DE102017105174B4 - Method for generating training data for monitoring a source of danger - Google Patents
Method for generating training data for monitoring a source of danger Download PDFInfo
- Publication number
- DE102017105174B4 DE102017105174B4 DE102017105174.0A DE102017105174A DE102017105174B4 DE 102017105174 B4 DE102017105174 B4 DE 102017105174B4 DE 102017105174 A DE102017105174 A DE 102017105174A DE 102017105174 B4 DE102017105174 B4 DE 102017105174B4
- Authority
- DE
- Germany
- Prior art keywords
- safety
- image data
- training data
- camera
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/06—Safety devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39271—Ann artificial neural network, ffw-nn, feedforward neural network
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
Verfahren zum Erzeugen von Trainingsdaten (22) für ein künstliches neuronales Netz (104), bei dem Bilddaten eines Überwachungsbereichs (16) einer Sicherheitsanwendung aufgenommen werden, wobei in der Sicherheitsanwendung eine Gefahrenquelle (14) in dem Überwachungsbereich (16) durch mindestens einen sicheren Sensor (10, 24) überwacht wird, der bei Erkennung einer gefährlichen Situation eine sicherheitsgerichtete Absicherung der Gefahrenquelle (14) auslöst, dadurch gekennzeichnet, dass die Bilddaten als Trainingsdaten (22) zusammen mit einer sicherheitstechnischen Bewertung gespeichert werden, wobei die Bilddaten als sicherheitskritisch oder nicht sicherheitskritisch bewertet werden, je nachdem, ob der sichere Sensor (10, 24) zum Zeitpunkt der Aufnahme der Bilddaten eine sicherheitsgerichtete Absicherung auslöst oder nicht.Method for generating training data (22) for an artificial neural network (104), in which image data of a monitoring area (16) of a security application are recorded, wherein in the security application a source of danger (14) in the monitoring area (16) by at least one secure sensor (10, 24) is monitored, which triggers a safety-related safeguarding of the danger source (14) when a dangerous situation is detected, characterized in that the image data are stored as training data (22) together with a safety-related assessment, the image data being critical or not are evaluated critically, depending on whether or not the safe sensor (10, 24) triggers a safety-related safeguard at the time the image data is recorded.
Description
Die Erfindung betrifft ein Verfahren zum Erzeugen von Trainingsdaten für ein künstliches neuronales Netz nach dem Oberbegriff von Anspruch 1 sowie einen entsprechenden optoelektronischen Sensor. Die Trainingsdaten entstehen aus Bilddaten eines Überwachungsbereichs einer Sicherheitsanwendung.The invention relates to a method for generating training data for an artificial neural network according to the preamble of claim 1 and a corresponding optoelectronic sensor. The training data arise from image data of a monitoring area of a security application.
Derartige Sicherheitsanwendungen dienen dazu, Personen vor Gefahrenquellen zu schützen, wie sie beispielsweise Maschinen im industriellen Umfeld darstellen. Die Maschine wird mit Hilfe von Sensoren überwacht, und wenn demnach eine Situation vorliegt, in der eine Person gefährlich nahe an die Maschine zu gelangen droht, wird eine geeignete Absicherungsmaßnahme ergriffen.Such safety applications serve to protect people from sources of danger, such as those that represent machines in an industrial environment. The machine is monitored with the help of sensors, and if there is a situation in which a person threatens to get dangerously close to the machine, a suitable security measure is taken.
Herkömmlich werden vor allem optoelektronische Sensoren wie Lichtgitter oder Laserscanner für eine sicherheitstechnische Überwachung eingesetzt. In jüngerer Zeit treten 3D-Kameras hinzu. Ein gängiges Absicherungskonzept sieht vor, dass Schutzfelder konfiguriert werden, die während des Betriebs der Maschine vom Bedienpersonal nicht betreten werden dürfen. Erkennt der Sensor einen unzulässigen Schutzfeldeingriff, etwa ein Bein einer Bedienperson, so löst er einen sicherheitsgerichteten Halt der Maschine aus. Andere Eingriffe in das Schutzfeld, beispielsweise durch statische Maschinenteile, können vorab als zulässig eingelernt werden. Oft sind den Schutzfeldern Warnfelder vorgelagert, wo Eingriffe zunächst nur zu einer Warnung führen, um den Schutzfeldeingriff und damit die Absicherung noch rechtzeitig zu verhindern und so die Verfügbarkeit der Anlage zu erhöhen. Es sind auch Alternativen zu Schutzfeldern bekannt, etwa darauf zu achten, dass zwischen Maschine und Person ein von der Relativbewegung abhängiger Mindestabstand eingehalten ist („speed and separation“).Traditionally, optoelectronic sensors such as light grids or laser scanners are primarily used for safety-related monitoring. 3D cameras have recently been added. A common security concept provides that protective fields are configured that operating personnel must not enter while the machine is in operation. If the sensor detects an impermissible protective field intervention, such as an operator's leg, it triggers a safety-related stop of the machine. Other interventions in the protective field, for example by static machine parts, can be taught in beforehand as permissible. Often, the protective fields are preceded by warning fields, where interventions initially only lead to a warning in order to prevent the protective field intervention and thus the protection in good time and thus increase the availability of the system. Alternatives to protective fields are also known, for example to ensure that a minimum distance dependent on the relative movement is maintained between the machine and the person ("speed and separation").
In der Sicherheitstechnik eingesetzte Sensoren müssen besonders zuverlässig arbeiten und deshalb hohe Sicherheitsanforderungen erfüllen, beispielsweise die Norm EN13849 für Maschinensicherheit und die Gerätenorm IEC61496 oder EN61496 für berührungslos wirkende Schutzeinrichtungen (BWS). Zur Erfüllung dieser Sicherheitsnormen sind eine Reihe von Maßnahmen zu treffen, wie sichere elektronische Auswertung durch redundante, diversitäre Elektronik, Funktionsüberwachung oder speziell Überwachung der Verschmutzung optischer Bauteile, insbesondere einer Frontscheibe, und/oder Vorsehen von einzelnen Testzielen mit definierten Reflexionsgraden, die unter den entsprechenden Scanwinkeln erkannt werden müssen.Sensors used in safety technology must work particularly reliably and therefore meet high safety requirements, for example the standard EN13849 for machine safety and the device standard IEC61496 or EN61496 for non-contact protective devices (ESPE). To meet these safety standards, a number of measures must be taken, such as secure electronic evaluation using redundant, diverse electronics, function monitoring or, in particular, monitoring the contamination of optical components, in particular a windscreen, and / or providing individual test targets with defined reflectance levels that fall under the corresponding ones Scanning angles must be recognized.
Prinzipiell wäre es wünschenswert, die aufwändigen Sicherheitssensoren durch übliche 2D-Kameras mit Bildauswertung zu ersetzen. Das würde die Hardwarekosten reduzieren, das Einrichten einer Sicherheitsanwendung vereinfachen und die Flexibilität erhöhen. Bislang scheitert dies aber daran, dass eine den Sicherheitsnormen entsprechende zuverlässige Bildauswertung allenfalls für Spezialfälle möglich ist, und dann auch nur unter erheblichen Aufwänden für die Entwicklung der Auswertungsverfahren und deren sicherheitstechnische Zulassung.In principle, it would be desirable to replace the complex security sensors with conventional 2D cameras with image evaluation. This would reduce hardware costs, simplify setting up a security application and increase flexibility. So far, however, this has failed due to the fact that reliable image evaluation corresponding to the safety standards is only possible for special cases, and then only with considerable effort for the development of the evaluation methods and their safety-related approval.
In den letzten Jahren wurden ganz unabhängig von der Sicherheitstechnik erhebliche Fortschritte auf dem Gebiet der künstlichen neuronalen Netze erzielt. Diese Technologie erreicht breite Anwendungsreife durch neue Architekturen der neuronalen Netze („Deep Learning“) und durch die stark gestiegene verfügbare Rechnerleistung insbesondere in Form von modernen Grafikprozessoren. Eine wichtige Herausforderung bei der Verwendung neuronaler Netze zur Situationsbewertung und Problemlösung ist die Notwendigkeit des Anlernens des neuronalen Netzes mit repräsentativen Trainingsdaten. Bevor das neuronale Netz die gestellte Aufgabe zuverlässig erledigen kann, muss es mit vergleichbaren Situationen und deren vorgegebener Bewertung konfrontiert werden. Anhand dieser Beispielszenen lernt das neuronale Netz das richtige Verhalten. Um einen repräsentativen Datensatz zugrunde legen zu können, müssen sehr viele solcher Szenen erfasst und manuell bewertet werden. Die Beschaffung dieser Datensätze stellt einen sehr großen Aufwand dar.In recent years, significant advances have been made in the field of artificial neural networks, regardless of security technology. This technology achieves broad application maturity through new architectures of neural networks ("deep learning") and through the greatly increased available computing power, especially in the form of modern graphics processors. An important challenge when using neural networks for situation assessment and problem solving is the need to teach the neural network with representative training data. Before the neural network can reliably carry out the task, it must be confronted with comparable situations and their predefined evaluation. The neural network learns the correct behavior based on these sample scenes. In order to be able to use a representative data set, a large number of such scenes must be recorded and evaluated manually. The procurement of these data sets represents a very great effort.
Die
Es ist weiterhin bekannt, eine Kamera in einen Laserscanner zu integrieren, um den Scanbereich und die im realen Überwachungsbereich unsichtbaren virtuellen Schutzfelder zu visualisieren. Auch hier bleibt die eigentliche Sicherheitsfunktion allein die Domäne des Laserscanners.It is also known to integrate a camera into a laser scanner in order to visualize the scan area and the virtual protective fields which are invisible in the real monitoring area. Here, too, the actual safety function remains solely the domain of the laser scanner.
Die
Die
Es ist daher Aufgabe der Erfindung, die sicherheitstechnische Überwachung zu verbessern.It is therefore an object of the invention to improve safety monitoring.
Diese Aufgabe wird durch ein Verfahren zum Erzeugen von Trainingsdaten für ein künstliches neuronales Netz nach Anspruch 1 sowie einen entsprechenden optoelektronischen Sensor nach Anspruch 10 gelöst. In einer Sicherheitsanwendung wird wie einleitend erläutert eine Gefahrenquelle von mindestens einem sicheren Sensor überwacht. Der Sensor löst bei Erkennung einer Gefahr eine sicherheitsgerichtete Reaktion aus. Aus dem Überwachungsbereich werden Bilddaten aufgenommen.This object is achieved by a method for generating training data for an artificial neural network according to claim 1 and a corresponding optoelectronic sensor according to claim 10. In a safety application, as explained in the introduction, a source of danger is monitored by at least one safe sensor. The sensor triggers a safety-related reaction when a danger is detected. Image data are recorded from the surveillance area.
Die Erfindung geht nun von dem Grundgedanken aus, die Bilddaten als Trainingsdaten für ein künstliches neuronales Netz zu nutzen. Für die Bilddaten liegt nämlich bereits eine hochwertige sicherheitstechnische Qualifizierung vor, denn der sichere Sensor hat in der den Bilddaten entsprechenden Situation eine klare Entscheidung getroffen, ob eine Gefahr vorliegt oder nicht. Als Trainingsdaten werden Bilddaten zusammen mit einer sicherheitstechnischen Bewertung gespeichert, die aus dem Verhalten des sicheren Sensors abgeleitet ist.The invention is based on the basic idea of using the image data as training data for an artificial neural network. A high-quality security qualification already exists for the image data, because the secure sensor has made a clear decision in the situation corresponding to the image data as to whether there is a danger or not. Image data are stored as training data together with a safety-related evaluation, which is derived from the behavior of the safe sensor.
Unter einer Sicherheitsanwendung wird hier weiter als der eigentliche Begriff auch ein Aufbau verstanden, in dem eine für eine Sicherheitsanwendung geeignete Anordnung mit mindestens einem sicheren Sensor Bilddaten eines Szenarios liefert, das einer Absicherungssituation entspricht, etwa eine Testanwendung. Es kommt für die Erfindung nicht auf eine tatsächlich bestehende Gefahr an, sondern auf nutzbare Bilddaten samt Bewertung.A security application is further understood here as the actual term, a structure in which an arrangement suitable for a security application with at least one secure sensor supplies image data of a scenario that corresponds to a security situation, for example a test application. For the invention, it is not a question of an actually existing danger, but of usable image data including evaluation.
Die Erfindung hat den Vorteil, dass ohnehin für Sicherheitsanwendungen eingesetzte, bereits vorhandene sichere Sensoren zusätzlich zur Erzeugung von klassifizierten Trainingsdatensätzen herangezogen werden. Somit entsteht automatisch ein Trainingsdatenpool, bei dem die Bewertung nicht eigens für das Training erfolgt, sondern lediglich die sicherheitstechnische Bewertung des sicheren Sensors genutzt wird, die für die Sicherheitsanwendung ohnehin stattfinden muss. So wird eine wichtige technische Voraussetzung für die Entwicklung sicherer 2D-Kamerassensoren auf Basis neuronaler Netze geschaffen. Es werden erhebliche Aufwände für die Beschaffung von Trainingsdaten und deren manuelle Klassifizierung eingespart.The invention has the advantage that already existing safe sensors used for safety applications are additionally used to generate classified training data sets. This automatically creates a training data pool, in which the evaluation is not made specifically for the training, but only the safety-related evaluation of the safe sensor, which must take place anyway for the safety application. This creates an important technical prerequisite for the development of secure 2D camera sensors based on neural networks. Significant efforts for the acquisition of training data and their manual classification are saved.
Die Bilddaten werden vorzugsweise als sicherheitskritisch oder nicht sicherheitskritisch bewertet, je nachdem, ob der sichere Sensor zum Zeitpunkt der Aufnahme der Bilddaten eine sicherheitsgerichtete Absicherung auslöst oder nicht. In den meisten Sicherheitsanwendungen ist die wichtigste Entscheidung binär, nämlich ob eine Absicherung erfolgen muss oder nicht. Daher ist zu erwarten, dass ein neuronales Netz auch besonders gut mit einem Trainingsdatensatz mit diesen beiden Ergebniskategorien eingelernt wird. Eine sicherheitsgerichtete Absicherung zum Zeitpunkt der Aufnahme der Bilddaten bedeutet nicht zwingend eine völlig zeitliche Übereinstimmun. Es darf Abweichungen zumindest im Rahmen der Zeitauflösung von sicherem Sensor und Bilddatenerfassung geben, und möglicherweise auch gezielte zusätzliche Abweichungen.The image data are preferably rated as security-critical or non-security-critical, depending on whether or not the secure sensor triggers a security-related safeguard at the time the image data is recorded. In most security applications, the most important decision is binary, namely whether security must be done or not. It can therefore be expected that a neural network can also be taught in particularly well with a training data set with these two result categories. A safety-related safeguarding at the time the image data is recorded does not necessarily mean that it is completely identical in time. There may be deviations, at least within the time resolution of the safe sensor and image data acquisition, and possibly there may also be targeted additional deviations.
In bevorzugter Weiterbildung werden noch Unterkategorien gebildet, die Trainingsdaten also in mehr Klassen unterteilt als nur in die beiden Kategorien sicherheitskritisch und nicht sicherheitskritisch. So kann eine besondere nicht sicherheitskritische Situation vorliegen, wenn zunächst ein Objekt in gefährlicher Nähe zur Gefahrenquelle erkannt wurde, die Gesamtsituation aber dennoch als unkritisch eingestuft wird, beispielsweise weil das Objekt zu klein ist oder sofort wieder verschwindet, wie im Falle eines Regentropfens. Solche Grenzfälle können sogar besonders instruktiv sein.In a preferred further development, subcategories are also formed, that is to say the training data are divided into more classes than just the two categories, safety-critical and not safety-critical. For example, a special situation that is not critical to safety can exist if an object in dangerous proximity to the source of danger was initially recognized, but the overall situation is nevertheless classified as uncritical, for example because the object is too small or immediately disappears, as in the case of a raindrop. Such borderline cases can even be particularly instructive.
Die als Trainingsdaten gespeicherten Bilddaten weisen bevorzugt zumindest ein Bild vor und/oder ein Bild nach dem Auslösen einer sicherheitsgerichteten Absicherung durch den sicheren Sensor auf. Obwohl denkbar ist, dass nur genau ein Bild lang eine transiente sicherheitskritische Situation bestand, werden in aller Regel die Bilder nach einem Abschaltereignis weiterhin eine sicherheitskritische Situation zeigen. Die Bilder vor dem Abschaltereignis umgekehrt stammen aus nicht sicherheitskritischen Situationen, da ja der sichere Sensor vorher nicht angesprochen hat. Solche Bilddaten entsprechen wiederum Grenzfällen, die für das Einlernen und eine hohe Zuverlässigkeit des neuronalen Netzes besonders wertvoll sein können.The image data stored as training data preferably has at least one image before and / or one image after a safety-related safeguard has been triggered by the safe sensor. Although it is conceivable that a transient safety-critical situation only existed for exactly one picture, the pictures will generally continue to show a safety-critical situation after a switch-off event. The pictures before the switch-off event, conversely, come from situations that are not critical to safety, since the safe sensor did not respond beforehand. Such image data in turn correspond to borderline cases that can be particularly valuable for the learning and high reliability of the neural network.
Der sichere Sensor nimmt bevorzugt auch die Bilddaten auf. Anders ausgedrückt ist der sichere Sensor selbst eine Kamera. Als sichere Kamera sind darin spezialisierte sichere Auswertungsverfahren implementiert. Ein Ziel des Speicherns von Trainingsdaten könnte dann sein, diese Auswertungsverfahren durch die generische Auswertung eines neuronalen Netzes zu ersetzen und damit Erweiterungen und Änderungen in der Sicherheitsanwendung zuzulassen. Ein anderes Beispiel ist eine sichere 3D-Kamera. Bei einer Stereoskopiekamera können die zweidimensionalen Ausgangsbilder als Bilddaten verwendet werden. Auch andere 3D-Kameras liefern ein zweidimensionales Bild, etwa eine TOF-Kamera (Time of Flight, Lichtlaufzeitverfahren), welche über die Phase des Empfangslichts die Entfernung schätzt und über die Intensität zugleich die Textur erfasst.The secure sensor preferably also records the image data. In other words, the safe sensor itself is a camera. Specialized secure evaluation methods are implemented as a secure camera. One goal of storing training data could then be this Replace evaluation procedures with the generic evaluation of a neural network and thus allow extensions and changes in the security application. Another example is a safe 3D camera. With a stereoscopic camera, the two-dimensional output images can be used as image data. Other 3D cameras also provide a two-dimensional image, such as a TOF camera (Time of Flight, time-of-flight method), which estimates the distance via the phase of the received light and simultaneously detects the texture via the intensity.
Die Bilddaten werden alternativ von einer zusätzlichen nicht sicheren Kamera aufgenommen. Es entsteht also eine Kombination aus einem sicheren Sensor für die Sicherheitsanwendung und einer nicht sicheren Kamera, welche den Überwachungsbereich zusätzlich beobachtet. Die zusätzliche Kamera kann zum Einrichten, Warten oder für sonstige Visualisierungszwecke ohnehin vorgesehen sein, aber auch speziell angebracht werden, um Trainingsdaten zu generieren. Die Mehrkosten für eine einfache Kamera sind im Vergleich zu den spezialisierten Sicherheitssensoren gering. Einige nicht abschließende Beispiele solcher Anordnungen sind ein sicherer Laserscanner mit einer nicht sicheren 3D-TOF-Kamera, allgemein ein Laserscanner oder Lichtgitter mit irgendeiner Kamera.Alternatively, the image data are recorded by an additional, non-secure camera. This creates a combination of a safe sensor for the safety application and a non-safe camera, which additionally monitors the surveillance area. The additional camera can be provided for setting up, waiting or for other visualization purposes anyway, but can also be attached specifically to generate training data. The additional costs for a simple camera are low in comparison to the specialized security sensors. Some non-exhaustive examples of such arrangements are a safe laser scanner with a non-safe 3D TOF camera, generally a laser scanner or light curtain with any camera.
Die Trainingsdaten werden vorzugsweise an einen Server übertragen. Server steht hier als Überbegriff für jegliches Steuerungs- oder Computernetzwerk unabhängig von der konkreten Hardware und Art der Übertragung. Das ermöglicht, die Trainingsdaten aus der Ferne abzurufen. Insbesondere können auf diese Weise zahlreiche Sicherheitsanwendungen über beliebige Entfernungen zum Aufbau einer Trainingsdatenbank beitragen („Cloud“). Dabei können nach Belieben produktive Sicherheitsanwendungen und Testaufbauten einbezogen werden. Es ist denkbar, die Trainingsdaten alternativ lokal zu speichern, beispielsweise auf einem Speicherchip der Kamera.The training data are preferably transmitted to a server. Server is an umbrella term for any control or computer network, regardless of the specific hardware and type of transmission. This enables the training data to be called up remotely. In particular, numerous security applications can contribute to the establishment of a training database over any distance (“cloud”). Productive safety applications and test setups can be included at will. Alternatively, it is conceivable to store the training data locally, for example on a memory chip of the camera.
Die erfindungsgemäß gewonnenen Trainingsdaten werden bevorzugt zum Trainieren eines künstlichen neuronalen Netzes genutzt. Das Einlernen wird durch die mit den Bilddaten abgespeicherte sicherheitstechnische Bewertung ermöglicht. Aufgrund des automatisierten Sammelns und Bewertens entsteht ein großer Pool von Trainingsdaten, der auch zum Einlernen komplexer Architekturen von neuronalen Netzen geeignet ist.The training data obtained according to the invention are preferably used for training an artificial neural network. Teaching is made possible by the safety-related evaluation stored with the image data. Due to the automated collection and evaluation, a large pool of training data is created, which is also suitable for teaching complex architectures of neural networks.
Das künstliche neuronale Netz wird bevorzugt zur Überwachung einer Gefahrenquelle darauf trainiert, anhand von Bilddaten des Überwachungsbereichs zu erkennen, ob eine gefährliche Situation vorliegt, die eine sicherheitsgerichtete Absicherung der Gefahrenquelle erfordert. Die Funktion des neuronalen Netzes ist also, die sicherheitstechnische Bewertung zu übernehmen. Dabei geht es aber nicht nur darum, die Funktion des sicheren Sensors zu reproduzieren. Vielmehr ist die Besonderheit eines neuronalen Netzes, auch Situationen bewerten zu können, die nicht explizit eingelernt werden. Eine 2D-Kamera mit dem eingelernten neuronalen Netz ist daher sogar flexibler einsetzbar als die einzelnen sicheren Sensoren, mit deren Hilfe der Trainingsdatenpool aufgebaut wurde. Die Entscheidung des neuronalen Netzes muss nicht binär sein, denn auch die Absicherungsmaßnahme kann abgestuft sein, etwa warnen, langsamer werden, ausweichen und nur als letzter Ausweg ein Nothalt.In order to monitor a source of danger, the artificial neural network is preferably trained to recognize on the basis of image data of the monitoring area whether a dangerous situation exists which requires safety-related protection of the source of danger. The function of the neural network is therefore to take over the safety-related assessment. It is not just about reproducing the function of the safe sensor. Rather, the peculiarity of a neural network is that it can also evaluate situations that are not explicitly taught. A 2D camera with the learned neural network can therefore be used even more flexibly than the individual safe sensors that were used to build up the training data pool. The decision of the neural network does not have to be binary, because the security measure can also be graduated, such as warning, slowing down, evading and an emergency stop only as a last resort.
Bevorzugt wird nach dem Trainieren anhand von Trainingsdaten die Zuverlässigkeit der Erkennung nachgewiesen. Der sicherheitstechnische Nachweis der Zuverlässigkeit ist ein wichtiger Schritt für eine sicherheitstechnische Zulassung. Das neuronale Netz muss sicherheitskritische Situationen mit einer Verlässlichkeit entsprechend einer angestrebten Sicherheitsstufe erkennen. Statt oder zumindest in Erleichterung eines mühsamen statistischen Nachweises vor Ort im Testbetrieb können Trainingsdaten verwendet werden. Dazu werden vorzugsweise andere Teile der Trainingsdaten herangezogen als für das Einlernen, um sich die Unabhängigkeit zu erhalten.After training, the reliability of the detection is preferably verified on the basis of training data. The safety-related proof of reliability is an important step for safety-related approval. The neural network must recognize security-critical situations with a reliability corresponding to a desired security level. Training data can be used instead of or at least to facilitate tedious statistical verification on site in test mode. For this purpose, different parts of the training data are preferably used than for the learning in order to maintain independence.
Der erfindungsgemäße optische Sensor ist vorzugsweise eine Kamera und dafür ausgebildet, Bilddaten aufzunehmen und daraus nach dem erfindungsgemäßen Verfahren Trainingsdaten zu erzeugen. Die Kamera weist dafür vorzugsweise eine Auswertungseinheit auf, womit eine externe Auswertungseinheit eingeschlossen sein soll. Außerdem ist vorzugsweise eine Schnittstelle vorgesehen, um die Trainingsdaten auszugeben, wobei die Schnittstelle eine Speicherkarte oder ein Anschluss für ein übergeordnetes System wie ein Netzwerk oder eine Cloud sein kann. Die Kamera kann selbst als sicherer Sensor in der Sicherheitsanwendung fungieren, oder sie wird mindestens mittelbar mit dem sicheren Sensor verbunden, um Informationen über dessen sicherheitstechnische Bewertung zu erhalten.The optical sensor according to the invention is preferably a camera and is designed to record image data and to generate training data therefrom using the method according to the invention. For this purpose, the camera preferably has an evaluation unit, which is to include an external evaluation unit. In addition, an interface is preferably provided in order to output the training data, wherein the interface can be a memory card or a connection for a higher-level system such as a network or a cloud. The camera itself can act as a safe sensor in the safety application, or it is at least indirectly connected to the safe sensor in order to receive information about its safety-related evaluation.
Die Erfindung wird nachstehend auch hinsichtlich weiterer Merkmale und Vorteile beispielhaft anhand von Ausführungsformen und unter Bezug auf die beigefügte Zeichnung näher erläutert. Die Abbildungen der Zeichnung zeigen in:
-
1 eine schematische Darstellung einer Sicherheitsanwendung mit einem Sicherheitslaserscanner und einer Kamera zur Erzeugung von bewerteten Trainingsdaten; -
2 eine schematische Darstellung einer weiteren Sicherheitsanwendung mit einer Stereokamera als sicherem Sensor, die zugleich Bilddaten für die Erzeugung von bewerteten Trainingsdaten liefert; -
3 ein beispielhaftes Ablaufdiagramm der Sicherheitsanwendung; -
4 ein beispielhaftes Ablaufdiagramm der Erzeugung von Trainingsdaten unter Ausnutzung der sicherheitstechnischen Bewertung durch eine Sicherheitsanwendung; und -
5 eine Blockdarstellung einer sicheren Kamera auf Basis eines künstlichen neuronalen Netzes.
-
1 a schematic representation of a safety application with a safety laser scanner and a camera for generating evaluated training data; -
2nd a schematic representation of another security application with a stereo camera as a safe sensor, which at the same time Provides image data for the generation of evaluated training data; -
3rd an exemplary flow diagram of the security application; -
4th an exemplary flowchart of the generation of training data using the safety assessment by a safety application; and -
5 a block diagram of a secure camera based on an artificial neural network.
Das von der sicheren Kamera
Derartige Architekturen bedürfen aber eines meist riesigen Vorrats an bewerteten Trainingsdaten. Außerdem muss für Sicherheitsanwendungen die Zuverlässigkeit nachgewiesen werden.However, such architectures usually require a huge stock of evaluated training data. In addition, reliability must be proven for security applications.
Erfindungsgemäß werden solche Trainingsdaten aus Sicherheitsanwendungen gewonnen, in denen sichere Sensoren beziehungsweise Sensorsysteme zugleich Bilddaten erfassen und im Rahmen der bestehenden Sicherheitsfunktion eine Bewertung der Szene vornehmen, die eine automatische Klassifizierung der Bilddaten auf Basis der sensoreigenen Sicherheitsbewertung des sicheren Sensors erlaubt. Eine Kamera zur Erfassung von Bilddaten kann ohnehin in der Sicherheitsanwendung vorhanden sein oder für die Erzeugung von Trainingsdaten ergänzt werden. Sicherheitsanwendungen werden also erweitert, um neben der eigentlichen Sicherheitsfunktion Trainingsdaten in Form von durch die Sicherheitsanwendung klassifizierten Bilddaten für eine auf neuronalen Netzen basierende sichere Kamera, beispielsweise eine sichere Kamera
Parallel dazu nimmt die Kamera
Die Kamera
Die als Trainingsdaten fungierenden bewerteten Bilddaten der Kamera
In einer einfachen Ausführungsform ist in der Kamera
Die
Durch Einbeziehen verschiedener Sicherheitsanwendungen und/oder lange Betriebsdauern entsteht eine hohe Anzahl und Vielfalt von Trainingsdatensätzen. Es ist denkbar, Testanwendungen aufzubauen, um gezielt Trainingsdaten zu erzeugen. Außerdem kann man auch einzulernenden Situationen gezielt stellen und muss nicht nur den Normbetrieb heranziehen. Dadurch lassen sich insbesondere rasch nacheinander Eingriffssituationen stellen, in denen unter kontrollieren Bedingungen der Befehl zur sicherheitsgerichteten Abschaltung nicht ausgeführt wird und das zeitraubende mühsame Wiederanfahren der Anlage entfällt. Außerdem können dies Eingriffssituationen sein, die in Bezug auf eine sicherheitstechnische Bewertung besonders schwierig oder kritisch sind, insbesondere aus Sicht des neuronalen Netzes.By including various security applications and / or long operating times, a large number and variety of training data sets is created. It is conceivable to set up test applications to generate targeted training data. In addition, you can also set specific situations to be learned and not only have to consult the standard operation. This means that, in particular, intervention situations can be set up quickly, in which the command for safety-related shutdown is not executed under controlled conditions and the time-consuming, laborious restarting of the system is no longer necessary. In addition, these can be intervention situations that are particularly difficult or critical with regard to a safety-related evaluation, in particular from the perspective of the neural network.
Nach einem ähnlichen Gedankengang ist es auch möglich, die eher generischen Trainingsdaten aus einer Vielzahl von Sicherheitsanwendungen zu sortieren und zu spezifizieren. Dafür werden Trainingsdaten zusätzlich mit einer Information gespeichert, aus welcher Sicherheitsanwendung sie stammen. Dann kann das neuronale Netz differenzierter eingelernt werden. Ein Sonderfall ist, dass für eine bestimmte Anwendung eine höhere Sicherheitsstufe gewünscht ist. Dann besteht die Möglichkeit, nur Trainingsdaten dieser speziellen Anwendung für das Einlernen zu nutzen oder sogar speziell dafür zu erzeugen. Das neuronale Netz wird dann für diese Anwendung viel genauer und sicherheitstechnisch zuverlässiger entscheiden können.Following a similar train of thought, it is also possible to sort and specify the more generic training data from a variety of security applications. For this purpose, training data is also stored with information about which safety application it comes from. Then the neural network can be taught in in a more differentiated manner. A special case is that a higher security level is required for a specific application. Then there is the possibility to only use training data of this special application for teaching or even to generate it specifically for this. The neural network will then be able to make a much more precise and reliable decision regarding this application.
Dabei werden in einem Schritt
Im Falle einer sicherheitskritischen Situation wird in einem Schritt
In einem Schritt
Sofern die aktuelle Situation sicherheitskritisch ist, wird dies im beispielhaften Ablauf nach
Nach einer sicherheitskritischen Situation sollte in einem Schritt
War umgekehrt in Schritt
Der Ablauf nach
Das Einlernen des neuronalen Netzes ist nicht die einzige Herausforderung. Für eine sicherheitstechnische Anwendung in einer Kamera
Die erfindungsgemäß gewonnenen Trainingsdaten haben demnach eine doppelte Bedeutung für eine sichere Kamera
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017105174.0A DE102017105174B4 (en) | 2017-03-10 | 2017-03-10 | Method for generating training data for monitoring a source of danger |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017105174.0A DE102017105174B4 (en) | 2017-03-10 | 2017-03-10 | Method for generating training data for monitoring a source of danger |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102017105174A1 DE102017105174A1 (en) | 2018-09-13 |
DE102017105174B4 true DE102017105174B4 (en) | 2020-04-23 |
Family
ID=63258655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017105174.0A Active DE102017105174B4 (en) | 2017-03-10 | 2017-03-10 | Method for generating training data for monitoring a source of danger |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102017105174B4 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021202759A1 (en) | 2021-03-22 | 2022-09-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Apparatus and method for training a neural network for controlling a robot |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3709106B1 (en) * | 2019-03-11 | 2021-01-06 | Sick Ag | Securing of a machine |
CN113591711B (en) * | 2021-07-30 | 2022-07-19 | 沭阳县华源米业股份有限公司 | Granary hazard source safety monitoring method and system based on artificial intelligence |
DE102021125839A1 (en) | 2021-10-05 | 2023-04-06 | Sick Ag | Optoelectronic sensor and method for protecting a machine |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5091780A (en) | 1990-05-09 | 1992-02-25 | Carnegie-Mellon University | A trainable security system emthod for the same |
US5396565A (en) * | 1990-06-04 | 1995-03-07 | Nec Corporation | Pattern recognition neural net insensitive to disturbances in inputs |
EP1180258B1 (en) * | 1999-05-26 | 2003-04-16 | Siemens Aktiengesellschaft | Pattern recognition by means of an examination of supplementary features after a partial processing |
EP2527868B1 (en) | 2011-05-27 | 2013-04-24 | Sick Ag | Optoelectronic security sensor to measure distance for monitoring a surveillance area |
EP2770459B1 (en) | 2013-02-22 | 2015-04-29 | Sick Ag | Optoelectronic code reader and method for diagnosing and improving reading characteristics |
DE102015215406A1 (en) * | 2015-04-15 | 2016-10-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Device and method for camera-based monitoring of production and assembly |
EP3179407A1 (en) * | 2015-12-07 | 2017-06-14 | Dassault Systèmes | Recognition of a 3d modeled object from a 2d image |
-
2017
- 2017-03-10 DE DE102017105174.0A patent/DE102017105174B4/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5091780A (en) | 1990-05-09 | 1992-02-25 | Carnegie-Mellon University | A trainable security system emthod for the same |
US5396565A (en) * | 1990-06-04 | 1995-03-07 | Nec Corporation | Pattern recognition neural net insensitive to disturbances in inputs |
EP1180258B1 (en) * | 1999-05-26 | 2003-04-16 | Siemens Aktiengesellschaft | Pattern recognition by means of an examination of supplementary features after a partial processing |
EP2527868B1 (en) | 2011-05-27 | 2013-04-24 | Sick Ag | Optoelectronic security sensor to measure distance for monitoring a surveillance area |
EP2770459B1 (en) | 2013-02-22 | 2015-04-29 | Sick Ag | Optoelectronic code reader and method for diagnosing and improving reading characteristics |
DE102015215406A1 (en) * | 2015-04-15 | 2016-10-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Device and method for camera-based monitoring of production and assembly |
EP3179407A1 (en) * | 2015-12-07 | 2017-06-14 | Dassault Systèmes | Recognition of a 3d modeled object from a 2d image |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021202759A1 (en) | 2021-03-22 | 2022-09-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Apparatus and method for training a neural network for controlling a robot |
Also Published As
Publication number | Publication date |
---|---|
DE102017105174A1 (en) | 2018-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017105174B4 (en) | Method for generating training data for monitoring a source of danger | |
EP3200122B1 (en) | Optoelectronic sensor and method for secure detection of objects of at least a certain size | |
EP1964063B1 (en) | Method for the configuration of a device used for monitoring a room area | |
EP2095008B1 (en) | Method and apparatus for monitoring a three-dimensional spatial area | |
DE102008013366B4 (en) | Method for providing information for driver assistance systems | |
DE102015104954A1 (en) | Vision-based monitoring system for the validation of activity sequences | |
DE102012223481B4 (en) | Apparatus and method for tracking the position of a peripheral vehicle | |
DE102007054819A1 (en) | Monitoring system with state detection module, self-monitoring method of an observer and computer program | |
EP3430558B1 (en) | Detecting a deviation of a security state of a computing device from a desired security state | |
EP2275989A1 (en) | Stereoscopic 3D camera | |
EP2897112A1 (en) | Method and apparatus for the prevention of false alarms in monitoring systems | |
DE102017210787A1 (en) | Method and apparatus for detecting anomalies in a communication network | |
DE102021115221A1 (en) | Secure surveillance of a protected area using a ToF camera | |
EP3588365A1 (en) | Optoelectronic sensor and method for securely evaluating measurement data | |
EP3572971B1 (en) | Securing a surveillance area with at least one machine | |
DE102010013885A1 (en) | Mobile maintenance unit | |
EP3974936B1 (en) | Configuration of a visualisation device for a machine area | |
DE102018100813A1 (en) | SYSTEM AND METHOD FOR DETECTING IMPORTS INTO A COMMUNICATION ENVIRONMENT | |
EP2527868B1 (en) | Optoelectronic security sensor to measure distance for monitoring a surveillance area | |
EP3659113B1 (en) | Detection system, working method and training method for generating a 3d model with reference data | |
WO2015149799A1 (en) | Stereo camera system | |
DE102010026392B4 (en) | Procedure for the safe parameterization of a safety device | |
EP3893145B1 (en) | Protection of hazardous location | |
WO2010046200A1 (en) | Method for monitoring the functionality of an electronic module | |
DE102019218078B4 (en) | Determination of a situation in the environment of a motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final | ||
R020 | Patent grant now final |