DE102019007319A1 - Kamerabasiertes Wasserbereich Überwachungssystem - Google Patents

Kamerabasiertes Wasserbereich Überwachungssystem Download PDF

Info

Publication number
DE102019007319A1
DE102019007319A1 DE102019007319.3A DE102019007319A DE102019007319A1 DE 102019007319 A1 DE102019007319 A1 DE 102019007319A1 DE 102019007319 A DE102019007319 A DE 102019007319A DE 102019007319 A1 DE102019007319 A1 DE 102019007319A1
Authority
DE
Germany
Prior art keywords
signal
evaluation device
neural network
artificial neural
water area
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Withdrawn
Application number
DE102019007319.3A
Other languages
English (en)
Inventor
Anmelder Gleich
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of DE102019007319A1 publication Critical patent/DE102019007319A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
    • 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
    • G06F18/24133—Distances to prototypes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Alarm Systems (AREA)

Abstract

Trainingsauswerteeinrichtung (9) umfassend eine Eingangsschnittstelle (11), um ein Bildsignal (S1) zu erhalten, wobei das Signal (S1) aus sequentiellen Bildern über eine oder mehrere Personen im und am Wasserbereich besteht, eine zweiten Eingangsschnittstelle (12), um ein Kennzeichen (S2) zu erhalten, wobei das Signal (S2) definiert ob es sich um einen Fehlalarm oder eine reale Ertrinkungsgefahr gehandelt hat, mindestens ein künstliches neuronales Netzwerk (13), wobei die Trainingsauswerteeinrichtung (10) ausgeführt ist, in einer Speisung des künstlichen neuronalen Netzwerks (13) mit dem Signal (S1) und den von neuronales Netzwerk (13) errechneten Wert (R1) mit dem Sollkennzeichen (L1) zu vergleichen und die Gewichtungsfaktoren (w) für Verbindungen (15) von Neuronen (16) des künstlichen neuronalen Netzwerks derart anzupassen, dass eine Übereinstimmung des errechneten Wert (R1) mit dem Sollkennzeichen (S2) maximal ist zum maschinellen Lernen der Erkennung von Ertrinkungsgefahr von Person (2).Ferner betrifft die Erfindung ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks (13), um die Ertrinkungsgefahr einer Person (2) in einem Wasserbereich zu erkennen, und ein Computerprogrammprodukt (20), welches das Verfahren ausführt. Außerdem betrifft die Erfindung eine Einsatzauswerteeinrichtung (10) und ein Überwachungssystems (8) für einen Wasserbereich

Description

  • 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

Claims (6)

  1. Trainingsauswerteeinrichtung (9) zum Anlernen einer Einsatzauswerteeinrichtung (10) zum Einsatz in einem Überwachungssystems (8) für einen Wasserbereich (1) umfassend • eine Eingangsschnittstelle (11), um ein Bildsignal (S1) zu erhalten, wobei das Signal (S1) aus sequentiellen Bildern des Wasserbereich besteht, • einer zweiten Eingangsschnittstelle (12), um ein Sollkennzeichen (S2) zu erhalten, wobei das Signal (S2) definiert ob es sich um einen Fehlalarm oder eine reale Ertrinkungsgefahr gehandelt hat, • mindestens ein künstliches neuronales Netzwerk (13), wobei die Trainingsauswerteeinrichtung (9) ausgeführt ist, in einer Speisung des oder der künstlichen neuronalen Netzwerke (13) mit dem Signal (S1) • die künstlichen neuronales Netzwerke errechnen aus dem Signal (S1) einen Entscheidungswert - Ertrinkungsgefahr oder keine Gefahr - welcher mit den zweiten Signalen (S2) zu verglichen wird und • Gewichtungsfaktoren (w) für Verbindungen (15) von Neuronen (16) der künstlichen neuronalen Netzwerke derart anzupassen, dass eine Übereinstimmung des ersten Signals (S1) mit dem zweiten Signale (S2) maximal ist, • zum maschinellen Lernen des Erkennens von Ertrinkungsgefahr von Person (2) oder Tieren.
  2. Einsatzauswerteeinrichtung (10) zum Einsatz in einem Überwachungssystems (8) für einen Wasserbereich (1) umfassend • mindestens eine Eingangsschnittstelle (11), um Bildsignale (S1) zu erhalten, wobei das Signal (S1) aus sequentiellen Bildern des überwachten Wasserbereich besteht, • wobei die Einsatzauswerteeinrichtung (10) ausgeführt ist, ◯ eine auf eine Bedeutung des Signals (S1), vorzugsweise nach dem Verfahren nach Anspruch 1, trainiertes künstliches neuronales Netzwerk (13) mit dem Signal (S1) zu speisen und ◯ aufgrund einer errechneten Wahrscheinlichkeit einer Ertrinkungsgefahr eine Entscheidung - Ertrinkungsgefahr oder keine Gefahr - über eine Ausgangsschnittstelle (14) auszugeben und ◯ des Signals (S1) im Anschluss an einen Alarm aufzuzeichnen und lokal oder entfernt zu speichern um Anzeichen von Ertrinkung bei einer oder mehreren Person (2) oder Tieren im Wasserbereich zu erkennen und die Reaktion der Personen im Anschluss an einen Alarm aufzuzeichnen um diese Information später in einer Trainingsauswerteeinrichtung (9) nach Anspruch 1 zu nutzen.
  3. Einsatzauswerteeinrichtung (10) zum Einsatz in einem Überwachungssystems (8) für einen Wasserbereich (1) umfassend • mindestens eine Eingangsschnittstelle (11), um Bildsignale (S1) zu erhalten, wobei das Signal (S1) aus sequentiellen Bildern des überwachten Wasserbereich besteht, • wobei die Einsatzauswerteeinrichtung (10) ausgeführt ist, ◯ nach Auslösen des Alarms ein mindestens ein weiteres neuronales Netzwerk mit dem Signal (S1) zu speist welches darauf trainiert ist Gesten von Menschen zu erkennen und entsprechend zu reagieren. ■ Zum Beispiel, würde ein hochgestreckten Daumen bedeuten das es sich um einen Fehlalarm handelt und die Alarmsituation würde beendet ■ Zum Beispiel, könnte ein Heben und Senken beider Arme den Ruf eines Rettungsdienstes veranlassen
  4. Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks (13), um Anzeichen des Ertrinkens von einer oder mehreren Personen (2) in einem überwachten Wasserbereich (1) zu erkennen, umfassend die Schritte: V1: Bereitstellen von einem Signal S1 welches aus Bildinformationen über eine oder mehrerer Personen und ihr Verhalten im und am Wasserbereich besteht, • V2: Speisen des künstlichen neuronalen Netzwerks (13) mit dem Signal (S1) und errechnen eines Ergebniswertes (R1). Der Wert entspricht einer Wahrscheinlichkeit das die beobachtete Person (2) am Ertrinken ist oder nicht, • V3: Vergleichen des Ergebniswertes (R1) mit den Kennzeichen (S2) und • V4: Anpassen von Gewichtungsfaktoren (w) für Verbindungen (15) von Neuronen (16) des künstlichen neuronalen Netzwerks (13) derart, dass eine Übereinstimmung des neuberechneten Ergebniswertes (R1) mit dem Kennzeichen (S2) maximal ist.
  5. Überwachungssystems (8) zur Überwachung eines Wasserbereiches (1) umfassend • mindestens einer Einsatzauswerteeinrichtung nach Anspruch 2 • mindestens einem Umfelderfassungssensor 4 • mindestens einem Alarmgeber (Sirene) 5 • mindestens einem Computerprogrammprodukt 7 • optional eine Telemetrieeinheit 6
  6. Computerprogrammprodukt (20), das ausgeführt ist, in einen Speicher (21) eines oder mehreren Computers (22) geladen zu werden und das Softwarecodeabschnitte aufweist, mit denen die Schritte des Verfahrens nach Anspruch 3 oder 4 ausgeführt werden, wenn das Computerprogrammprodukt (20) auf dem Computer (22) läuft.
DE102019007319.3A 2018-10-23 2019-10-22 Kamerabasiertes Wasserbereich Überwachungssystem Withdrawn DE102019007319A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018008343.9 2018-10-23
DE102018008343 2018-10-23

Publications (1)

Publication Number Publication Date
DE102019007319A1 true DE102019007319A1 (de) 2020-04-23

Family

ID=70468410

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019007319.3A Withdrawn DE102019007319A1 (de) 2018-10-23 2019-10-22 Kamerabasiertes Wasserbereich Überwachungssystem

Country Status (1)

Country Link
DE (1) DE102019007319A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396807A (zh) * 2020-10-27 2021-02-23 西北工业大学 一种落水人员检测识别方法
CN112419665A (zh) * 2020-11-18 2021-02-26 上海电机学院 一种基于目标检测的人类近水安全监测报警方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396807A (zh) * 2020-10-27 2021-02-23 西北工业大学 一种落水人员检测识别方法
CN112419665A (zh) * 2020-11-18 2021-02-26 上海电机学院 一种基于目标检测的人类近水安全监测报警方法

Similar Documents

Publication Publication Date Title
DE60005380T2 (de) Überwachungssystem
DE102007038392B4 (de) Vorrichtung und Verfahren zur Vorhersage eines Kontrollverlustes über einen Muskel
DE102019007319A1 (de) Kamerabasiertes Wasserbereich Überwachungssystem
EP1957309A1 (de) Verfahren und vorrichtung zur fahrerzustandserkennung
DE102008007149B4 (de) Verfahren und Vorrichtung zum Erzeugen, Steuern und Auslösen eines Warnsignals in einem Kraftfahrzeug
DE112011105445B4 (de) Rote-Augen-Bestimmungsvorrichtung
EP3499473A1 (de) Automatisiertes detektieren von gefahrensituationen
WO2020048666A1 (de) Überwachungsvorrichtung und verfahren zur mann-über-bord-überwachung
DE102009022555A1 (de) Verfahren und Vorrichtung zur Überwachung von Personen
DE112017005263T5 (de) Echtzeit-aktivitätsüberwachung unter verwendung von thermo-tags
DE102015208771B3 (de) Vorrichtung und Verfahren zur Diebstahlerkennung
DE102016210014B4 (de) Überwachungsvorrichtung, Fahrzeugsteuervorrichtung und Überwachungsverfahren
DE112017007247T5 (de) Bildverarbeitungsvorrichtung
EP1026632B1 (de) System und Verfahren zur Bildauswertung
CN111553264A (zh) 一种适用于中小学生的校园非安全行为检测及预警方法
DE102019209463A1 (de) Verfahren zur Bestimmung eines Vertrauenswertes eines Objektes einer Klasse
DE102017219269A1 (de) Klassifizierung mit automatischer Auswahl aussichtsreicher Lerndaten
DE102019127826B4 (de) Sicherer optoelektronischer Sensor und Verfahren zum Absichern eines Überwachungsbereichs
WO2021083463A1 (de) System zum erfassen eines mensch-über-bord-ereignisses
DE102020215885A1 (de) Verfahren und system zur erkennung und mitigation von störungen
DE102020209987A1 (de) Vorrichtung und Verfahren zum Verarbeiten von Umfeldsensordaten
EP3779619A1 (de) Emergente risiken eines technischen systems
DE102018217219B4 (de) Verfahren zum Ermitteln einer dreidimensionalen Position eines Objekts
AT502241B1 (de) Verfahren und anordnung zur feststellung der abweichung von ermittelten werten
DE102009053395B4 (de) System und Verfahren zur Überwachung von Zielobjekten

Legal Events

Date Code Title Description
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: A47G0029120000

Ipc: G08B0021080000

R012 Request for examination validly filed
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee