweichung, RMSE (Root Mean Square Error), Bias, Regelkonformität und Konsistenz der erzeugten Daten, ergänzt durch statistische Signifikanztests zur Beurteilung der Genauigkeit und Robustheit der automatisierten Poltererfassung.
Voraussetzungen / Anforderungen
- Sehr gute Kenntnisse in Python und Erfahrung mit Computer Vision (z. B. OpenCV, PyTorch)
- Grundkenntnisse im Umgang mit Large Language Models (LLMs), idealerweise Erfahrung mit API-Integration oder Prompt-Engineering
- Interesse an forstlichen Prozessen und digitalen Anwendungen
- Analytisches Denken, selbstständige Arbeitsweise und Freude an experimenteller Forschung
Betreuer: Jiahang Chen
