DE102017105174A1 - 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
- DE102017105174A1 DE102017105174A1 DE102017105174.0A DE102017105174A DE102017105174A1 DE 102017105174 A1 DE102017105174 A1 DE 102017105174A1 DE 102017105174 A DE102017105174 A DE 102017105174A DE 102017105174 A1 DE102017105174 A1 DE 102017105174A1
- 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.)
- Granted
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. Dabei werden die Bilddaten als Trainingsdaten (22) zusammen mit einer sicherheitstechnischen Bewertung gespeichert, die aus dem Verhalten des sicheren Sensors (10, 24) abgeleitet wird.A method of generating training data (22) for an artificial neural network (104) that captures image data of a surveillance area (16) of a security application, wherein in the security application a source of danger (14) is present in the surveillance area (16) through at least one secure sensor (10, 24) is monitored, which triggers a safety-oriented protection of the source of danger (14) when a dangerous situation is detected. In this case, the image data are stored as training data (22) together with a safety-related evaluation, which is derived from the behavior of the safe sensor (10, 24).
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 to a corresponding optoelectronic sensor. The training data is generated from image data of a surveillance 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 security applications are used to protect people from sources of danger, such as represent machines in industrial environments. The machine is monitored by means of sensors, and if there is a situation in which a person threatens to come dangerously close to the machine, an appropriate safeguard 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“).Conventionally, opto-electronic sensors such as light grids or laser scanners are used in particular for safety-related monitoring. More recently, 3D cameras are added. A common protection concept envisages that protective fields are configured which must not be entered by operating personnel during operation of the machine. If the sensor detects an inadmissible protective field intervention, for example a leg of an operator, it triggers a safety-related stop of the machine. Other interference with the protective field, for example due to static machine parts, can be taught in advance as permissible. Often, the protective fields are preceded by warning fields, where interventions initially only lead to a warning in order to prevent the interception of the protective field and thus the protection in good time, thus increasing the availability of the system. Alternatives to protective fields are also known, for instance to ensure that a minimum distance dependent on the relative movement is maintained between machine and 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 extremely reliably and therefore meet high safety requirements, for example EN13849 for machine safety and IEC61496 or EN61496 for non-contact safety devices (ESPE). To meet these safety standards, a number of measures must be taken, such as secure electronic evaluation by redundant, diverse electronics, function monitoring or specially monitoring the contamination of optical components, in particular a windscreen, and / or providing individual test objectives with defined degrees of reflection, among the corresponding Scan angles must be detected.
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 safety sensors with conventional 2D cameras with image evaluation. This would reduce hardware costs, simplify the setup of a security application and increase flexibility. So far, however, this fails due to the fact that a reliable image analysis corresponding to the safety standards is possible only for special cases, and then only at considerable expense 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.Regardless of the safety engineering, considerable progress has been made in the field of artificial neural networks in recent years. This technology achieves broad application maturity through new neural network architectures ("deep learning") and the greatly increased available computing power, especially in the form of modern graphics processors. An important challenge in using neural networks for situation assessment and problem solving is the need to learn the neural network with representative training data. Before the neural network can perform the task reliably, it must be confronted with comparable situations and their predetermined evaluation. Based on these example scenes, the neural network learns the correct behavior. In order to be able to use a representative data set, many such scenes must be recorded and evaluated manually. The procurement of these records is a very big 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 surveillance areas invisible in the real surveillance area. Again, the actual security function remains the domain of the laser scanner alone.
Die
Es ist daher Aufgabe der Erfindung, die sicherheitstechnische Überwachung zu verbessern.It is therefore an object of the invention to improve the 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 above, a source of danger is monitored by at least one safe sensor. The sensor triggers a safety-related reaction when a danger is detected. From the surveillance area, image data is recorded.
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. For the image data, there is already a high-quality safety-related qualification, because the safe sensor has made a clear decision in the situation corresponding to the image data as to whether or not there is a danger. As training data, image data is stored together with a safety assessment 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 also a construction in which an arrangement suitable for a security application with at least one secure sensor supplies image data of a scenario which corresponds to a security situation, for example a test application. It comes to the invention not on an actual risk, but on 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 secure sensors used for security applications are additionally used for generating classified training data records. This automatically creates a training data pool in which the evaluation is not done specifically for the training, but only the safety assessment of the safe sensor is used, which must take place anyway for the safety application. Thus, an important technical prerequisite for the development of secure 2D camera sensors based on neural networks is created. Significant costs are saved for the procurement of training data and their manual classification.
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 evaluated as safety-critical or not safety-critical, depending on whether the safe sensor triggers a safety-related protection at the time the image data is recorded or not. In most security applications, the most important decision is binary, whether or not hedging is required. Therefore, it is to be expected that a neural network is also taught particularly well with a training data set with these two result categories. A safety-related safeguard at the time of recording the image data does not necessarily mean a completely coincidental agreement. There may be deviations at least in the context of the time resolution of safe sensor and image data acquisition, and possibly also 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 development subcategories are still formed, the training data divided into more classes than only in the two categories safety-critical and not safety-critical. Thus, a particular non-safety-critical situation may be present when an object has first been detected in dangerous proximity to the source of danger, but the overall situation is still classified as uncritical, for example because the object is too small or disappears immediately, 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 have at least one image before and / or one image after the triggering of a safety-related protection by the secure sensor. Although it is conceivable that only one picture long was a transient safety-critical situation, the images will usually continue to show a safety-critical situation after a shutdown event. Conversely, the pictures before the switch-off event originate from non-safety-critical situations, since the safe sensor did not respond before. Such image data correspond in turn to borderline cases, which can be particularly valuable for teaching 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. As a secure camera specialized secure evaluation procedures are implemented. A goal of the storage of training data could then be to replace these evaluation methods by the generic evaluation of a neural network and thus allow extensions and changes in the security application. Another example is a secure 3D camera. In 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, light transit time method), which estimates the distance via the phase of the received light and at the same time records 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. The image data is alternatively recorded by an additional non-secure camera. So it creates a combination of a safe sensor for security application and a non-secure camera, which additionally observed the surveillance area. The additional camera can be provided for setting up, waiting or for any other visualization purposes anyway, but also be specially attached to generate training data. The extra cost of a simple camera is low compared to specialized security sensors. Some non-exhaustive examples of such arrangements are a secure laser scanner with a non-secure 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 is preferably transmitted to a server. Server stands here as an umbrella term for any control or computer network, regardless of the specific hardware and type of transmission. This allows the training data to be retrieved remotely. In particular, in this way, numerous security applications over any distances contribute to the construction of a training database ("cloud"). At the same time, productive safety applications and test setups can be included at will. It is conceivable alternatively 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 to train an artificial neural network. Teaching is made possible by the safety-related evaluation stored with the image data. Automated collection and validation creates a large pool of training data that is also suitable for learning 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.The artificial neural network is preferably trained to monitor a source of danger based on image data of the surveillance area to detect whether a dangerous situation exists that requires a safety-oriented protection of the source of danger. The function of the neural network is therefore to assume the safety assessment. But it's not just about reproducing the function of the safe sensor. Rather, the peculiarity of a neural network is to be able to evaluate situations that are not explicitly learned. A 2D camera with the trained neural network is therefore even more flexible than the single safe sensors, with the help of the training data pool was built. The decision of the neural network does not have to be binary, because the hedging measure can also be graded, for example warn, slow down, dodge and only as a last resort an emergency stop.
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.Preferably, after training based on training data, the reliability of the detection is detected. Safety-related proof of reliability is an important step in safety-related approval. The neural network must recognize safety-critical situations with a reliability corresponding to a desired safety level. Instead of or at least facilitating tedious on-the-spot statistical verification in test mode, training data may be used. For this purpose, other parts of the training data are preferably used than for learning 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 designed to record image data and to generate training data according to the method of the invention. For this purpose, the camera preferably has an evaluation unit, with which an external evaluation unit is to be included. In addition, an interface is preferably provided for outputting the training data, wherein the interface may 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 to obtain information about its safety rating.
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 security application with a security laser scanner and a camera for generating evaluated training data; -
2 a schematic representation of another security application with a stereo camera as a secure sensor, which also provides image data for the generation of weighted training data; -
3 an exemplary flowchart of the security application; -
4 an exemplary flowchart of the generation of training data using the safety assessment by a security 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 supply of evaluated training data. In addition, reliability must be demonstrated for safety 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 incorporating various security applications and / or long service lives, a large number and variety of training records are created. It is conceivable to build test applications to generate targeted training data. In addition, you can set situations to be taught specifically and not just use the standard operation. As a result, it is possible in particular to establish intervention situations quickly in succession, in which the command for safety-related shutdown is not carried out under controlled conditions and the time-consuming tedious restarting of the installation is eliminated. In addition, these can be intervention situations that are particularly difficult or critical with regard to a safety assessment, 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, training data are additionally stored with information about which security application they originate from. Then the neural network can be learned more differentiated. A special case is that a higher level of security is desired for a particular application. Then there is the possibility to use only training data of this special application for teaching or even to generate it specially. The neural network will then be able to make a much more accurate and safer decision for this application.
Dabei werden in einem Schritt S1 Daten aus dem Überwachungsbereich erfasst. In einem Schritt S2 werden die erfassten Daten ausgewertet, um zu entscheiden, ob eine sicherheitskritische Situation vorliegt. Das kann auf Basis von Schutzfeldern oder einer Überwachung von Mindestabständen geschehen, wie einleitend erläutert. In einer nicht sicherheitskritischen Situation ist der Zyklus schon beendet, und die Überwachung setzt sich mit Schritt S1 im nächsten Zyklus fort.In this case, data from the monitoring area are acquired in a step S1. In a step S2, the acquired data are evaluated in order to decide whether a safety-critical situation exists. This can be done on the basis of protective fields or monitoring of minimum distances, as explained in the introduction. In a non-safety critical situation, the cycle is already completed and monitoring continues with step S1 in the next cycle.
Im Falle einer sicherheitskritischen Situation wird in einem Schritt S3 eine sicherheitsgerichtete Reaktion ausgelöst, die im Beispiel der
In einem Schritt S12 wird dann geprüft, wie die Sicherheitsanwendung die in den Bilddaten festgehaltene Situation bewertet. Dazu wird die sicherheitstechnische Bewertung aus Schritt S2 herangezogen. Das ist folglich in
Sofern die aktuelle Situation sicherheitskritisch ist, wird dies im beispielhaften Ablauf nach
Nach einer sicherheitskritischen Situation sollte in einem Schritt S14 das Wiederanlaufen der Anlage abgewartet werden. Die bis dahin aufgenommenen Bilddaten während der Maßnahmen zum Wiederanlaufen entsprechen keiner für ein Training relevanten Situation. Der Ablauf beginnt dann wieder in einem neuen Zyklus bei Schritt S11.After a safety-critical situation, the restart of the system should be awaited in a step S14. The image data taken up to then during the measures to restart does not correspond to any situation relevant for a training. The process then starts again in a new cycle in step S11.
War umgekehrt in Schritt S12 die Situation nicht sicherheitskritisch, so ist klar, dass die aktuellen Bilddaten entsprechend bewertet werden. Solche Bilddaten werden in der überwiegenden Zahl der Fälle entstehen und müssen nicht alle gespeichert werden. Daher wird in einem weiteren Schritt S15 geprüft, ob ein zyklisches Speichern beispielsweise einmal pro Stunde erfolgen soll. Ist das der Fall, werden im Schritt S13 die Bilddaten als Trainingsdaten gespeichert. Anschließend kann der Ablauf direkt wieder bei Schritt S11 beginnen, da kein Wiederanlaufen erforderlich ist. Der Ablauf kehrt auch für den neuen Zyklus zu Schritt S11 zurück, wenn die Bilddaten nicht gespeichert werden sollen.Conversely, if the situation was not safety-critical in step S12, then it is clear that the current image data are evaluated accordingly. Such image data are generated in the vast majority of cases and do not all have to be stored. Therefore, in a further step S15, it is checked whether a cyclic storage is to take place, for example, once per hour. If this is the case, the image data are stored as training data in step S13. Thereafter, the process may start directly again at step S11 because no restart is required. The flow also returns to step S11 for the new cycle if the image data is not to be stored.
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
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 2527868 B1 [0007]EP 2527868 B1 [0007]
- EP 2770459 B1 [0009]EP 2770459 B1 [0009]
Claims (10)
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 true DE102017105174A1 (en) | 2018-09-13 |
DE102017105174B4 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678026A (en) * | 2019-03-11 | 2020-09-18 | 西克股份公司 | Machine protection |
CN113591711A (en) * | 2021-07-30 | 2021-11-02 | 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 |
Families Citing this family (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 |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678026A (en) * | 2019-03-11 | 2020-09-18 | 西克股份公司 | Machine protection |
CN111678026B (en) * | 2019-03-11 | 2023-05-16 | 西克股份公司 | Protection of machines |
CN113591711A (en) * | 2021-07-30 | 2021-11-02 | 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 |
Also Published As
Publication number | Publication date |
---|---|
DE102017105174B4 (en) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3200122B1 (en) | Optoelectronic sensor and method for secure detection of objects of at least a certain size | |
DE102017105174B4 (en) | Method for generating training data for monitoring a source of danger | |
DE60017457T2 (en) | PROCEDURE FOR ISOLATING AN ERROR IN ERROR MESSAGES | |
DE102008013366B4 (en) | Method for providing information for driver assistance systems | |
EP2897112B1 (en) | Method and apparatus for the prevention of false alarms in monitoring systems | |
DE102017111885B4 (en) | Method and system for monitoring a machine | |
EP2275989A1 (en) | Stereoscopic 3D camera | |
EP3650740A1 (en) | Safety system and method for monitoring a machine | |
DE102017210787A1 (en) | Method and apparatus for detecting anomalies in a communication network | |
DE102021115221A1 (en) | Secure surveillance of a protected area using a ToF camera | |
EP1472890A1 (en) | Method for verifying the functional reliability of an image sensor and device comprising an image sensor | |
EP3588365A1 (en) | Optoelectronic sensor and method for securely evaluating measurement data | |
EP3572971B1 (en) | Securing a surveillance area with at least one machine | |
EP3229040B1 (en) | Optoelectronic sensor with a measurement data storage device and storage device test method | |
EP3893145B1 (en) | Protection of hazardous location | |
EP2527868B1 (en) | Optoelectronic security sensor to measure distance for monitoring a surveillance area | |
WO2018082836A1 (en) | Method and device for monitoring an image sensor | |
EP4075220B1 (en) | Device and method for identifying changes in a machine arrangement | |
EP3651458B1 (en) | Secure stereo camera and method for testing the functionality of the image sensors | |
WO2015149799A1 (en) | Stereo camera system | |
WO2010046200A1 (en) | Method for monitoring the functionality of an electronic module | |
EP3496398B1 (en) | Secure stereo camera and method for testing the functionality of the image sensors | |
DE102019209228A1 (en) | Method and device for checking the robustness of an artificial neural network | |
DE102009050850B4 (en) | Method and device for monitoring protection and standard areas | |
EP3789832B1 (en) | Device and method for performing a safety function |
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 |