DE102017107837A1 - Adapting a sensor arrangement by a computer network - Google Patents
Adapting a sensor arrangement by a computer network Download PDFInfo
- Publication number
- DE102017107837A1 DE102017107837A1 DE102017107837.1A DE102017107837A DE102017107837A1 DE 102017107837 A1 DE102017107837 A1 DE 102017107837A1 DE 102017107837 A DE102017107837 A DE 102017107837A DE 102017107837 A1 DE102017107837 A1 DE 102017107837A1
- Authority
- DE
- Germany
- Prior art keywords
- sensor
- classifier
- data
- computer network
- sensor arrangement
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Abstract
Es wird eine anpassbare Sensoranordnung (10) angegeben, die mindestens ein Sensorelement (14) zur Erfassung von Sensordaten, eine Steuer- und Auswertungseinheit (18) für die Auswertung der Sensordaten mit einem Klassifikator sowie eine Schnittstelle (20) zu einem übergeordneten Rechnernetzwerk (12) aufweist. Dabei ist die Steuer- und Auswertungseinheit (18) für eine Erweiterungsfunktion ausgebildet, in der Sensordaten ausgewählt werden, welche die Sensoranordnung zusätzlich klassifizieren soll. Die ausgewählten Sensordaten werden über die Schnittstelle (20) an das Rechnernetzwerk (12) übertragen, und anschließend werden über die Schnittstelle (20) von dem Rechnernetzwerk (12) aus den Sensordaten abgeleitete Klassifikatordaten empfangen, mit denen der Klassifikator modifiziert wird, so dass die Sensoranordnung (10) dann auch die ausgewählten Sensordaten klassifizieren kann.An adaptable sensor arrangement (10) is specified which comprises at least one sensor element (14) for acquiring sensor data, a control and evaluation unit (18) for evaluating the sensor data with a classifier, and an interface (20) to a superordinate computer network (12 ) having. In this case, the control and evaluation unit (18) is designed for an expansion function, in which sensor data are selected, which is to additionally classify the sensor arrangement. The selected sensor data are transmitted via the interface (20) to the computer network (12), and then are received via the interface (20) from the computer network (12) derived from the sensor data classifier data with which the classifier is modified so that the Sensor assembly (10) then can also classify the selected sensor data.
Description
Die Erfindung betrifft eine durch ein übergeordnetes Rechnernetzwerk anpassbare Sensoranordnung und ein entsprechendes Rechnernetzwerk nach dem Oberbegriff von Anspruch 1 beziehungsweise 9 sowie ein Verfahren zum Anpassen einer Sensoranordnung durch ein Rechnernetzwerk.The invention relates to an adaptable by a higher-level computer network sensor arrangement and a corresponding computer network according to the preamble of
Eine Sensoranordnung wird üblicherweise an ihrem Betriebsort montiert und bedarf einer Inbetriebnahme zur Anpassung an die Situation vor Ort und die gestellte Aufgabe. Im Laufe des Betriebs kann es dann zu neuen Anforderungen kommen. Das ließe sich in vielen Fällen mit derselben Sensorkonfiguration durch eine mächtigere Auswertung lösen, also eine neue oder modifizierte Software.A sensor arrangement is usually mounted at its operating location and requires commissioning to adapt to the situation on site and the task. During operation, new requirements may arise. In many cases this could be solved with the same sensor configuration by a more powerful evaluation, ie a new or modified software.
Allerdings stellen sich einer entsprechenden Erweiterung erhebliche praktische Schwierigkeiten entgegen. Im einfachsten Fall bedeutet eine Softwareanpassung lediglich eine neue Einstellung von Parametern, die dann sogar im laufenden Betrieb vor Ort erfolgen kann. Wenn aber die Erweiterung nicht schon im Prinzip implementiert war und lediglich eingeschaltet oder parametriert werden kann, dann ist eine individuelle Anfrage des Betreibers der Sensoranordnung an den Hersteller erforderlich. Dort wird abgeschätzt, mit welchem Aufwand eine Umsetzung durch manuelle Um- oder Neuprogrammierung der Software möglich ist. Wird die Änderung dann bestellt, so ist das Resultat eine neue, speziell zugeschnittene Firmware, die im Feld mittels Firmwareupdate aufgespielt wird. Das impliziert regelmäßig auch einen Neustart des Systems. Erst dann ist die neue Funktionalität verfügbar. Dieser an vielen Stellen händische Prozess, angefangen von einer meist telefonischen oder schriftlichen Anforderungsbeschreibung über ein individuelles Programmieren bis hin zu einem Aufspielen der eigens erstellten neuen Firmware ist äußerst aufwändig und zeitraubend.However, a corresponding enlargement poses considerable practical difficulties. In the simplest case, a software adjustment simply means a new setting of parameters, which can then be done even during operation on site. But if the extension was not already implemented in principle and can only be switched on or parameterized, then an individual request of the operator of the sensor assembly to the manufacturer is required. There, it is estimated with what effort a conversion by manual reprogramming or reprogramming of the software is possible. If the change is then ordered, the result is a new, specially tailored firmware, which is installed in the field by means of firmware update. This also implies a reboot of the system on a regular basis. Only then is the new functionality available. This process, which is manual in many places, ranging from a mostly telephone or written requirement description to an individual programming up to a loading of the specially created new firmware is extremely time-consuming and time-consuming.
Die
Die
Die Arbeit von D. Kingma et al. „Adam: A method for stochastic optimization.“ arXiv preprint arXiv:1412.6980 (2014) zeigt einen Algorithmus für einen Lern- oder Trainingsprozess. Der allgemein einsetzbare Algorithmus hat keinen Bezug zu Sensoren oder gar deren Erweiterung.The work of D. Kingma et al. "Adam: A method for stochastic optimization." ArXiv preprint arXiv: 1412.6980 (2014) shows an algorithm for a learning or training process. The general-purpose algorithm has no relation to sensors or even their extension.
Es ist daher Aufgabe der Erfindung, die Anpassbarkeit von Sensoren zu verbessernIt is therefore an object of the invention to improve the adaptability of sensors
Diese Aufgabe wird durch eine anpassbare Sensoranordnung nach Anspruch 1, ein entsprechendes Rechnernetzwerk nach Anspruch 9 sowie ein Verfahren zum Anpassen einer Sensoranordnung durch ein Rechnernetzwerk nach Anspruch 15 gelöst. Die Sensoranordnung umfasst zumindest ein Sensorelement mit einer Steuer- und Auswertungseinheit. Die Sensordaten werden mit einem Klassifikator ausgewertet. Über eine Schnittstelle ist die Sensoranordnung mit einem übergeordneten Rechnernetzwerk verbindbar. Einige Beispiele für das Rechnernetzwerk sind ein Firmennetzwerk, sei es des Betreibers der Sensoranordnung oder des Hersteller, Systemintegrators oder dergleichen, insbesondere in Form einer privaten oder öffentlichen Cloud. Denkbar ist aber auch lediglich ein einzelner angeschlossener Rechner oder Server.This object is achieved by an adaptable sensor arrangement according to
Die Erfindung geht nun von dem Grundgedanken aus, eine durch die Sensoranordnung initiierte Erweiterung der Funktionalität vorzunehmen. Dies kann insbesondere auf Seiten des Rechnernetzwerks vollautomatisiert ablaufen. Dazu überträgt die Sensoranordnung in einer Erweiterungsfunktion ausgewählte Sensordaten, die zusätzlich von dem Klassifikator verarbeitet werden sollen, an das Rechnernetzwerk. Dort wird auf Basis der Sensordaten ein Klassifikator trainiert, und nach Abschluss des Trainings erhält die Sensoranordnung Klassifikatordaten zur Modifikation des Klassifikators zurück, wie Parameter, Programmabschnitte oder sogar den gesamten trainierten Klassifikator. Damit ist die Sensoranordnung auch für die Klassifikation der ausgewählten Sensordaten gerüstet.The invention is based on the basic idea of carrying out an expansion of the functionality initiated by the sensor arrangement. This can be fully automated especially on the part of the computer network. For this purpose, the sensor arrangement transmits, in an expansion function, selected sensor data, which is additionally to be processed by the classifier, to the computer network. There, a classifier is trained based on the sensor data, and upon completion of the training, the sensor array receives classifier data to modify the classifier, such as parameters, program sections, or even the entire trained classifier. Thus, the sensor arrangement is also equipped for the classification of the selected sensor data.
Die Erfindung hat den Vorteil, dass der Betreiber der Sensoranordnung über die Schnittstelle eigenständig in der Lage ist, das Antrainieren von neuer beziehungsweise verbesserter Funktionalität zu initiieren und damit auf neue Anforderungen im Feld selbst zu reagieren. Damit sind zahllose, prinzipiell unbegrenzte Leistungsmerkmale individuell nachrüstbar. Ein manueller Eingriff ist nach dem Stellen der Anforderung nicht mehr erforderlich, vielmehr kann der Prozess dann sowohl für den Betreiber der Sensoranordnung wie für denjenigen des Rechnernetzwerks unter erheblicher Vereinfachung und Zeitersparnis automatisch ablaufen. Es entstehen äußerst wandlungsfähige, durch das Rechnernetzwerk erweiterbare smarte Sensormodule. Dabei ist es bedeutend einfacher und günstiger, auf dem Rechnernetzwerk statt im jeweiligen Sensor leistungsstarke Hardware beispielsweise in Form von CPUs und GPUs zur Verfügung zu stellen, mit der ein Training deutlich verkürzt wird. Außerdem würde solche leistungsfähige Hardware im Sensor außerhalb des Trainings und damit im Regelbetrieb gar nicht gebraucht.The invention has the advantage that the operator of the sensor arrangement is able, via the interface, to independently initiate the training of new or improved functionality and thus to react to new requirements in the field itself. Countless, basically unlimited features can be retrofitted individually. A manual intervention is no longer required after the request has been made, but the process can then be considerably simpler for both the operator of the sensor arrangement and that of the computer network Time savings run automatically. The result is extremely versatile, expandable by the computer network smart sensor modules. It is significantly easier and cheaper to provide powerful hardware on the computer network instead of in the respective sensor, for example in the form of CPUs and GPUs, with which a training is significantly shortened. In addition, such powerful hardware would not be needed in the sensor outside the training and thus in normal operation.
Das Sensorelement weist bevorzugt einen Bildsensor zur Erfassung von Bilddaten als Sensordaten auf. Dazu ist insbesondere mindestens eine Kamera vorgesehen. Bilddaten bieten eine sehr große Vielfalt an möglichen Merkmalen, die für einen Klassifikator relevant werden können. Daher ist die Flexibilität und Wandelbarkeit durch Antrainieren neuer Funktionalität hierfür besonders gefragt.The sensor element preferably has an image sensor for acquiring image data as sensor data. For this purpose, in particular at least one camera is provided. Image data provides a very wide variety of possible features that may become relevant to a classifier. Therefore, the flexibility and versatility by training new functionality is particularly in demand.
Der Klassifikator unterscheidet bevorzugt Symbole. Darunter fallen insbesondere Gefahrgutkennzeichnungen. In einer bevorzugten Ausführungsform ist die Sensoranordnung anfänglich so programmiert, dass sie mit einer bestimmten Menge von Symbolen umgehen kann. Im Laufe des Betriebs tauchen dann zusätzliche Symbole auf, oder es ändern sich gesetzliche oder interne Richtlinien, welche die Erkennung weiterer Symbole erfordern. Dann wird der Klassifikator anhand dieser zusätzlichen Symbole erweitert.The classifier preferably distinguishes symbols. This includes, in particular, dangerous goods markings. In a preferred embodiment, the sensor assembly is initially programmed to handle a certain set of symbols. During operation, additional symbols appear or legal or internal policies that require the detection of additional symbols change. Then the classifier is extended by these additional symbols.
Die Steuer- und Auswertungseinheit ist bevorzugt dafür ausgebildet, beim Auswählen von Sensordaten eine Benutzereingabe zum Auffinden zu klassifizierender Merkmale zu erfassen. Im einfachsten Fall bezeichnet der Benutzer lediglich Datensätze von Sensordaten, die in Zukunft auch klassifiziert werden sollen. Spezieller kann ein Bildausschnitt mit einem neu zu klassifizierenden Symbol ausgewählt werden. Dadurch entstehen Positivbeispiele für eine neue Klasse von Sensordaten, die gegebenenfalls auch händisch zumindest grob aufbereitet werden (Annotation). Die Benutzereingabe kann durch einfachen Knopfdruck in einer passenden Situation erfolgen, die den zu klassifizierenden Sensordaten entspricht, aber auch etwas zielgerichteter beispielsweise in einer grafischen Benutzerumgebung.The control and evaluation unit is preferably designed to capture a user input for locating features to be classified when selecting sensor data. In the simplest case, the user merely designates data sets of sensor data which are to be classified in the future. More specifically, a frame can be selected with a symbol to be re-classified. This creates positive examples for a new class of sensor data, which may also be roughly processed by hand (annotation). The user input can be done by a simple push of a button in a suitable situation, which corresponds to the sensor data to be classified, but also somewhat more targeted, for example in a graphical user environment.
Die Steuer- und Auswertungseinheit ist bevorzugt dafür ausgebildet, Sensordaten an das Rechnernetzwerk zu übertragen, welche nicht den zusätzlich zu klassifizierenden Sensordaten entsprechen. Solche Sensordaten stellen Negativbeispiele in Ergänzung der Positivbeispiele dar, etwa Hintergrundbilder. Damit kann der Klassifikator nach Abschluss des Trainings zuverlässigere Ergebnisse liefern.The control and evaluation unit is preferably designed to transmit sensor data to the computer network which does not correspond to the sensor data to be additionally classified. Such sensor data represent negative examples in addition to the positive examples, such as background images. This allows the classifier to deliver more reliable results after completing the training.
Der Klassifikator weist bevorzugt ein neuronales Netz auf. Damit ist ein künstliches neuronales Netz gemeint, insbesondere ein künstliches neuronales Faltungsnetz (CNN). Ein solcher Klassifikator besitzt die erforderliche Flexibilität und ist damit sehr gut geeignet, durch Training in einer gewünschten Weise erweitert zu werden.The classifier preferably has a neural network. This refers to an artificial neural network, in particular an artificial neural folding network (CNN). Such a classifier has the required flexibility and is therefore very well suited to be expanded by training in a desired manner.
Der Klassifikator ist bevorzugt in der Steuer- und Auswertungseinheit implementiert und wird durch die Erweiterungsfunktion neu parametriert. Das Grundgerüst des Klassifikators ist also in der Sensoranordnung schon fertig implementiert, vorzugsweise auch schon mit einer gewissen Klassifikationsfunktionalität. Die Schnittstelle empfängt nach dem Training nur noch die erforderlichen Einstellungen, die durch das Training gewonnen wurden. Im Falle eines neuronalen Netzes können das die Gewichtungsfaktoren an den einzelnen Verbindungen sein, wobei aber auch Architekturparameter denkbar sind, welche das neuronale Netz an sich neu strukturieren. Alternativ werden nach dem Training spezifische Codeabschnitte oder sogar der gesamte Klassifikator in die Sensoranordnung übertragen.The classifier is preferably implemented in the control and evaluation unit and is newly parameterized by the expansion function. The basic structure of the classifier is therefore already completely implemented in the sensor arrangement, preferably even with a certain classification functionality. The interface only receives the required settings after training, which were gained through the training. In the case of a neural network, this may be the weighting factors at the individual connections, but architectural parameters are also conceivable which restructure the neural network itself. Alternatively, after the training, specific code sections or even the entire classifier are transferred to the sensor array.
Die Steuer- und Auswertungseinheit ist bevorzugt dafür ausgebildet, durch den modifizierten Klassifikator bewertete Sensordaten an das Rechnernetzwerk zu übertragen. Damit erweitert sich im Rechnernetzwerk die Datenbank mit Positiv- und bei Bedarf auch Negativbeispielen. Anhand solcher Daten kann der Klassifikator überprüft und beispielsweise durch ein Anschlusstraining nochmals verbessert werden. Außerdem stehen die Daten für die Erweiterung baugleicher oder ähnlicher Sensoranordnungen zur Verfügung. Dabei kann im Rechnernetzwerk eine Prüfung der Positivbeispiele beziehungsweise Negativbeispiele durch einen anderen Klassifikator oder sogar eine Person hilfreich sein, um Bewertungszirkel zu vermeiden.The control and evaluation unit is preferably designed to transmit sensor data evaluated by the modified classifier to the computer network. This extends the database in the computer network with positive and, if necessary, negative examples. On the basis of such data, the classifier can be checked and, for example, further improved by follow-up training. In addition, the data is available for the extension of identical or similar sensor arrangements. In the computer network, a check of the positive examples or negative examples by another classifier or even a person can be helpful in order to avoid scolding circles.
Das erfindungsgemäße Rechnernetzwerk ist die Gegenstelle zum Trainieren eines Klassifikators für eine Sensoranordnung. Wie oben schon ausgeführt, kann das Rechnernetzwerk in kleinster Konfiguration ein einzelner Rechner sein, und vorzugsweise handelt es sich um einen Verbund von Rechnern beziehungsweise Prozessoren wie in einem leistungsstarken Serverrack, ein Firmennetzwerk oder eine Cloud. In dem Rechnernetzwerk ist ein anpassbarer Klassifikator implementiert, der bevorzugt einem Klassifikator der Sensoranordnung entspricht. Der anpassbare Klassifikator wird anhand von zu klassifizierenden Sensordaten der Sensoranordnung trainiert, und anschließend werden Klassifikatordaten an die Sensoranordnung übertragen. Die Sensoranordnung erhält über die Klassifikatordaten die notwendigen Informationen, um ihren Klassifikator entsprechend der durch Training gewonnenen Erweiterung zu modifizieren.The computer network according to the invention is the remote station for training a classifier for a sensor arrangement. As already explained above, the computer network can be a single computer in the smallest configuration, and it is preferably a combination of computers or processors, such as in a high-performance server rack, a company network or a cloud. In the computer network, an adaptable classifier is implemented, which preferably corresponds to a classifier of the sensor arrangement. The customizable classifier is trained based on sensor data of the sensor array to be classified, and then classifier data is transmitted to the sensor array. The sensor array receives the necessary information via the classifier data to modify its classifier according to the training gained by training.
Die Recheneinheit ist bevorzugt dafür ausgebildet, den anpassbaren Klassifikator auch mit von der Sensoranordnung empfangenen oder aus in einer eigenen Datenbank gespeicherten Sensordaten zu trainieren, welche nicht den zusätzlich zu klassifizierenden Sensordaten entsprechen. Üblicherweise werden von der Sensoranordnung nur sehr wenige Positivbeispiele übertragen. Das ist auch vorteilhaft, weil der Sensorbetreiber die Sensordaten auswählen muss und dafür jeweils die Situation zu deren Gewinnung vorgelegen haben muss. Zumindest Negativbeispiele, also etwa Hintergrundbilder, lassen sich aber vergleichsweise einfach gewinnen. Die Recheneinheit, die regelmäßig für die Erweiterung einer Vielzahl von Sensoranordnungen zuständig ist, kann dafür auch eine eigene Datenbank aufbauen und darauf zurückgreifen. Es ist auch denkbar, dass sich in der Datenbank weitere Positivbeispiele befinden, etwa weil eine andere Sensoranordnung zuvor schon eine gleiche oder ähnliche Erweiterung erfahren hat. In diesem Fall muss Einigkeit darüber bestehen, dass es sich um eine vergleichbare Erweiterung handelt. The arithmetic unit is preferably designed to train the adaptive classifier also with sensor data received from the sensor arrangement or stored in its own database, which does not correspond to the sensor data additionally to be classified. Usually, only very few positive examples are transmitted by the sensor arrangement. This is also advantageous because the sensor operator must select the sensor data and for each of the situation must have been present for their recovery. At least negative examples, such as wallpapers, but can be relatively easily win. The arithmetic unit, which is regularly responsible for the expansion of a variety of sensor arrangements, can also build its own database and fall back on it. It is also conceivable that there are further positive examples in the database, for example because another sensor arrangement has previously experienced an identical or similar expansion. In this case, there must be agreement that this is a comparable extension.
Der Klassifikator ist bevorzugt ein neuronales Netz. Die Ausführungen zu einem neuronalen Netz der Sensoranordnung gelten entsprechend. Das neuronale Netz wird aufgrund der von der Sensoranordnung erhaltenen Sensordaten als Positivbeispiele trainiert, vorzugsweise angereichert um ebenfalls übertragene oder in einer eigenen Datenbank gespeicherte Negativbeispiele. Vorzugsweise handelt es sich um eine Implementierung eines neuronalen Netzes wie auf dem Sensor, denn dann genügt es, die trainierten Parameter wie Gewichtungsfaktoren zurückzuspielen. Es ist aber auch denkbar, das neuronale Netz als Ganzes als neuen, erweiterten Klassifikator an die Sensoranordnung zu übertragen. Auf dem Rechnernetzwerk sind große, skalierbare Rechenkapazitäten vorhanden, die nicht von Limitierungen eines Sensors betroffen sind. Dadurch kann auch ein komplexes neuronales Netz in kürzeren Zeiten und in höherer Qualität trainiert werden, als das innerhalb der Sensoranordnung möglich wäre.The classifier is preferably a neural network. The remarks on a neural network of the sensor arrangement apply accordingly. The neural network is trained as positive examples on the basis of the sensor data obtained from the sensor arrangement, preferably enriched by negative examples also transmitted or stored in a separate database. Preferably, it is an implementation of a neural network as on the sensor, because then it is sufficient to play back the trained parameters such as weighting factors. However, it is also conceivable to transmit the neural network as a whole as a new, extended classifier to the sensor arrangement. The computer network has large, scalable computing capacities that are not affected by the limitations of a sensor. As a result, even a complex neural network can be trained in shorter times and in a higher quality than would be possible within the sensor arrangement.
Die Sensordaten weisen bevorzugt Bilddaten auf, wobei die Recheneinheit dafür ausgebildet ist, aus empfangenen Bilddaten weitere Bilddaten für das Training zu erzeugen, in denen Bildfehler hinzugefügt, die Textur des Hintergrundes verändert und/oder rechnerisch die Aufnahmeperspektive verändert ist. Allgemein, aber besonders für das Training eines neuronalen Netzes mit vielen Knoten oder gar Schichten („Deep Learning“) sind viele Trainingsdatensätze erforderlich. Der Betreiber der Sensoranordnung möchte und kann aber meist nur wenige Positivbeispiele liefern. Daher ist es sinnvoll, die Bilddaten aufzubereiten und zu vervielfältigen (Augmentierung). Insbesondere werden Bilddaten mit unterschiedlichen Texturen für den Hintergrund verknüpft beziehungsweise mit diversen Bildfehlern verknüpft, die wiederum typischen Situationen vor Ort wie Optikfehlern, Verunreinigungen oder Beschädigungen der aufgenommenen Objekte oder Symbole und dergleichen entsprechen. Auch ein rechnerischer Wechsel der Aufnahmeperspektive führt zu vielen Varianten, die für die Praxis relevant sind. Dazu werden das Bild beziehungsweise das darin bezeichnete zu lernende Symbol verkleinert, vergrößert sowie flächig oder perspektivisch verdreht. Eine Augmentierung ist auch im Falle anderer Sensordaten als Bilddaten sinnvoll, wobei dann entsprechende Variationsmöglichkeiten zum Einsatz kommen.The sensor data preferably have image data, wherein the arithmetic unit is configured to generate further image data for training from received image data, in which image aberrations are added, the texture of the background is changed and / or the recording perspective is altered mathematically. In general, but especially for the training of a neural network with many nodes or even layers ("Deep Learning") many training records are required. The operator of the sensor arrangement would like to and can usually provide only a few positive examples. Therefore, it makes sense to reprocess and duplicate the image data (augmentation). In particular, image data with different textures for the background are linked or linked with various image errors, which in turn correspond to typical on-site situations such as optical defects, contamination or damage to the recorded objects or symbols and the like. Also a mathematical change of the admission perspective leads to many variants, which are relevant for the practice. For this purpose, the image or the symbol to be learned therein is reduced in size, enlarged and rotated in a planar or perspective manner. An augmentation is also useful in the case of other sensor data as image data, in which case corresponding variations are used.
Die Recheneinheit ist bevorzugt dafür ausgebildet, den trainierten Klassifikator anhand der Sensordaten oder aus den Sensordaten gewonnenen Testdaten zu validieren, wobei bei unzureichender Güte des trainierten Klassifikators ein anderer anpassbarer Klassifikator trainiert wird und/oder die Sensordaten für das Training anders aufbereitet werden. Vorzugsweise werden die Trainingsdaten, also die von der Sensoranordnung übertragenen Sensordaten und gegebenenfalls ergänzte oder daraus gewonnene weitere Datensätze, in einen Trainings- und einen Validierungssatz unterteilt. Nach dem Training mit dem Trainingssatz wird der Klassifikator mit dem Validierungssatz geprüft und statistisch seine Güte bewertet. Stellt sich dabei heraus, dass die Güte nicht ausreicht, so kann versucht werden, einen anderen Klassifikator zu trainieren, insbesondere ein kleineres neuronales Netzwerk oder eines mit einer anderen Architektur. Denkbar ist auch, die Trainingsdaten zu verändern, etwa durch stärkeres Downsampling von Bilddaten. Als letzter Ausweg bleibt nur eine Rückmeldung, dass das Training nicht erfolgreich war beziehungsweise dass zumindest weitere Positivbeispiele geschickt werden müssen.The arithmetic unit is preferably designed to validate the trained classifier based on the sensor data or test data obtained from the sensor data, in case of insufficient quality of the trained classifier another adaptable classifier is trained and / or the sensor data for the training are processed differently. The training data, that is to say the sensor data transmitted by the sensor arrangement and optionally supplemented or derived further data records, are preferably subdivided into a training and a validation record. After training with the training set, the classifier is tested with the validation set and its quality is statistically evaluated. If it turns out that the quality is not sufficient, then you can try to train another classifier, especially a smaller neural network or one with a different architecture. It is also conceivable to change the training data, for example through greater downsampling of image data. As a last resort, there is only one feedback that the training was unsuccessful or that at least further positive examples must be sent.
Vorzugsweise sind eine erfindungsgemäße Sensoranordnung und ein erfindungsgemäßes Rechnernetzwerk über ihre jeweiligen Schnittstellen zumindest zeitweise zu einem System verbunden.Preferably, a sensor arrangement according to the invention and a computer network according to the invention are at least temporarily connected to a system via their respective interfaces.
Das erfindungsgemäße Verfahren kann auf ähnliche Weise weitergebildet werden und zeigt dabei ähnliche Vorteile. Derartige vorteilhafte Merkmale sind beispielhaft, aber nicht abschließend in den sich an die unabhängigen Ansprüche anschließenden Unteransprüchen beschrieben.The method according to the invention can be developed in a similar manner and shows similar advantages. Such advantageous features are described by way of example but not exhaustively in the subclaims following the independent claims.
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 Ausführungsform einer Sensoranordnung und eines Rechnernetzwerks; -
2 ein beispielhaftes Ablaufschema zum Trainieren einer neuen Klassifikationsfunktion in einer Sensoranordnung durch ein Rechnernetzwerk; -
3 einige Beispielbilder von Gefahrgutkennzeichen als zu trainierende Symbole; -
4 eine Darstellung eines zu trainierenden Symbols in einem durch einen Benutzer vorgegebenen Bereich eines Bildes; und -
5 einige Beispielbilder von Gefahrgutkennzeichen und daraus erzeugte weitere Bilder mit rechnerischen Modifikationen.
-
1 a schematic representation of an embodiment of a sensor arrangement and a computer network; -
2 an exemplary flowchart for training a new classification function in a sensor array by a computer network; -
3 some sample images of dangerous goods labels as symbols to be trained; -
4 a representation of a symbol to be trained in a predetermined by a user area of an image; and -
5 some sample pictures of dangerous goods labels and further pictures with mathematical modifications.
Die dargestellte Sensoranordnung
Über die Schnittstelle
Die im Folgenden beschriebene automatisierte Erweiterung der Funktionalität der Sensoranordnung
Im üblichen Betrieb löst die Sensoranordnung
Über die Schnittstelle
Der Prozess zum Anlernen einer neuen Funktionalität kann von der Sensoranordnung
In einem Schritt S2 folgt eine Annotation der Beispielbilder. Das ist eine manuelle Aufbereitung für das spätere Training, die auch die zu erkennenden Merkmale bezeichnet. Eine minimale implizite Annotation ist hier bereits durch die Auswahl der Beispielbilder mit dem gewünschten Symbol vorgenommen, und dies kann in besonders leicht zu bedienenden Ausführungsformen genügen. Vorzugsweise wird, wie in
Das spätere Training führt zu besseren Ergebnissen, insbesondere einer deutlich verringerten False-Positive-Rate, wenn auch Hintergrundbeispiele zur Verfügung stehen, also Bildmaterial ohne die zu lernenden Symbole. Vorzugsweise werden deshalb in der Sensoranordnung
In einem Schritt S3 werden die Beispielbilder mit den Symbolen und eventuelle Hintergrundbilder als Grundlage für ein Training in das Rechnernetzwerk
In einem Schritt S4 der Augmentation werden die Trainingsdaten erweitert. Die Beispielbilder sind empfangen und im Rechnernetzwerk
Um einen Klassifikator zu erhalten, der verschiedenste Arten verfremdeter Symbole detektiert, erfolgt deshalb die künstliche Augmentierung (Vergrößerung) der Trainingsdatenmenge, die vorzugsweise eine sehr große Bandbreite von Verfremdungen abdeckt, wobei auch nur eine Auswahl der nachfolgend beschriebenen Möglichkeiten umgesetzt sein kann.Therefore, in order to obtain a classifier which detects various types of alienated symbols, artificial augmentation of the training data set, which preferably covers a very wide range of alienations, occurs, whereby only a selection of the possibilities described below can be implemented.
In einem Schritt S5 erfolgt nun das Training. Erläutert wird das Training am Beispiel eines künstlichen neuronalen Faltungsnetzes (CNN). Andere Klassifikatoren sind aber ebenso denkbar. Die durch Augmentierung stark vergrößerte Menge mit Positiv- und Negativbeispielen wird in eine Trainingsmenge und eine kleinere Validierungsmenge aufgeteilt, beispielsweise im Verhältnis
Die Architektur des Netzes in der Recheneinheit
Das Training selbst kann auf vielfältige Weise erfolgen. Ein Beispiel ist die Forward- und Backward-Propagation unter Verwendung des Adaptive Moment Gradient Solvers wie in der einleitend zitierten Arbeit von Kingma et al. Während des Trainings wird vorzugsweise die Klassifikationsgenauigkeit durch regelmäßige Tests mit der Validierungsmenge automatisch überprüft. Ist auf der Validierungsmenge eine zuvor festgelegte Mindesterkennungsrate erreicht, wird das Training als erfolgreich eingestuft und beendet. Sollte das Training nach einer bestimmten Zeit oder Anzahl von Trainingsschritten nicht zum Erfolg führen, gibt es noch die Möglichkeit, das Training mit alternativen Architekturen oder Einstellungen durchzuführen. Beispielsweise wird ein kleineres Netz oder stärkeres Downsampling verwendet, wenn während des Trainings die Fehlerrate auf dem Trainingssatz stark sinkt, während die Fehlerrate auf dem Validierungssatz sich nicht verringert. Wenn die Trainingsfehlerrate nicht sinkt oder gar steigt, wird die Lernrate des Netzes entsprechend angepasst. Führt keine der Einstellungen oder Architekturen zum Erfolg, erfolgt eine Rückmeldung an die Sensoranordnung
In das beschriebene Training ist eine Validierung in einem Schritt S6 eingebunden. Der Ablauf stellt dies als eigenen Schritt nach Beendigung des Trainings in einem Schritt S5 dar, und so kann es in einer alternativen Ausführungsform auch ablaufen, auf die eine Validierung auf eine bestimmte Zeit des Trainings folgt. Bessere Erfolgsaussichten verspricht es, die Schritte S5 und S6 wie erläutert einmal oder mehrfach zu wiederholen, bis eine Validierung erfolgreich ist.In the training described a validation is included in a step S6. The process presents this as a separate step after completion of the training in a step S5, and thus it may also proceed in an alternative embodiment, followed by validation for a particular time of training. Better prospects of success promises to repeat steps S5 and S6 once or several times as explained until a validation is successful.
Nach Abschluss des Trainings und Erreichen einer Mindesterkennungsgüte oder -rate wird in einem Schritt S7 der Trainingserfolg an die Sensoranordnung
Alternativ zu einem Rückspielen eines Parametersatzes wird das trainierte neuronale Netz insgesamt als ausführbare Anwendung an die Sensoranordnung
In einem Schritt S8 beginnt dann der Betrieb mit der erweiterten Funktionalität. Die Sensoranordnung
Somit entsteht insgesamt durch einen vollständig automatisierten Trainingsprozess in dem Rechnernetzwerk
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- EP 2770459 B1 [0004]EP 2770459 B1 [0004]
- DE 112011104644 T5 [0005]DE 112011104644 T5 [0005]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017107837.1A DE102017107837A1 (en) | 2017-04-11 | 2017-04-11 | Adapting a sensor arrangement by a computer network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017107837.1A DE102017107837A1 (en) | 2017-04-11 | 2017-04-11 | Adapting a sensor arrangement by a computer network |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017107837A1 true DE102017107837A1 (en) | 2018-10-11 |
Family
ID=63587947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017107837.1A Withdrawn DE102017107837A1 (en) | 2017-04-11 | 2017-04-11 | Adapting a sensor arrangement by a computer network |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102017107837A1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018221063A1 (en) | 2018-12-05 | 2020-06-10 | Volkswagen Aktiengesellschaft | Configuration of a control system for an at least partially autonomous motor vehicle |
WO2021037911A1 (en) | 2019-08-29 | 2021-03-04 | Volkswagen Aktiengesellschaft | Classification of ai modules |
WO2022238494A1 (en) * | 2021-05-12 | 2022-11-17 | Espera-Werke Gmbh | Method for operating a labelling system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112011104644T5 (en) | 2010-12-30 | 2013-10-10 | Irobot Corporation | Mobile robot system |
EP2770459B1 (en) | 2013-02-22 | 2015-04-29 | Sick Ag | Optoelectronic code reader and method for diagnosing and improving reading characteristics |
-
2017
- 2017-04-11 DE DE102017107837.1A patent/DE102017107837A1/en not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112011104644T5 (en) | 2010-12-30 | 2013-10-10 | Irobot Corporation | Mobile robot system |
EP2770459B1 (en) | 2013-02-22 | 2015-04-29 | Sick Ag | Optoelectronic code reader and method for diagnosing and improving reading characteristics |
Non-Patent Citations (9)
Title |
---|
Ade, R. R. [u.a.]: Methods for Incremental Learning : A Survey. In: International Journal of Data Mining & Knowledge Management Process (IJDKP), 3, 2013, 4, S. 119-125. - ISSN 2230-9608. http://aircconline.com/ijdkp/V3N4/3413ijdkp08.pdf [abgerufen am 15.12.2017] * |
Bernauer, Julie: Deep Learning and GPUs - Intro and hands-on tutorial, HPC Advisory Council Stanford Tutorial, 07.02.2017. URL: http://www.hpcadvisorycouncil.com/events/2017/stanford-workshop/agenda.php [abgerufen am 19.12.2017] * |
Hollemans, M.: Machine learning on mobile: on the device or in the cloud?, 16.02.2017. URL: http://machinethink.net/blog/machine-learning-device-or-cloud/, Archiviert in http://www.archive.org am 21.03.2017 [abgerufen am 15.12.2017] * |
Incremental learning. In: Wikipedia, the free encyclopedia. Bearbeitungsstand: 04.02.2017. URL: https://en.wikipedia.org/w/index.php?title=Incremental_learning&oldid=763599353 [abgerufen am 15.12.2017] * |
Kumaran, Senthil: 10 - Incremental Concept Learning, Knowledge Based AI - CS7376-O01, Georgia Tech, 30.12.2016. URL: https://github.com/orsenthil/coursedocs/blob/master/gatech/cs7637/10---incremental-concept-learning.rst [abgerufen am 15.12.2017] * |
Mehrtash, Alireza [u.a.]: DeepInfer: Open-Source Deep Learning Deployment Toolkit for Image-Guided Therapy. In: Proceedings of SPIE--the International Society for Optical Engineering, 11.02.2017, S. 1-12. - ISSN 1996-756X. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5467894/ [abgerufen am 19.12.2017] * |
Metze, Florian [u.a.]: Virtual Machines and Containers as a Platform for Experimentation. In: Interspeech 2016, 2016, S. 1603-1607. http://dx.doi.org/10.21437/Interspeech.2016-997 [abgerufen am 19.12.2017] * |
Rowe, B. L. Y.: What you need to know about data augmentation for machine learning, 2016. URL: https://cartesianfaith.com/2016/10/06/what-you-need-to-know-about-data-augmentation-for-machine-learning/ [abgerufen am 15.12.2017] * |
Shenoy, Prashant: CMPSCI 677: Distributed and Operating Systems, Lecture 6: OS Virtualization, 08.02.2017. URL: http://lass.cs.umass.edu/~shenoy/courses/677/lectures.html [abgerufen am 19.12.2017] * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018221063A1 (en) | 2018-12-05 | 2020-06-10 | Volkswagen Aktiengesellschaft | Configuration of a control system for an at least partially autonomous motor vehicle |
EP3667568A1 (en) | 2018-12-05 | 2020-06-17 | Volkswagen AG | Configuration of a control system for an at least partially autonomous motor vehicle |
US11500382B2 (en) | 2018-12-05 | 2022-11-15 | Volkswagen Aktiengesellschaft | Configuration of a control system for an at least partially autonomous transportation vehicle |
WO2021037911A1 (en) | 2019-08-29 | 2021-03-04 | Volkswagen Aktiengesellschaft | Classification of ai modules |
DE102019213061A1 (en) * | 2019-08-29 | 2021-03-04 | Volkswagen Aktiengesellschaft | Classification of AI modules |
WO2022238494A1 (en) * | 2021-05-12 | 2022-11-17 | Espera-Werke Gmbh | Method for operating a labelling system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018109392A1 (en) | METHOD FOR DETECTING OPTICAL CODES, AUTOMATION SYSTEM AND COMPUTER PROGRAM PRODUCT TO PERFORM THE PROCESS | |
DE102019217568B4 (en) | SYSTEM OF AUTONOMOUS DEVICES AND CONTROL PROCEDURES THEREOF | |
DE102017107837A1 (en) | Adapting a sensor arrangement by a computer network | |
DE102018203583B4 (en) | Method, driver assistance system and motor vehicle for the prediction of a position or a trajectory by means of a graph-based environment model | |
DE102017213601A1 (en) | Method of creating an object map for a factory environment | |
DE102019135608A1 (en) | Method, device and system for the detection of abnormal operating conditions of a device | |
DE102018220941A1 (en) | Evaluation of measured variables with AI modules taking into account measurement uncertainties | |
DE102019204139A1 (en) | Training for artificial neural networks with better utilization of the learning data sets | |
DE102019218613A1 (en) | Object classification method, object classification circuit, motor vehicle | |
DE102021109382A1 (en) | SYSTEM AND PROCEDURE OF A MONOTON NEURAL OPERATOR NETWORK TECHNICAL FIELD | |
EP3767403A1 (en) | Machine learning based shape and surface measurement for monitoring production | |
DE102016120972A1 (en) | Providing information on additional functionalities of fieldbus components | |
WO2020048669A1 (en) | Method for determining a lane change indication of a vehicle, computer-readable storage medium, and vehicle | |
DE102017210975A1 (en) | Method for collecting data | |
EP3576013A1 (en) | Estimation of a path of a rail path | |
DE102018109680A1 (en) | Method for distinguishing lane markings and curbs by parallel two-dimensional and three-dimensional evaluation; Control means; Driving assistance system; as well as computer program product | |
WO2022136703A1 (en) | Method and system for transforming a start object situation into a target object situation (intuitive tacit solution finding) | |
EP3655934B1 (en) | Concept for monitoring a parking space | |
DE202020005501U1 (en) | Tire testing system | |
DE102019128223A1 (en) | Methods, devices and computer programs | |
DE102021210322A1 (en) | Method for generating a data set for training and/or testing a machine learning algorithm based on an ensemble of data filters | |
DE102021207275A1 (en) | Method for creating an artificial neural network | |
DE102021207093A1 (en) | Apparatus and method for providing classified digital recordings to an automatic machine learning system and updating machine-readable program code therewith | |
DE102021208722A1 (en) | Configuring a neural network for equivariant or invariant behavior | |
DE102020209343A1 (en) | Device and method for configuring a neural network for processing sensor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R120 | Application withdrawn or ip right abandoned | ||
R002 | Refusal decision in examination/registration proceedings |