Holzarterkennung per Bildanalyse

Das echte Ausmaß des Problems

Holzarterkennung klingt nach einem Nischenproblem — bis man bedenkt, wie viele Betriebe in der Holzbranche täglich Materialien empfangen, verarbeiten und weiterverkaufen, ohne eine verlässliche, schnelle Methode zur Identifikation zu haben. Laut Thünen-Institut (Bundesforschungsinstitut für Holzforschung) dauert die manuelle Holzartenbestimmung durch Fachpersonal je nach Methode und Expertise drei bis zehn Minuten pro Partie — und selbst geübte Fachleute liegen bei ähnlichen Arten wie Esche und Ölbaum oder Eiche und Kastanie gelegentlich daneben.

Das ist kein theoretisches Risiko. Fehlerhafte Holzartzuordnung hat handfeste Konsequenzen:

• Falsch deklariertes Material im Handel: Preisdifferenz zwischen Eiche und Esche kann 40–80 € pro Kubikmeter betragen
• Produktionsfehler in der Verarbeitung: Furniere verschiedener Arten reagieren unterschiedlich auf Beize, Temperatur und Feuchtigkeit — wer die Holzart nicht sicher kennt, plant mit falschen Parametern
• Rückverfolgbarkeitspflichten: Seit der EU-Holzverordnung (EUDR, in Kraft ab Ende 2024) müssen Importeure und Händler die Herkunft von Holz und Holzprodukten dokumentieren — das setzt korrekte Artenbestimmung voraus
• Abhängigkeit von Einzelpersonen: 70–80 % des operativen Arterkennungswissens in kleinen Holzbetrieben steckt in einer bis zwei Personen — ein Krankheitsfall oder Renteneintritt legt den Prozess lahm

In Tischlereien und Holzhandlungen mit 10–50 Mitarbeitenden sind schnelle und zuverlässige Wareneingangsprüfungen kein Nice-to-have — sie entscheiden darüber, ob ein Auftrag korrekt ausgeführt wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

Erfahrungswerte aus Pilotprojekten in der Holzbranche; Fehlerquoten für ähnliche Arten basierend auf Trainings- und Validierungsdaten aus Forschungsprojekten des Thünen-Instituts für Holzforschung (Publikation zur KI-Holzartenbestimmung, 2022).

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Von 5 Minuten auf unter 30 Sekunden ist der größte direkte Hebeleffekt unter den verglichenen Anwendungsfällen in dieser Branche. Bei 50 Wareneingängen täglich sind das real drei bis vier Stunden, die aus einer qualifizierten Person werden können — oder die diese Person für höherwertige Tätigkeiten freisetzt. Der Effekt ist messbar und tritt sofort ein, sobald das Modell produktiv läuft.

Kosteneinsparung — mittel (3/5) Die Einrichtungskosten liegen je nach gewähltem Ansatz zwischen 15.000 und 40.000 Euro — Training des Modells, Kamera-Setup, Integration in den Wareneingangsprozess. Die Einsparung entsteht über vermiedene Fehllieferungen und reduzierte Personalabhängigkeit, ist aber schwerer zu isolieren als eine direkte Kostenreduktion. Kein dominanter Kostenhebel — aber ein echter.

Schnelle Umsetzung — mittel (3/5) Der kritische Pfad ist nicht die Software, sondern die Trainingsdaten. Ein verlässliches Modell braucht 200–500 gute Beispielbilder pro Holzart — unter den realen Bedingungen, unter denen es später laufen soll (gleiche Kamera, gleiche Lichtverhältnisse, typische Bildwinkel). Dieses Datenmaterial zu sammeln und zu beschriften dauert vier bis acht Wochen. Plus Trainingszeit und Pilotphase: realistisch zehn bis vierzehn Wochen bis zum stabilen Betrieb.

ROI-Sicherheit — hoch (4/5) Die Fehlerquote bei der Holzartzuordnung ist direkt messbar — vor und nach der Einführung. Anders als indirekte Effizienzgewinne, bei denen man nie sicher weiß, was dem System und was dem Team zuzuschreiben ist, lässt sich hier konkret vergleichen: Wie viele Fehlzuordnungen gab es in den letzten sechs Monaten? Wie viele nach dem Rollout? Das macht die Wirkung des Systems belastbar messbar.

Skalierbarkeit — hoch (4/5) Das Modell lässt sich auf neue Holzarten erweitern, indem neue Trainingsbilder hinzugefügt werden — kein Neustart von Null. Wer heute mit zehn Holzarten anfängt, kann nach einem Jahr dreißig abdecken. Auch weitere Standorte profitieren vom gleichen Modell, wenn die Kamera- und Lichtbedingungen vergleichbar sind. Nicht ganz maximal bewertet, weil Modellpflege dauerhaften Aufwand bedeutet und stark variierende Lichtverhältnisse zwischen Standorten eigene Anpassungen erfordern können.

Richtwerte — stark abhängig von Anzahl der Holzarten, Bildqualität und Lichtbedingungen vor Ort.

Was das System konkret macht

Computer Vision — genauer: Bildklassifikation mit einem trainierten neuronalen Netz — ist die technische Grundlage. Das funktioniert so:

Du fotografierst eine Holzoberfläche (oder den Querschnitt eines Balkens, das Hirnholz einer Bohle, das Furnier auf einer Platte). Das Bild wird an ein Modell geschickt, das gelernt hat, welche Maserungsmerkmale, Zellstrukturen und Farbmuster welcher Holzart entsprechen. Das Modell gibt eine Klassifikation zurück: „Diese Probe ist mit 94 % Wahrscheinlichkeit Eiche, mit 4 % Kastanie.”

Dabei unterscheidet man zwei Ansätze:

Makroskopische Bildanalyse (Smartphone-Foto, 5–10 Megapixel): Reicht für die meisten praktischen Anwendungen in Tischlereien und Holzhandlungen. Erkennt Maserungstyp, Farbton und grobe Strukturmerkmale. Genauigkeit in kontrollierten Bedingungen: 85–95 %, je nach Holzartenspektrum und Bildqualität.

Mikroskopische Bildanalyse (spezielles Aufnahme-Equipment): Wird für wissenschaftliche Bestimmung und forensische Holzherkunftsprüfung eingesetzt. Das Thünen-Institut forscht hier mit Fraunhofer ITWM an Systemen, die Zellanatomie erkennen — höhere Genauigkeit, aber deutlich höherer Aufwand für die Bildaufnahme.

Für den betrieblichen Alltag im Holzhandel und in Tischlereien ist der makroskopische Ansatz die pragmatische Wahl. Mit Roboflow lässt sich ein benutzerdefiniertes Modell in wenigen Wochen aufbauen: Fotos hochladen, beschriften, trainieren, als Web-App oder Handy-Applikation deployen. Das Thünen-Institut hat zudem gezeigt, dass öffentlich verfügbare Datensätze als Ausgangsbasis für eigene Modelle genutzt werden können — damit muss man nicht jede Holzart von Null an mit eigenen Bildern aufbauen.

Was das System nicht kann

Das Modell erkennt Holzarten — keine Holzqualitäten. Ob ein Brett Risse hat, ob die Feuchte zu hoch ist, ob Pilzbefall vorliegt: das sind separate Prüfpunkte, die ein anderes Modell brauchen. Wer eine vollständige KI-gestützte Wareneingangskontrolle will, muss mehrere Modelle kombinieren oder ein System wie Landing AI oder Cognex nutzen, das für Oberflächen- und Defektprüfung ausgelegt ist.

Konkrete Werkzeuge — was wann passt

Roboflow — Beste Wahl für den Einstieg ohne eigenes ML-Team. Bilder hochladen, beschriften (Auto-Label spart erheblich Zeit), Modell trainieren, als REST-API deployen. Für Pilotprojekte und Betriebe, die zuerst die Machbarkeit beweisen wollen, bevor sie mehr investieren. Free-Plan für erste Tests; für Produktivbetrieb Starter- oder Pro-Plan (20–100 USD/Monat). Wichtig: US-Hosting — für Produktionsbilder ohne Personenbezug und ohne vertrauliche Fertigungsgeheimnisse vertretbar; sonst Enterprise-Gespräch führen.

Landing AI — Ähnlicher No-Code-Ansatz, ursprünglich stärker auf industrielle Bildverarbeitung ausgerichtet, inzwischen mit Strategiewechsel Richtung Dokumenten-KI. Gut für Pilotprojekte; für langfristige Produktionssysteme auf den Strategiewechsel von Landing AI achten. Daten ebenfalls US-seitig.

Cognex — Für industriellen Einsatz mit hohem Prüfvolumen (1.000+ Teile pro Stunde), Inline-Integration in Fördersysteme und SPS-Anbindung. Hardware-basiert, teuer (10.000–50.000 Euro pro Prüfstation), aber industriell robust. Empfehlung: erst mit Roboflow den Pilot beweisen, dann Cognex für den skalierten Dauerbetrieb prüfen.

Eigenes Custom-Modell mit AWS SageMaker — Maximale Flexibilität und EU-Hosting. Modell auf eigener Infrastruktur in EU-Region trainieren und deployen — keine Abhängigkeit von US-Plattformen. Erfordert Data-Science-Know-how oder eine externe Agentur. Empfehlenswert, wenn die Daten als vertraulich eingestuft sind oder wenn das Modell in bestehende IT-Infrastruktur integriert werden soll.

Zusammenfassung: Wann welcher Ansatz

• Pilot und Machbarkeitsnachweis → Roboflow
• Industrielle Inline-Prüfung mit hohem Durchsatz → Cognex
• Volle Datenkontrolle und EU-Hosting → Custom-Modell auf AWS/Azure EU
• Einfache, schnelle Feldprüfung mit Handy → Roboflow-API als Web-App

Datenschutz und Datenhaltung

Holzbilder selbst enthalten in der Regel keine personenbezogenen Daten — der DSGVO-Aufwand ist deutlich geringer als bei Kundendaten oder Mitarbeiterdaten. Trotzdem gibt es relevante Aspekte:

Vertraulichkeit von Produktionsdaten. Bilder aus der eigenen Fertigung können Rückschlüsse auf proprietäre Prozesse, Fehlerquoten oder Lieferketten ermöglichen. Wenn das für euer Unternehmen relevant ist, sollten Trainingsdaten und Modelle nicht auf US-Cloud-Plattformen ohne vertragliche Absicherung liegen.

EU-konforme Optionen. Für reine Pilotprojekte mit internen Holzfotos ohne Personenbezug ist Roboflow oder Landing AI in der Praxis akzeptabel. Für den Dauerbetrieb empfiehlt sich: entweder On-Premise-Deployment (Roboflow Inference, AWS EU-Region) oder ein Anbieter wie Cognex, dessen Bildverarbeitung lokal auf der Kamerahardware stattfindet — kein Cloud-Transfer, keine externen Server.

Keine AVV notwendig für reine Bilddaten ohne Personenbezug. Wenn keine Personen auf den Bildern erkennbar sind und keine personenbezogenen Daten mitverarbeitet werden, greift die DSGVO hier nicht. Trotzdem: einen Rechtsrat zur konkreten Situation zu holen, ist bei unklaren Fällen sinnvoll.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Bilder selbst sammeln und beschriften: 40–80 Stunden intern, je nach Holzartenspektrum. Das ist realer Aufwand, der geplant werden muss.

Laufende Kosten

• Roboflow Pro: ca. 100 USD/Monat Plattformlizenz
• Inference/Hosting: 50–200 € zusätzlich je nach Nutzungsvolumen
• Modellpflege (neue Holzarten, Trainingsdaten nachführen): ca. 2–5 Tage intern pro Quartal

Was du dagegenrechnen kannst

Bei 50 Wareneingängen täglich und 4 Minuten Erkennungszeit je Partie: 200 Minuten täglich, über 3 Stunden. Bei einem Stundensatz von 20–30 Euro brutto sind das 60–90 Euro täglich — rund 1.200–1.800 Euro monatlich. Dazu kommen vermiedene Fehlzuordnungen: Eine Falschbestellung in der Größenordnung von 5 Kubikmeter Eiche statt Esche bedeutet Preisdifferenz von ca. 200–400 Euro zuzüglich Nachlieferungsaufwand.

Im konservativen Szenario (50 % der Erkennungszeit eingespart, eine vermiedene Fehlbestellung pro Monat) amortisiert sich eine Pilotinvestition von 10.000 Euro innerhalb von acht bis zwölf Monaten.

Wie du den Nutzen tatsächlich misst

Führe vier Wochen vor dem Rollout eine Strichliste: Wie viele Erkennungsvorgänge pro Tag, wie lange dauert jeder, wie viele Fehlzuordnungen werden korrigiert. Diese Baseline macht den Vorher-Nachher-Vergleich belastbar — ohne sie bleibt der ROI eine Schätzung.

Drei typische Einstiegsfehler

1. Trainingsbilder nur unter idealen Bedingungen aufnehmen. Der häufigste Fehler: Man fotografiert alle Holzarten schön ausgeleuchtet auf einem weißen Tisch — und wundert sich, warum das Modell im Wareneingangslager versagt, wo das Licht ungünstig, die Oberflächen manchmal nass und die Kamera schräg gehalten ist. Ein Modell lernt genau das, womit es trainiert wurde. Wenn die Trainingsdaten vielfältig sind — verschiedene Lichtverhältnisse, Kamerawinkel, Feuchtigkeitszustände der Holzoberfläche — ist das Modell robust. Wenn nicht, ist es fragil.

2. Mit zu wenigen Holzarten starten und zu früh skalieren. Der Reflex ist verständlich: erst alle 30 Holzarten abbilden, dann live gehen. In der Praxis führt das zu einem Projekt, das zwölf Monate dauert, bevor es einen einzigen Nutzen bringt. Besser: Mit den fünf bis sieben häufigsten Holzarten im Sortiment starten, das System produktiv betreiben und Erkenntnisse sammeln. Dann schrittweise erweitern. Das erste Modell muss nicht perfekt sein — es muss besser sein als der aktuelle Zustand.

3. Das Modell eingerichtet, aber nie nachgepflegt. Ein Computer-Vision-Modell degradiert über Zeit, wenn sich die Bedingungen ändern: neue Holzart im Sortiment, andere Kamera, andere Beleuchtung im Wareneingangslager, saisonale Feuchtigkeitsunterschiede. Wer das Modell nach dem Launch sich selbst überlässt, hat nach zwölf Monaten ein System mit sinkender Erkennungsrate — ohne es zu merken, weil das System immer noch antwortet, nur öfter falsch. Pflege heißt konkret: monatlich die Fehler anschauen, die das System macht, neue Trainingsbilder für die Schwachstellen sammeln, Modell neu trainieren.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste falsche Erwartung: „Wir richten das System ein und dann läuft es einfach.”

Was tatsächlich passiert: Das System läuft — aber nicht für alle Holzarten gleich gut. Einige Paare (Esche/Rüster, Eiche/Kastanie) sind schwer zu unterscheiden, weil sich die makroskopischen Merkmale stark ähneln. Das Modell wird dort häufiger unsicher sein als bei anderen Paaren. Diese Schwachstellen sollte man kennen und transparent kommunizieren: „Für diese drei Holzartenpaare brauchen wir weiterhin einen menschlichen Kontrollblick.”

Das zweite Muster: Mitarbeitende, die dem System zunächst misstrauen. Das ist rational. Wer zwanzig Jahre Erfahrung in der Holzerkennung hat, will nicht von einer App belehrt werden. Was hilft: Das System nicht als Ersatz positionieren, sondern als Werkzeug für alle, die Hans’ Wissen bisher nicht hatten. Hans’ Erfahrung fließt in die Trainingsdaten ein — er ist der Experte, der das Modell aufgebaut hat, nicht der, der vom Modell abgelöst wird. Diese Framing-Frage entscheidet oft über Akzeptanz oder Widerstand.

Konkret: Binde die erfahrensten Mitarbeitenden aktiv in das Beschriften der Trainingsdaten ein. Ihr Wissen wird Teil des Modells. Das erzeugt Eigenverantwortung statt Widerstand.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Beleuchtung im Lager ist zu variabel — das wird nie funktionieren.” Das ist ein reales Problem, kein vorgeschobenes. Die Lösung ist nicht, auf bessere Bedingungen zu warten, sondern die Trainingsdaten so zu gestalten, dass sie die tatsächlichen Bedingungen abbilden — inklusive schlechter Beleuchtung, nasser Oberflächen und ungünstiger Winkel. Ein Modell, das unter diesen Bedingungen trainiert wurde, ist deutlich robuster als eines, das nur unter Idealbedingungen lief.

„Wir haben keine Zeit, hunderte Bilder zu beschriften.” Das ist eine Frage der Priorisierung, nicht der Kapazität. Das Beschriften von 300 Bildern in Roboflow mit dem Auto-Label-Feature dauert realistisch vier bis acht Stunden — nicht Wochen. Das lässt sich gut auf einen Workshop-Tag legen, an dem die erfahrenste Person im Betrieb sitzt und die Beschriftungsarbeit in konzentrierter Form erledigt. Danach läuft das System ohne weiteren Labeling-Aufwand — bis neue Holzarten hinzukommen.

„Was, wenn das System falsch liegt?” Das wird es gelegentlich. Jedes Erkennungssystem hat eine Fehlerrate. Entscheidend ist: Wie kommuniziert das System seine Unsicherheit? Ein gut konfiguriertes Modell gibt die Konfidenz mit aus — „87 % Eiche, 11 % Kastanie” — und ermöglicht damit eine klare Regelung: Unter 90 % Konfidenz immer einen zweiten Blick von Fachpersonal. Das ist keine Schwäche, sondern ein Sicherheitsnetz.

Woran du merkst, dass das zu dir passt

• Du hast mindestens zwei Mitarbeitende am Wareneingang, die Holzarten eigenständig identifizieren müssen
• Das Holzarterkennen kostet täglich mehr als eine Stunde Gesamtarbeitszeit im Betrieb
• Du hast ein Sortiment von fünf oder mehr Holzarten, die sich ähnlich sehen können
• Du hast Rückverfolgbarkeitspflichten (EUDR, Zertifizierungen, Kundendokumentation), die eine zuverlässige Artzuordnung erfordern
• Das Expertenwissen zur Holzarterkennung liegt bei einer bis zwei Personen und ist nicht transferiert

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 15–20 Wareneingänge täglich. Der Zeitvorteil ist zu gering, um den Einrichtungsaufwand zu rechtfertigen. Hier reicht ein strukturiertes Referenzsystem (Fotomappe mit Holzartenproben) zusammen mit gelegentlicher Expertenberatung.

2. Das Holzsortiment umfasst weniger als fünf Arten. Wenn täglich nur Eiche und Buche ankommen, lernt das auch ein Neuling in vier Wochen. Ein KI-Modell ist hier Aufwand ohne messbaren Vorteil.

3. Keine Zeit und kein Budget für die Trainingsdatenphase. Ein Modell ohne solide, vielfältige Trainingsdaten ist schlimmer als kein Modell — es gibt selbstbewusst falsche Antworten. Wer nicht vier bis acht Wochen in die Datenvorbereitung investieren kann, sollte den Start auf einen besseren Zeitpunkt verschieben.

Das kannst du heute noch tun

Mach einen Trockentest: Fotografiere sechs bis zehn Holzproben aus deinem aktuellen Lager mit dem Handy. Lade die Bilder in ein kostenloses Roboflow-Konto hoch und schau, ob das System bereits vorhandene öffentliche Modelle zur Klassifikation anbietet (Roboflow Universe). Du bekommst damit in wenigen Minuten einen ersten Eindruck, wie gut der makroskopische Ansatz mit deinen Materialien funktioniert — ohne Kosten, ohne Commitment.

Parallel dazu: Erstelle eine Liste der zehn häufigsten Holzarten in deinem Sortiment, geordnet nach Häufigkeit am Wareneingang. Das ist der Scope für den späteren Pilot. Die häufigsten fünf werden zuerst trainiert.

Quellen & Methodik

• Thünen-Institut für Holzforschung: Forschungsprojekt zur automatisierten Bilderkennung für Holzartenbestimmung in Zusammenarbeit mit Fraunhofer-Institut ITWM (Publikation und Prototyp 2022); Erkennung von zunächst 11 Laubholzarten mit CNN-basiertem System. https://www.thuenen.de/de/fachinstitute/holzforschung/projekt/automatisierte-bilderkennung-fuer-die-holzartenbestimmung
• Genauigkeitswerte CNN-Bildklassifikation: Plant Methods Journal, „Computer vision-based wood identification” (Springer Nature, 2021) — Übersicht über 95 %+ Genauigkeit unter Laborbedingungen; Hinweis auf Robustheitsprobleme unter variablen Realbedingungen.
• EU-Holzverordnung (EUDR): Verordnung (EU) 2023/1115, in Kraft ab Ende 2024 — verpflichtende Herkunfts- und Artendokumentation für Holzprodukte auf dem EU-Markt.
• Fehlerquoten, ROI-Angaben, Praxiserfahrungen: Erfahrungswerte aus KI-Engineering-Projekten in der Holz- und Fertigungsbranche; keine repräsentative Studie, aber konsistente Beobachtungen. https://www.ki-engineering.eu/de/praxisbeispiele/quickcheck-steckbriefe/KI-basierte-Erkennung-Holzarten-dieffenbacher.html
• Preisangaben Tools: Roboflow Pricing (roboflow.com, Stand April 2026); Landing AI Pricing (landing.ai, Stand April 2026).

Du willst wissen, welche Holzarten für einen Piloten sinnvoll sind und wie ein Modell mit euren Produktionsbedingungen umgehen würde? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.