-
Die Erfindung bezieht sich auf eine Trainingsauswerteeinrichtung und ein Verfahren zum maschinellen Lernen des Erkennens von Ertrinkungssituationen, gemäß Anspruch 1 und 3. Ferner bezieht sich die Erfindung auf ein Computerprogrammprodukt gemäß Anspruch 4, welches das erfindungsgemäße Verfahren ausführt. Des Weiteren bezieht sich die Erfindung auf eine Einsatzauswerteeinrichtung, um das Ertrinkens einer Person in einem Wasserbereich zu erkennen und einen Alarm auszulösen gemäß Anspruch 2. Außerdem bezieht sich die Erfindung auf einen erfindungsgemäßen Überwachungssystems für einen Wasserbereich gemäß Anspruch 5.
-
Jedes Jahr ertrinken mehrere Tausend Menschen im eigenen Schwimmbad und bei kleinen Kindern ist Ertrinken die zweithäufigste Todesursache. Selbst kurze Momente der Unaufmerksamkeit können gefährlich sein. Unfallprävention sollte dementsprechend bei jedem Schwimmbad-Besitzer höchste Priorität genießen.
-
Der Stand der Technik kennt bauliche Maßnahmen zur Absicherung von Wasserflächen. Zum Beispiel eine Mauer oder einen Zaun. Nachteile sind dabei, neben den hohen Kosten und den ästhetischen Standpunkt, der Ideenreichtum der Kinder bei der Überwindung solcher Barrieren. Eine andere Variante ist eine den Wasserbereich abdeckende Konstruktion welche aber den Nachteil aufweist, dass die Abdeckung nach Benutzung wieder platziert werden muss.
-
Der Stand der Technik kennt auch den Wasserbereich sichernde Alarmgeräte verschiedenster Art mit unterschiedlichen, im Folgenden dargestellten, Nachteilen.
-
Auf Wellenschlag bzw. auf eine Erhöhung des Wasserstands reagierendes Alarmsysteme, welche entweder frei schwimmend oder am Becken- beziehungsweise am Teichrand montiert werden. Ein großes Problem dieser Systeme ist es Fehlalarme zu vermeiden, ausgelöst zum Beispiel durch Wind, aber trotzdem Notsituation sicher zu erkennen. Die liegt daran das kleine Kinder manchmal beim Ertrinken nur sehr geringer Wellen Erzeugung. Ein weiterer noch grösserer Nachteil dieser Systeme ist, dass das System während der „normalen Badenutzung“ deaktiviert werden muss und die Gefahr besteht das die, nach Nutzung notwendige Aktivierung vergessen wird.
-
Der Stand der Technik kennt auch Alarmsysteme, bei dem Kinder einen Sensor, in der Regel in Form eines Armbands, tragen. Falls der Sensor einen definierten Zeitraum unter Wasser erkennt wird eine Alarm auslöst. Der Nachteil dieser Lösung ist, dass nur ein Alarm ausgelöst wird wenn der Sensor zum Gefahrenzeitpunkt getragen wird.
-
Der Stand der Technik kennt auch auf Unterwasserkameras basierende Systeme welches Personen am Beckenboden, erkennt. Ein Nachteil dieses Systems besteht darin, dass die Gefahr des Ertrinkens erst zu einem späten Zeitpunkt erkannt wird. Zusätzlich ist der Einsatz von bei Kameras im Unterwasserbereich, insbesondere beim Einsatz in öffentlichen Schwimmbädern, bezüglich des Schutzes der Privat- und Intimsphäre von Personen problematisch.
-
Hier setzt die Erfindung an. Der Erfindung hat die Aufgabe zugrunde gelegen, eine Auswerteeinrichtung und ein Verfahren für ein Überwachungssystems von Wasserflächen bereitzustellen, dass die Gefahr des Ertrinkens einer Person frühzeitig erkennt, automatisch Warnung verschiedener Intensitäten in Abhängigkeit der Schwere der Gefahr auslöst und dabei die zuvor genannten Nachteile vermeidet.
-
Die Aufgabe wird gelöst durch eine Trainingsauswerteeinrichtung, mit den Merkmalen des Anspruchs 1. Ferner wird die Aufgabe gelöst durch ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerkes, um die Gefahr des Ertrinkens einer Person zu erkennen, nach Anspruch 3. Außerdem wird die Aufgabe gelöst durch ein Computerprogrammprodukt mit den Merkmalen des Anspruchs 4. Des Weiteren wird die Aufgabe gelöst durch eine Einsatzauswerteeinrichtung für die Überwachung eine Wasserfläche mit den Merkmalen des Anspruchs 2. Die Aufgabe wird insbesondere auch gelöst durch eine Verwendung eines erfindungsgemäßen Überwachungssystems für einen Wasserbereich nach Anspruch 5.
-
Die erfindungsgemäße Trainingsauswerteeinrichtung zum Anlernen einer Einsatzauswerteeinrichtung zum Einsatz in einem Überwachungssystem für einen Wasserbereich umfasst mindestens eine Eingangsschnittstelle, um sequentielle Bildinformationen über einer oder mehreren Personen im und am Wasserbereich zu erhalten. Ferner umfasst die Trainingsauswerteeinrichtung mindestens zwei künstliche neuronales Netzwerke. Einem neuronalen Netz zum Erkennen der Ertrinkungssituation und einem zweiten neuronalen Netz welches erst nach Auslösung des Alarms zum Einsatz kommt. Wenn nicht genauer spezifiziert bezieht sich die Beschreibung immer auf der erste Neuronale Netz.
-
Die Trainingsauswerteeinrichtung ist ausgeführt, in einer Speisung der künstlichen neuronalen Netzwerke mit Bildinformationen. Des Weiteren ist die Trainingsauswerteeinrichtung ausgeführt, Gewichtungsfaktoren für Verbindungen von Neuronen des künstlichen neuronalen Netzwerks derart anzupassen, dass eine Alarmentscheidung mit der ausgewerteten Reaktion auf den Alarm, wie zum Beispiel Fehlalarm oder echte Notfallsituation, abgeglichen wird.
-
Eine Auswerteeinrichtung ist eine Vorrichtung, die eingehende Informationen verarbeitet und ein aus dieser Verarbeitung resultierendes Ergebnis ausgibt. Insbesondere ist eine elektronische Schaltung, wie zum Beispiel eine zentrale Prozessoreinheit oder ein Grafikprozessor, eine Auswerteeinrichtung. Eine Trainingsauswerteeinrichtung ist eine Auswerteeinrichtung, die sich in einer Trainingsphase oder Lernphase befindet zum maschinellen Lernen eines Verhaltens. Nach der Trainingsphase ist das Verhalten erlernt und die Auswerteeinrichtung kann als Einsatzauswerteeinrichtung eingesetzt werden, um zweckgerichtet auf neue Informationen zu reagieren.
-
Der Überwachungsbereich umfasst eine Wasserfläche welche so tief ist das eine Gefahr des Ertrinkens besteht sowie die nähere Umgebung.
-
Eine Schnittstelle ist eine Einrichtung zwischen wenigstens zwei Funktionseinheiten, an der ein Austausch von logischen Größen, zum Beispiel Daten, oder physikalischen Größen, zum Beispiel elektrischen Signalen, erfolgt, entweder nur unidirektional oder bidirektional. Der Austausch kann analog oder digital erfolgen. Der Austausch kann ferner drahtgebunden oder drahtlos erfolgen.
-
Die Eingangsschnittstelle ist vorzugsweise eine Schnittstelle zu einem Umfelderfassungssensor und/oder einem System von Umfelderfassungssensoren, vorzugsweise einem Bildsensor einer Kamera und/oder einer Wärmebildkamera. Die Trainingsauswerteeinrichtung ist vorteilhafterweise ausgeführt, die Daten einzelner Umfelderfassungssensoren eines Systems von Umfelderfassungssensoren zu fusionieren. Alternativ zu einem Bildsensor einer Kamera, kann die Schnittstelle aber auch mit vorab aufgenommenen oder künstlich erzeugten Daten arbeiten.
-
Ein künstliches neuronales Netzwerk ist ein Algorithmus, der auf einer elektronischen Schaltung ausgeführt wird und am Vorbild des neuronalen Netzwerks von biologischen Gehirnen programmiert ist. Funktionseinheiten eines künstlichen neuronalen Netzwerks sind künstliche Neuronen, deren Output sich im Allgemeinen als Wert einer Aktivierungsfunktion ausgewertet über eine gewichtete Summe der Inputs plus einem systematischen Fehler, dem sogenannten Bias, ergibt. Durch Testen von mehreren vorbestimmten Inputs, auch Soll-Trainingsdaten genannt, mit verschiedenen Gewichtungsfaktoren und/oder Aktivierungsfunktionen werden künstliche neuronale Netzwerke, ähnlich dem menschlichen Gehirn, trainiert. Soll-Trainingsdaten sind positive Trainingsdaten, mit denen das künstliche neuronale Netzwerk wahre Informationen lernt. Soll-Trainingsdaten sind mit der Bedeutung der Information gelabelt, das heißt gekennzeichnet, damit das künstliche neuronale Netzwerk eine Information semantisch erfassen kann.
-
Das Trainieren eines künstlichen neuronalen Netzwerks mit Hilfe von Soll-Trainingsdaten, wird maschinelles Lernen genannt. Eine Teilmenge des maschinellen Lernens ist das tiefgehende Lernen, das sogenannte Deep Learning, bei dem eine Reihe hierarchischer Schichten von Neuronen, sogenannten Hidden Layers, genutzt wird, um den Prozess des maschinellen Lernens durchzuführen. Ein künstliches neuronales Netzwerk mit mehreren Hidden Layers ist ein Deep Neural Network.
-
Zu Beginn der Trainingsphase ist das erhaltene Ist-Kennzeichen in der Regel verschieden von dem eingegebenen Soll-Kennzeichen. In der Trainingsphase wird der Fehler zwischen Ist- und Soll-Kennzeichen minimiert, in der Regel nach der Methode der kleinsten Quadrate. Nach der Trainingsphase hat das künstliche neuronale Netzwerk den Lernprozess abgeschlossen und ist trainiert, das heißt einsatzbereit. Bei einem trainierten künstlichen neuronalen Netzwerk sind die erhaltenen Ist-Kennzeichen annähernd gleich den Soll-Kennzeichen.
-
In der Trainingsphase werden mit Gewichtungsfaktoren Verbindungen zwischen Neuronen bewertet. Vorwärtsspeisen, im Englischen als forward propagation bezeichnet, bedeutet, dass eine Information in die Eingangsschicht des künstlichen neuronalen Netzwerks eingespeist wird, die folgenden Schichten durchläuft und in der Ausgabeschicht ausgegeben wird. Rückwärtsspeisen, im Englischen als back-ward propagation bezeichnet, bedeutet, dass eine Information in die Ausgabeschicht eingegeben wird und in der Eingangsschicht ausgegeben wird. Durch sukzessives Rückwärtsspeisen des Fehlers aus der Ausgabeschicht in die jeweils vorherige Schicht bis hin zur Eingangsschicht werden die Fehler der jeweiligen Schichten erhalten. Die Fehler sind eine Funktion der Gewichtungsfaktoren. Durch Minimierung des Fehlers in der Trainingsphase werden damit die Gewichtungsfaktoren geändert. Dadurch wird bei erneutem Einspeisen eine Annäherung an die gewünschte Ausgabe erreicht. Die Rückwärtsspeisung ist ausführlich in Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press, 2015, beschrieben.
-
Ein trainiertes künstliches neuronales Netzwerk zeichnet sich durch zweckgerichtetes Reagieren auf neue Informationen aus.
-
Beispiele künstlicher neuronaler Netzwerke sind konvolutionale oder rekurrente neuronale Netzwerke. Konvolutionale künstliche neuronale Netzwerke zeichnen sich durch eine zwei-oder dreidimensionale Anordnung von Neuronen und geteilte Gewichtungsfaktoren aus und werden insbesondere für Bilderkennung, bei der der Input ein Graubild oder ein Bild in einem dreidimensionalen Farbraum und damit eine zwei- oder dreidimensionale Matrix ist, eingesetzt. Ein rekurrentes, auch rückgekoppeltes, neuronales Netzwerk ist ein Netzwerk, das sich durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnet. Praktische Anwendungen finden künstliche rekurrente neuronale Netzwerke allgemein bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern. Beispiel dafür sind Schrifterkennung, Spracherkennung, Maschinenübersetzung aber auch Maschinenübersetzung von Bild zu Wort.
-
Durch die erfindungsgemäße Trainingsauswerteeinrichtung werden mit künstlicher Intelligenz einer Einsatzauswerteeinrichtung typische Anzeichen die auf eine Ertrinkungssituation hinweisen antrainiert. Solche Anzeichen für Ertrinken wurden zum Beispiel von Dr. Pia in einem Artikel im Coast Guard's On Scene Magazine umfassend beschrieben.
-
Das erfindungsgemäße Computerprogrammprodukt ist ausgeführt, in einen Speicher eines Computers geladen zu werden. Das Computerprogrammprodukt weist Softwarecodeabschnitte auf, mit denen die Schritte des erfindungsgemäßen Verfahrens ausgeführt werden, wenn das Computerprogrammprodukt auf dem Computer läuft.
-
Ein Computer ist eine Einrichtung zum Verarbeiten von Daten, die mittels programmierbarer Rechenvorschriften Daten verarbeiten kann. Eine Auswerteeinrichtung kann ein Computer sein ebenso enthalten viele Kameras bereits einen Computer.
-
Computerprogrammprodukte umfassen in der Regel eine Folge von Befehlen, durch die die Hardware bei geladenem Programm veranlasst wird, ein bestimmtes Verfahren durchzuführen, das zu einem bestimmten Ergebnis führt. Wenn das betreffende Programm auf einem Computer zum Einsatz kommt, ruft das Computerprogrammprodukt einen technischen Effekt hervor, nämlich das Erhalten eines zweiten Steuer-befehls.
-
Ein Speicher ist ein Medium für die Sicherung von Daten.
-
Software ist ein Sammelbegriff für Programme und zugehörigen Daten. Das Komplement zu Software ist Hardware. Hardware bezeichnet die mechanische und elektronische Ausrichtung eines Daten verarbeitenden Systems.
-
Mit dem erfindungsgemäßen Computerprogrammprodukt kann ein künstliches neuronales Netzwerk besonders einfach trainiert werden, auf Anzeichen von Ertrinken zweckgerichtet zu reagieren.
-
Die Erfindung wird anhand der folgenden Figuren näher erläutert. Es zeigen:
- ein Ausführungsbeispiel eines erfindungsgemäß überwachten Wasserbereiches mit einer Person im Wasser,
- ein Ausführungsbeispiel eines erfindungsgemäß überwachten Wasserbereiches mit einer Person im Wasser, welche Anzeichen zeigt, die auf ein Ertrinken hinweisen,
- ein Ausführungsbeispiel eines erfindungsgemäß überwachten Wasserbereiches, ausgelöstem Alarm und einer Person im, und einer Personen außerhalb des Wassers,
- ein Ausführungsbeispiel einer erfindungsgemäßen Einsatzauswerteeinrichtung,
- ein Ausführungsbeispiel einer erfindungsgemäßen Trainingsauswerteeinrichtung,
- ein Ausführungsbeispiel eines erfindungsgemäßen Überwachungssystems,
- ein Ausführungsbeispiel eines erfindungsgemäßen Computerprogrammproduktes und
- ein schematischer Ablauf eines erfindungsgemäßen Verfahrens.
-
In den Figuren bezeichnen gleiche Bezugszeichen gleiche Bezugsteile. In den jeweiligen Figuren sind die jeweils relevanten Bezugsteile mit Bezugszeichen versehen.
-
zeigt ein Wasserbecken 1 mit einer Person 2 im Wasser. Der Wasserbereich wird mit einem Überwachungssystem 8 wie in überwacht. Die Person bewegt sich zielgerichtet durch das Wasser und Kopf und Mund sind regelmäßig über der Wasseroberfläche sichtbar. Das Überwachungssystem bewertet die empfangenden Bildsignale als eine normale Schwimmsituation ohne Gefahr des Ertrinkens. Daher wird kein Alarm ausgelöst.
-
zeigt ein Wasserbecken 1 mit einer Person 2 im Wasser. Der Wasserbereich wird mit einem Überwachungssystem 8 wie in überwacht. Die Person bewegt sich nicht zielgerichtet durch das Wasser, Kopf und Mund sind selten und unregelmäßig über der Wasseroberfläche sichtbar. Das Überwachungssystem bewertet das empfangende Bildsignal als eine Gefahrensituation. Dadurch wird ein Alarmsignal durch den Alarmgeber 5 ausgelöst. Zudem wird das Bildsignal S1 welches zum Alarm führte bis zum Ausschalten des Alarms gespeichert. Die Speicherung kann entweder lokal oder entfernt erfolgen.
-
zeigt ein Wasserbecken 1 mit einer Person 2 im Wasser. Der Wasserbereich wird mit einem Überwachungssystem 8 wie in , überwacht. Der Alarm wurde vor kurzem ausgelöst, wie in , da die Person im Wasser als vom Ertrinken gefährdet eingestuft wurde. Die Person 2 bewegt sich jetzt aber wieder zielgerichtet durch das Wasser, ihr Kopf und Mund sind regelmäßig sichtbar. Die Person 1 am Beckenrand zeigt durch ein Handzeichen -Daumen hoch- dass es sich um keine Gefahrensituation handelt. Das Handzeichen wird von dem zweiten neuronalen Netzwerk erkannt. Das Handzeichen, aber auch ein zielgerichtet schwimmen signalisieren dem Überwachungssystem 8 das der zuvor ausgelöste Alarm ein Fehlalarm war. Das Alarmsignal 5 wird daraufhin gestoppt und das Bildsignal S1 wird nicht mehr weiter gespeichert. Die abgespeichert Bilddaten die zu diesem Ereignis gehören, also die Bilddaten ab dem Auslösen des Alarms bis zum Abschalten des Alarms werden an eine zentrale Instanz gesendet um später an die Trainingsauswerteeinrichtung 9 geschickt. Da es sich um einen Fehlalarm handelte wir das zu dem Bildmaterial dazugehörige Sollkennzeichen L1 auf „Keine Gefahr“ gesetzt. Dies ist ein automatisches Labeln welches später beim Trainieren des neuronalen Netzwerkes in der Trainingseinheit zum Einsatz kommt.
-
zeigt ein Ausführungsbeispiel einer erfindungsgemäßen Einsatzauswerteeinrichtung 10, welche ein künstliches neuronales Netzwerk 13 ausführt. Neuronen 16 des künstlichen neuronalen Netzwerks 13 weisen Verbindungen 15 zu anderen Neuronen 16 des künstlichen neuronalen Netzwerks 13 auf, um eine bestimmte strukturelle und funktionale Anordnung von Schichten von Neuronen zu erhalten. Die einzelnen Verbindungen 15 sind mit Gewichtungsfaktoren wi gewichtet. Das künstliche statusbehaftete neuronale Netzwerk 13 wird über die Schnittstelle 11 mit dem Signal S1 gespeist. Das ermittelte Ergebnis R1 wird über eine Ausgangsschnittstelle 14 ausgegeben.
-
zeigt ein Ausführungsbeispiel der Trainingsauswerteeinrichtung. Diese besteht aus der unter dargestellten Einsatzauswerteeinrichtung 10 welche mit Trainingsdatensets trainiert wird. Die Trainingsdatensets bestehen jeweils aus einem Bildsignalen Sj und einen dazugehörigen gewünschten Sollkennzeichen Lj . Die Bildsignals Sj werden in die Einsatzauswerteeinrichtung gespeist und der Ergebniswert Rj wird mit dem dazugehörigen Sollkennzeichen Lj verglichen was zur Abweichung 25 führt. Im Anschluss werden die Gewichtungsfaktoren wi so angepasst das die Abweichung zwischen Rj und Lj minimiert wird.
-
Während der Trainingsphase werden die Gewichtungsfaktoren wi eingestellt. Das Verfahren kann auf der Trainingsauswerteeinrichtung 9 wie in oder auf einem Computerprogrammprodukt 20 wie in gezeigt ausgeführt werden. Dazu weist das Computerprogrammprodukt 20 Softwarecodeabschnitte auf, durch die das Verfahren ausgeführt wird, wenn das Computerprogrammprodukt in einem Speicher 21 eines Computers läuft. Vorzugsweise weist der oder die Computer einen oder mehrerer Grafikprozessoren auf die über ausreichend Rechenkapazität verfügt, um möglichst viele Informationen in kürzester Zeit mit dem künstlichen neuronalen Netzwerk 13 zu prozessieren.
-
zeigt ein Ausführungsbeispiel des Überwachungssystems 8 bestehend aus einem Umfelderfassungssensor 4, einem Computerprogrammprodukt 7 auf dem die Einsatzauswerteeinrichtung 10 ausgeführt wird, einen Alarmgeber 5 in diesem Falle eine Sirene und einer optionalen Telemetrieeinheit 6. Alle Komponenten befinden sich innerhalb eines Gehäuses 23 oder sind an diesem befestigt.
-
zeigt ein Ausführungsbeispiel eines Computerprogrammprodukt 20. Dazu weist das Computerprogrammprodukt 20 Softwarecodeabschnitte auf, durch die das Verfahren ausgeführt wird, wenn das Computerprogrammprodukt in einem Speicher 21 eines Computers 22 läuft. Vorzugsweise weist der Computer ein Grafikprozessor auf, über ausreichend Rechenkapazität verfügt, um möglichst viele Informationen in kürzester Zeit mit dem künstlichen neuronalen Netzwerk 13 zu prozessieren.
-
stellt das Verfahren zum Trainieren des künstlichen neuronalen Netzwerks 13 dar. In einem Verfahrensschritt V1 werden wird das Signal Sj der Person 2 bereitgestellt. In einem Verfahrensschritt V2 wird das künstliche neuronale Netzwerk 13 mit dem Signal Sj gespeist und das Ergebnis Rj welches eine Wahrscheinlichkeit der Ertrinkungsgefahr darstellt errechnet. In einem Schritt V3 wird das Ergebnis Rj mit dem Sollkennzeichen Lj (Label) verglichen. In einem Schritt V4 werden die Gewichtungsfaktoren wi für die Verbindungen 15 der Neuronen 16 des künstlichen neuronalen Netzwerks 13 derart angepasst, dass eine Übereinstimmung des errechneten Wertes Rj als Funktion(Sj ) mit dem Kennzeichen Lj maximal ist. Dieses Verfahren ermöglicht es mit ausreichend vielen Daten unter häufiger Wiederholung der Schritte V1-V4 ein künstliches neuronales Netzwerk 13 zu trainieren Anzeichen von Ertrinken zu erkennen. Das Verfahren kann auf der Trainingsauswerteeinrichtung 10 oder auf einem Computerprogrammprodukt 20 wie in gezeigt ausgeführt werden. Dazu weist das Computerprogrammprodukt 20 Softwarecodeabschnitte auf, durch die das Verfahren ausgeführt wird, wenn das Computerprogrammprodukt in einem Speicher 21 eines Computers 22 läuft. Vorzugsweise weist der Computer ein Grafikprozessor auf, über ausreichend Rechenkapazität verfügt, um möglichst viele Informationen in kürzester Zeit mit dem künstlichen neuronalen Netzwerk 13 zu prozessieren.
-
Bezugszeichenliste
-
- 1
- Wasserbecken
- 2
- Person im Wasser
- 3
- Person ausserhalb des Wassers
- 4
- Umfelderfassungssensor (e.g. Kamera)
- 5
- Alarmgeber
- 6
- Telemetrieeinheit
- 7
- Computer / Mainboard
- 8
- Überwachungssystems
- 9
- Trainingsauswerteeinrichtung
- 10
- Einsatzauswerteeinrichtung
- 11
- Eingangsschnittstelle
- 12
- Eingangsschnittstelle für Sollkennzeichen
- 13
- künstliches neuronales Netzwerk
- 14
- Ausgangsschnittstelle
- w
- Gewichtungsfaktor
- 15
- Verbindung
- 16
- Neuron
- 20
- Computerprogrammprodukt
- 21
- Speicher
- 23
- Gehäuse
- 25
- Abweichung