sation müssen grosse Mengen an Holz- listen, Polterdaten, Lieferantenangaben, Sortimenten, Koordinaten, Bildern und Abrechnungsinformationen zusammen- geführt werden. Aus diesem praktischen Bedarf heraus entstand zunächst Mobi- Polter, eine digitale Lösung für die mobile Holzaufnahme im Wald und die weitere Verarbeitung der Daten im Büro. MobiPol- ter war damit der erste Schritt, um analoge Abläufe zu vereinfachen und Informatio- nen strukturiert verfügbar zu machen. Repetitive Dokumentations- und Messarbeiten reduzieren Mit DeepForest wird dieser Ansatz nun deutlich erweitert. Im Zentrum steht nicht mehr nur die digitale Erfassung, sondern die Frage, wie künstliche Intelligenz die Holzaufnahme fachlich und organisato- risch unterstützen kann. Ziel des Projekts ist es, aus Fotos oder Videos relevante Kenngrössen wie Mittendurchmesser, Länge, Holzart, Qualität und Volumen au- tomatisiert abzuleiten. Die Anwenderin- nen und Anwender sollen dadurch nicht ersetzt, sondern entlastet werden. Forst- liches Fachwissen bleibt entscheidend, die Technologie soll aber repetitive Mess- und Dokumentationsarbeiten reduzieren und die Datengrundlage verbessern. Der Nutzen zeigt sich dabei nicht nur bei der Raurica Wald AG, sondern grund- sätzlich für den Forst. Die Holzaufnahme verursacht heute einen erheblichen Auf- wand. Gleichzeitig hängt die Qualität der Daten stark davon ab, wer misst, wie ge- messen wird und welche Zeit im Feld zur Verfügung steht. DeepForest soll hier zu mehr Effizienz, besserer Vergleichbarkeit und einer höheren Standardisierung bei- tragen. Wenn Messwerte, Fotos, Stand- ortdaten und Sortimentsinformationen systematisch und nachvollziehbar erfasst werden, können nachgelagerte Prozesse wie Holzverkauf, Transportplanung, Lie- ferscheinwesen und Abrechnung deutlich schlanker abgewickelt werden. Der Wald ist keine kontrollierte Laborumgebung Eine grosse Herausforderung liegt in der Praxistauglichkeit. Der Wald ist keine kon- trollierte Laborumgebung. Lichtverhältnis- se, Gelände, Verschmutzungen, verdeck- te Stämme, unterschiedliche Holzarten, Polterformen und Aufnahmeabstände er- schweren eine zuverlässige automatische Erkennung. Hinzu kommt, dass die Lösung auf mobilen Geräten einfach bedienbar sein muss und auch unter schlechten Emp- fangsbedingungen funktionieren soll. Eine technische Lösung ist nur dann erfolgreich, wenn sie im forstlichen Alltag robust, ver- ständlich und mit vertretbarem Aufwand eingesetzt werden kann. DeepForest wurde aus der praktischen Holzvermarktung heraus entwickelt und wird gemeinsam mit Forschungspartnern weitergeführt. Das Projekt ist im April 2025 gestartet und läuft bis März 2027. In dieser Zeit werden die KI-Modelle entwickelt, mit realen Daten trainiert, ge- testet und in bestehende Arbeitsabläufe 3D-Rekonstruktion als Basis für die Vermessung. Ermittlung des Mittendurchmessers. integriert. Die Markteinführung ist nach erfolgreicher Pilotierung und Validierung vorgesehen. Entscheidend ist dabei nicht nur die technische Genauigkeit, sondern auch die Frage, wie gross die Zeiteinspa- rung und die Verbesserung der Qualität der Daten sind. Die Funktionalität wird laufend anhand realer Anwendungsfälle geprüft. Wichtig ist nicht, was technisch theoretisch mög- lich wäre, sondern was den Betrieben im Alltag tatsächlich hilft. Deshalb fliessen Rückmeldungen aus der Praxis direkt in die Weiterentwicklung ein. Getestet wer- den unter anderem Bedienbarkeit, Daten- qualität, Offlinefähigkeit, Erkennungsge- nauigkeit, Exportmöglichkeiten und die Einbindung in bestehende Prozesse. Grosses Interesse in der Branche Die erste Resonanz aus der Branche zeigt, dass das Interesse an solchen Lö- sungen gross ist. Viele Betriebe sehen den steigenden administrativen Aufwand und suchen nach Möglichkeiten, die Holz- aufnahme effizienter und einheitlicher zu gestalten. Gleichzeitig ist die Branche pragmatisch: Neue Technologien werden nur akzeptiert, wenn sie zuverlässig funk- tionieren, verständlich bleiben und einen klaren Nutzen bringen. Genau dort setzt DeepForest an. Das Projekt will Digitali- sierung und künstliche Intelligenz nicht als Selbstzweck einsetzen, sondern als Werk- zeug für eine effizientere, objektivere und besser standardisierte Holzbereitstellung. rauricawald.ch HOLZBAU SCHWEIZ Spezial | 1.2026 | PRAXIS