DE102021116957A1

DE102021116957A1 - Verfahren und Vorrichtung zur automatisierten Waldbrabdfrüherkennung mittels optischer Detektion von Rauchereignissen

Info

Publication number: DE102021116957A1
Application number: DE102021116957.7A
Authority: DE
Inventors: Kurt Winter
Original assignee: IQ Technologies for Earth and Space GmbH
Current assignee: IQ Technologies for Earth and Space GmbH
Priority date: 2021-07-01
Filing date: 2021-07-01
Publication date: 2023-01-05

Abstract

1. Verfahren zur automatisierten Waldbrandfrüh-erkennung mittels optischer Detektion von Rauchereignissen, wobei die Rauchergebnisse von merkmalbasierten Algorithmen und Verfahren unter Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI), die voneinander unabhängige Detektionsverfahren beinhalten, kombiniert werden.2. Vorrichtung (10) zur Durchführung des erfindungsgemäßen Verfahrens.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur automatisierten Waldbrandfrüherkennung mittels optischer Detektion von Rauchereignissen, wobei die Rauchergebnisse von merkmalbasierten Algorithmen und Verfahren unter Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI), die voneinander unabhängige Detektionsverfahren beinhalten, kombiniert werden.
Dabei werden die Rauchergebnisse von merkmalbasierten Algorithmen und Verfahren unter Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI), die voneinander unabhängige Detektionsverfahren beinhalten, auf neuartige Art und Weise kombiniert, so dass eine Verbesserung der Leistungsfähigkeit und Detektionssicherheit des Branderkennungsverfahrens erreicht werden kann.
Waldbrände waren schon immer ein verheerendes Ereignis mit massiven Folgen für die Natur, den Kohlendioxid-Ausstoß, die Holzwirtschaft und die menschliche Bevölkerung. Aufgrund des Klimawandels, sozioökonomischer Veränderungen und der allgemeinen Bevölkerungsentwicklung wird sich die Situation bei Waldbränden weiter verschlechtern und deren Bekämpfung an Bedeutung gewinnen. Große Brände in jüngster Zeit in Australien, den USA, Russland, Deutschland und anderen Teilen der Welt zeigen, dass man sich einem weltweiten Problem stellen muss.
Neben der Vorbeugung von Waldbränden ist die frühzeitige Erkennung von Waldbränden die beste Möglichkeit, den Schaden für die Natur, für den Erholungswert und die Gesundheit sowie die Wirtschaft zu minimieren. Je früher ein Feuer entdeckt wird, desto früher kann es gelöscht werden und desto weniger Fläche wird zerstört. Die Flammen von Waldbränden sind in einem frühen Stadium oft nicht direkt sichtbar, da ein Bodenfeuer durch das Baumwerk optisch verdeckt wird und die thermische Energie zu klein ist, um sie aus größerer Entfernung gegenüber der normalen Umgebungstemperatur sicher zu unterscheiden. Jedoch sind beginnende Bodenfeuer in der Regel mit vergleichsweise großen Rauchwolken verbunden, die noch dazu nach oben über die Wipfelhöhen hinaus aufsteigen. Rauch ist das durch die Verbrennung entstehende Aerosol in feinstverteilter Form aus Staubpartikeln (Ruß, Flugasche, Unverbranntes) und Flüssigkeitströpfchen (Wasser, Öldämpfe u.ä.) im Abgas.
Daher ist für die frühzeitige Erkennung von Waldbränden ein Übergang zur Detektion von Rauchwolken sinnvoll und notwendig.
Traditionelle Methoden zur Waldbranderkennung sind Notrufe von Bürgern, Beobachtungen aus der Luft per Flugzeug oder eine gezielte Überwachung von brandgefährdeten Waldflächen durch Wachpersonal auf Feuerwachtürmen, die immer noch in vielen Gegenden auf der Welt weit verbreitet sind. Diese Überwachung durch den Menschen ist jedoch zeitaufwändig, ermüdend und monoton und zudem teuer und fehlerbehaftet.
Aus diesem Grund wurden neue Wege zur Erkennung von Waldbränden entwickelt, indem automatisierte Detektionssysteme eingesetzt werden. Stand der Technik sind stationäre Sensoren, die auf exponierten terrestrischen Standorten (Türme, Masten usw.) installiert sind und der optischen Erkennung von Rauch und/oder Feuer dienen. Die mit den Sensoren aufgenommenen Bilder oder Bildsequenzen (Sensordatensätze) von zu überwachenden Waldflächen werden computergestützt mit Bildverarbeitungsmethoden prozessiert und auf das Vorhandensein von charakteristischen Merkmalen von Rauch und/oder Feuer bewertet. Zumindest für die frühestmögliche Branderkennung nutzen die automatischen Erkennungsalgorithmen die aufsteigenden Rauchwolken, da diese meist besser als Flammen sichtbar sind.
Ist das Ergebnis des Detektionsalgorithmus positiv, d.h. die Bewertung des Sensordatensatzes führte zu einer Interpretation als „Rauch“, wird eine entsprechende Meldung generiert und an verantwortliche Stellen (z.B. Notrufzentrale, Überwachungspersonal) für nachfolgende Aktionen weitergeleitet.
So werden beispielsweise mit Kamera-Systemen und speziell geschultem Personal eine flächendeckende und effektive Überwachung gewährleistet. Erkennt ein Kamerasensor eine Rauchwolke, erfolgt an einem der Arbeitsplätze beispielsweise in einer Waldbrandzentrale eine Alarmmeldung. Erkannte Brände werden sodann an die zuständige Leitstelle der Feuerwehr bzw. der zuständigen Brandbekämpfer gemeldet.
Dabei erkennen Sensoren die typischen Grauwerte einer Rauchwolke in der Frühphase eines Waldbrandes. Die bekannten Verfahren und Vorrichtungen detektieren automatisch eine kritische Situation und senden online über eine Breitband-Anbindung per Funk oder leitungsgebunden einen Alarm an die nächste Waldbrandzentrale. Dort erfolgt eine erneute Prüfung durch Mitarbeiter, bevor die Meldung an die Leitstellen der Feuerwehren weitergeleitet wird. Die Systeme beobachtet permanent (beispielsweise 360° in 6 Minuten) die Umgebung. Bei einem Radius von 15-20 km können mehr als 700 km2 überwacht werden. Auf einem Arbeitsplatz in den Zentralen werden mehrere Systeme überwacht und ausgewertet.
Inzwischen weisen neueste automatisierte Systeme bereits eine sehr hohe Erkennungssicherheit für beginnende Brände auf, so dass Brände in Entfernungen bis zu mehreren 10km innerhalb weniger Minuten nach Entstehung mit hoher Wahrscheinlichkeit erfolgreich detektiert werden können.
Allerdings ist Rauch ein schwer zu erkennendes Objekt, das häufig optisch transparent ist und kaum eigene Farbanteile aufweist. Sein Abbild ist nicht starr, sondern unregelmäßig, sehr vielfältig und ist einer hohen zeitlichen Dynamik durch das Feuer selbst sowie externe Einflüsse wie Wind unterworfen. Darüber hinaus treten nur geringe Temperaturunterschiede des Rauches gegenüber der Umgebung auf. Infolgedessen ist Rauch physikalisch und mathematisch-geometrisch schwer zu beschreiben.
Das führt im praktischen Einsatz dazu, dass die Ergebnisse der Detektionsalgorithmen fehlerhaft sein können. Prinzipiell sind Fehler zum einen dahingehend möglich, dass Sensordatensätze, die tatsächlich Rauch enthalten, kein positives Detektionsergebnis liefern. Zum anderen kann das Detektionsergebnis positiv sein, obwohl tatsächlich kein Rauch im Sensordatensatz enthalten ist. Beide Fehlerarten sind unerwünscht und zu vermeiden.

Zur Evaluierung der Algorithmen lassen sich die prinzipiell möglichen Detektionsergebnisse anschaulich in Tabellenform wie folgt darstellen und quantitativ beschreiben:

Detektionsergebnis	Rauch im Daten- satz	Kein Rauch im Datensatz
positives Detektionsergeb- nis	richtig positiv (A)	falsch positiv (B)
negatives Detektionser- gebnis	falsch negativ (C)	richtig negativ (D)

Für diese grundsätzlich möglichen Detektionsergebnisse gibt es eingeführte Begriffe, die aus der mathematischen Theorie der Hypothesentests stammen. Die Rauchdetektion in einem Sensordatensatz wird dabei als Test auf die Hypothese „Ist Rauch-Inhalt im Sensordatensatz?“ mit den möglichen Entscheidungen „ja“ oder „nein“ beschrieben.
Die Sensitivität ergibt sich als Verhältnis der richtig positiven Detektionsergebnisse zur Gesamtzahl der Tests mit Datensätzen, in denen tatsächlich Rauch vorhanden ist, d.h. sie entspricht der richtig-positiv Rate A / (A + C).
Die Spezifität ist das Verhältnis der richtig negativen Detektionsergebnisse zur Gesamtzahl der Tests mit Datensätzen, in denen tatsächlich kein Rauch vorhanden ist, d.h. der richtig-negativ Rate D / (B + D) .
Fehlerhafte Rauchdetektionsergebnisse werden über die falsch-negativ Rate (falls kein Rauch erkannt wird, obwohl er im Sensordatensatz vorhanden ist, d.h. C / (A + C)) und die falsch-positiv Rate (falls Rauch erkannt wird, der im Sensordatensatz aber nicht vorhanden ist, d.h. B / (B + D)) beschrieben.
Der positive Vorhersagewert gibt das Verhältnis der richtig positiven Detektionsergebnisse zur Gesamtzahl aller Detektionsergebnisse mit angezeigtem Rauch-Inhalt an, wird also über A / (A + B) beschrieben.
Zielstellung für die Rauchdetektions-Algorithmen ist eine Maximierung sowohl der Sensitivität als auch der Spezifität. Ein idealer Algorithmus hat dann die Sensitivität von 1 (= 100%) und die Spezifität von 1 (= 100%), was bedeutet, dass alle Sensordatensätze, die tatsächlich Rauch-Inhalte enthalten, zu einem positiven Rauchdetektionsergebnis (richtig-positiv / A) führen und alle Sensordatensätze, die tatsächlich kein Rauch-Inhalt haben, zu einem negativen Rauchdetektionsergebnis (richtig-negativ / D) führen.
Sowohl die falsch-negativ Rate als auch die falsch-positiv Rate sind dann jeweils 0 (= 0%), so dass beim idealen Algorithmus keine fehlerhaften Rauchdetektionsergebnisse auftreten.
Die praktische Bedeutung hoher Sensitivitätswerte und insbesondere aber auch sehr hoher Spezifitätswerte soll an einem stark vereinfachten Zahlenbeispiel illustriert werden. Hierzu wird angenommen, dass eine Waldfläche auf das Auftreten von Rauch überwacht werden soll und dazu in zeitlich regelmäßigen Abständen von 1min Sensordatensätze aufgenommen und mit dem Rauchdetektionsalgorithmus prozessiert werden. Während eines zwölfstündigen täglichen Betriebs (Annahme: nur Tagbetrieb) sind dann 720 Sensordatensätze zu prozessieren und für jeden dieser Sensordatensätze die Entscheidung „Ist Rauch-Inhalt im Sensordatensatz?“ zu treffen. Typische Sensitivitätswerte seien zu 0,95 (=95%) und Spezifitätswerte seien ebenfalls zu 0,95 (=95%) angenommen (adaptiert von [Töreyin, B.U.; Cetin, A.E.: Wildfire Detection Using LMS Based Active Learning, IEEE Conference on Acoustics, Speech and Signal Processing, 2009]).
Ferner wird für dieses Beispiel angenommen, dass täglich ein tatsächlicher Brand auftritt. Im Sensordatensatz, der nach erstmaligem Auftreten des durch den Brand verursachten Rauch aufgenommen und mit dem Rauchdetektionsalgorithmus prozessiert wird, wird mit hoher Wahrscheinlichkeit von 95%, die der konkreten Sensitivität entspricht, dieser Rauch positiv detektiert. Selbst wenn für einen ersten Sensordatensatz nach erstmaligem Auftreten des Rauches das Rauchdetektionsergebnis negativ ist, also fehlerhaft entschieden wurde, wäre spätestens mit Vorliegen der Rauchdetektionsergebnisse für die beiden zeitlich nachfolgend aufgenommenen Sensordatensätze des gleichen Waldgebiets die Wahrscheinlichkeit für eine erfolgreiche Rauchdetektion schon 99,99%, wenn man statistische Unabhängigkeit der einzelnen Detektionsprozesse voraussetzt und außerdem voraussetzt, dass der Brand und der damit zusammenhängende Rauch in allen 3 Sensordatensätzen vorhanden sind.
Betrachtet man nunmehr die Spezifität von 95% und kalkuliert daraus die absolute Anzahl der falsch-positiven Rauchdetektionsergebnisse, so führen 100% - 95% = 5% der 720 Sensordatensätze zu positiven Rauchdetektionsergebnissen, die tatsächlich nicht vorhanden sind, insgesamt also 36 derartige fehlerhafte Ergebnisse für den Betrachtungszeitraum von 12 Stunden.
Diese Anzahl von 36 Fehlern innerhalb von 12 Stunden ist für vollautomatisch arbeitende Systeme deutlich zu hoch und verdeutlicht, warum automatisierte Systeme derzeit erhebliche Einschränkungen in ihrer praktischen Einsetzbarkeit und Akzeptanz haben.
Um verlässliche Detektionsergebnisse zu bekommen, werden in der Praxis zusätzlich menschliche Operatoren eingesetzt, die die von den Algorithmen zunächst gelieferten Ergebnisse evaluieren und erst dann eine finale Entscheidung treffen. Neben dem personellen Aufwand bedeutet diese Verfahrensweise eine erhebliche Einschränkung für die praktische Einsetzbarkeit und Akzeptanz derartiger automatisierter Systeme.
Die Verbesserung der Rauchdetektionsalgorithmen und der Entscheidungsprozesse auf Rauch in den Sensordatensätzen ist daher von zentraler Bedeutung für die Weiterentwicklung der automatisierten Systeme zur Waldbrandfrüherkennung.
Aufgrund dessen wurde eine Vielzahl neuer und sehr verschiedenartiger Algorithmen zur automatisierten Detektion vorgeschlagen, die sich grundsätzlich in merkmalsbasierte Methoden und Methoden der Künstlichen Intelligenz (KI) unterteilen lassen.
Merkmalsbasierte Methoden sind beispielsweise in DE 10 2013 017 395 B3 , DE 10 2009 048 739 B3 , EP 3 614 352 A2 , CN 1 07 025 753 A beschrieben. Fast alle merkmalsbasierten Methoden arbeiten mit drei Schritten bestehend aus der Definition von Kandidatenregionen (Bildbereiche, in denen potenziell Rauch erwartet wird), Merkmalsextraktion und Klassifizierung.
Typische spektrale Bereiche des sichtbaren Lichts und/oder Infrarotbereichs werden dabei mit Hilfe geeigneter Sensoren aufgenommen, mit Bildverarbeitungsmethoden prozessiert und geeignete Parameter (Formen, Farbkomponenten, zeitliche Änderungen usw.) extrahiert; die charakteristisch für Rauch sind.
Im Klassifizierungsprozess erfolgen eine Bewertung der aktuellen Ausprägung dieser individuellen Merkmale und die Entscheidung, ob das Ergebnis positiv als Rauch interpretiert wird oder nicht. Zusätzlich werden Ortsinformationen bereitgestellt, in welchem Bildbereich der Rauch detektiert wurde. Diese merkmalsbasierten Methoden zeichnen sich durch eine hohe Sensitivität aus, d.h. sie liefern frühzeitig gute Detektionsergebnisse für Rauchereignisse, die mit tatsächlichen Waldbränden verbunden sind (hohe richtig-positiv Rate).
Merkmalsbasierte Methoden in der automatischen Raucherkennung sind aber stark abhängig von der Umgebung ihres Einsatzes. Sie unterscheiden sich nicht nur in den Landschaftsformen, wie zum Beispiel bergige, flache oder Küstenregionen, die auch mit Sichtverdeckungen einhergehen können, sondern auch in der Art der Vegetation, die sich unter Brandbedingungen unterschiedlich verhält, wie beispielsweise in der Rauchfarbe. Zusätzlich sind Wetterbedingungen wie Wolkenaufkommen, Wind, Sonneneinstrahlung und Schatten usw. zu berücksichtigen. Diese unterschiedlichen Bedingungen erfordern einen hohen Aufwand an Parametrierung und weisen trotzdem eine Spezifität auf, die mit einer vergleichsweise hohen Fehlerrate bezüglich falsch-positiver Ergebnisse verbunden ist, d.h. es treten Rauchdetektionen auf, obwohl tatsächlich kein Rauch vorhanden ist.
Künstliche-Intelligenz-basierte Verfahren nutzen prinzipiell die gleiche Sensorik wie merkmalsbasierte Methoden. Die weiteren Prozesse zur Datenverarbeitung und Klassifizierung werden aber innerhalb von Künstlichen Neuronalen Netzen ausgeführt, die speziell dafür ausgelegt und angelernt werden.
Künstliche Neuronale Netze sind bekannter Stand der Technik und verwenden mehrere miteinander verbundene aus künstlichen Neuronen bestehenden Ebenen. Die teils lokalen Verbindungen entstehen beispielsweise mittels diskreter Faltungen (über das Bild bewegende Faltungsmatrizen zur Merkmalsabbildung), Zusammenfassungen (über das Bild bewegende Maxima-Matrizen zur Datenreduktion) oder Voll-Verbindungen (diese dienen zur Klassifizierung. Die Anzahl der Neuronen auf der letzten Ebene entspricht in der Regel der Anzahl der Klassen).
Beispiele für derartige Verfahren zur Nutzung der Künstlichen Intelligenz in der automatischen Rauchdetektion sind hier zu finden: US 2019/362126 A1 , CN 110070106 A , CN 111681385 A , [Frizzi, S. et al.: Convolutional neural network for video fire and smoke detection. In: Proc. Annual Conf. of the IEEE Industrial Electronics Society. 2016.], [Son GY. et al.: Video Based Smoke and Flame Detection Using Convolutional Neural Network. In: Proc. Int'1 Conf. on Signal-Image Technology and Internet-Based Systems. 2018.], [Gu K. et al.: Deep Dual-Channel Neural Network for Image-Based Smoke Detection. IEEE Transactions on Multimedia 22.2 (2020), pp. 311-323.1, [Zhang Y.; Hu Y.: Video Smoke Detection Based on Convolution Neural Network. In: Proc. Int'1 Conf. on Computer Technology, Electronics and Communication. 2017.], [Zhang D. et al.: An Attention Convolutional Neural Network for Forest Fire Smoke Recognition. In: Proc. Int'1 Conf. on Systems and Informatics. 2019.1, [Yin H.; Wei Y.: An Improved Algorithm Based on Convolutional Neural Network for Smoke Detection. In: Proc. IEEE Int'1 Conf. on Ubiquitous Computing Communications and Data Science and Computational Intelligence and Smart Computing, Networking and Services. 2019.], [Tao C.; Zhang J.; Wang P.: Smoke Detection Based on Deep Convolutional Neural Networks. In: Proc. Int'1 Conf. on Industrial Informatics - Computing Technology, Intelligent Technology, Industrial Information Integration. 2016.1 .
Die eigentlichen Algorithmen und Prozesse zur Entscheidungsfindung dieser KI-Verfahren sind implizit in der Struktur und Verknüpfung der Künstlichen Neuronalen Netze implementiert und werden im Rahmen von Lernprozessen adaptiert und optimiert.
Sie sind jedoch schwer nachvollziehbar und ähnlich einer Blackbox zu betrachten. Dennoch sind Künstliche-Intelligenz-basierte Ansätze auch in der automatisierten Rauchdetektion derzeit Stand der Technik und liefern ebenfalls gute Detektionsergebnisse mit hoher Sensitivität.
Jedoch benötigen sie große Datenmengen und sind sehr rechenaufwändig zu trainieren (insbesondere „Deep Learning“ -Prozesse mit tiefen Künstlichen Neuronalen Netzen).
Die beschriebenen mathematisch-physikalisch und technisch bedingten Einschränkungen, die sich aus der Natur des Rauches und der Umgebung, in der er detektiert werden soll, führen in der Praxis auch bei KI-Verfahren zu einer nicht tolerierten Fehlerrate in Bezug auf die Spezifität der Rauchdetektion, so dass häufig falsch-positive Meldungen generiert wird, obwohl tatsächlich kein Rauch vorhanden ist.
Nunmehr konzentrieren sich viele neue technische Systemansätze und Lösungsvorschläge darauf, diese unzureichende Spezifität (hohe falsch-positiv Rate) der Algorithmen zu verbessern und die hohe Sensitivität möglichst beizubehalten, da sie wichtig für eine frühzeitige Erkennung der beginnenden Brände ist.
Hierzu werden jeweils unterschiedliche Merkmale des Rauchs (Form, Farbe, Dynamik etc.) und zusätzliche Parameter (z.B. Temperatur, Feuchtigkeit) ausgewertet, verschiedene spektrale Bereiche detektiert und/oder unterschiedliche Detektions-Algorithmen prozessiert. Die Einzelergebnisse werden sodann zusammengeführt und bewertet. Diese inhärente Diversität wird für eine Verbesserung der Klassifizierung und der resultierenden Detektionsentscheidung genutzt, so dass eine verbesserte Sensitivität und/oder Spezifität des kombinierten Verfahrens gegenüber der jeweiligen Sensitivität und/oder Spezifität der Algorithmen der einzelnen Verfahren erreicht werden soll.
In der Literatur gibt es verschiedene Ansätze zur Kombination der individuellen Detektionsergebnisse. Die naiven Kombinationsansätze folgen den einfachen UND- oder ODER-Verknüpfungsregeln. Obwohl sie weit verbreitet sind, sind ihre Nachteile offensichtlich.
Bei der UND-Verknüpfung wird ein positives Rauchdetektionsergebnis des kombinierten Detektionsalgorithmus genau dann generiert, wenn alle individuellen Detektionsergebnisse ein positives Rauchdetektionsergebnis für den gleichen Sensordatensatz haben. Die UND-Verknüpfungsregel verringert die Rate der falsch-positiven Rauchdetektionen, aber auch die Rate der richtigpositiven Rauchdetektionen, so dass die Wahrscheinlichkeit erhöht wird, einen tatsächlichen Brand zu übersehen. Damit wird die Sensitivität zugunsten einer höheren Spezifität reduziert.
Bei der ODER-Verknüpfung wird ein positives Rauchdetektionsergebnis des kombinierten Detektionsalgorithmus genau dann generiert, wenn mindestens ein individuelles Detektionsergebnis ein positives Rauchdetektionsergebnis für den Sensordatensatz hat. Die ODER-Verknüpfungsregel erhöht dadurch sowohl die Sensitivität als auch die falsch-positiv Rate und führt damit zur Reduzierung der Spezifität. Damit besteht eine höhere Chance, das Feuer zu erkennen; es wird aber auch die Anzahl der falsch-positiven Rauchdetektionen erhöht.
Ein verbesserter Ansatz [Töreyin, B.U.; Cetin, A.E: : Wildfire Detection Using LMS Based Active Learning, IEEE Conference on Acoustics, Speech and Signal Processing, 2009] nutzt für den finalen Entscheidungsprozess auf Rauch anstelle von binären ja (= 1) und nein (= 0) Ausgangswerten bereits pragmatisch abgestufte Zahlenwerte zwischen 0 und + 1 je nach individueller Ergebnishöhe der verschiedenen Algorithmen als Maß für die Sicherheit (Konfidenz) des Detektionsergebnisses. Weiterhin wird eine Lernphase beschrieben, in der die Gewichtsfaktoren der einzelnen Algorithmen für das Gesamtergebnis unter Nutzung eines menschlichen Supervisors adaptiert und optimiert werden.
In [ByoungChul KO et al: Method of Detecting Smoke of Forest Fire using Spatiotemporal BOF of Smoke and Random Forest, US 2015/8983180 B2 ] werden temporale und räumliche Bildmerkmale in einem System kombiniert und für den Entscheidungsprozess genutzt. Basierend auf einem Supervisor gestützten Anlernprozess werden dabei die Ereigniswahrscheinlichkeiten in Bezug auf individuelle Merkmale in Form von Entscheidungsbäumen bestimmt. Im Wirkbetrieb zur Raucherkennung werden dann die konkreten Wahrscheinlichkeiten jedes vollständig prozessierten Entscheidungsbaumes berechnet und anhand der Ergebnisse die finale Entscheidung auf Rauch gefällt.
In DE 196 03 828 Al wird eine Vorrichtung zum Erzeugen eines Alarmes beschrieben, welches Alarmmeldungen mittels auf neuronalen Netzen basierten Detektionen auf Kamerabildern und Alarmmeldungen aus anderweitigen Sensoren, wie Rauchdetektoren oder Luftmessungen, mit Hilfe von Fuzzy-Logik-Einheiten miteinander kombiniert, um Fehlerraten zu reduzieren. Ein systematisch ähnlicher Ansatz wird in [Begona C. ARrue et al: An Intelligent System for False Alarm Reduction in Infrared Forest-Fire Detection, IEEE 2000] verfolgt. Auch hier werden die Ergebnisse von verschiedenen Algorithmen bzw. Eingangsgrößen mit Fuzzy-Logik zusammengeführt und bewertet. Die Konfiguration eines Fuzzy-Logik Systems gestaltet sich allerdings selbst mit Expertenwissen als aufwändig und schwer. Zudem ist die Logik an sich äußerst fragil und bedarf regelmäßiger Veränderungen bei sich verändernden Systemen.
CN 104408898 A verwendet ein System und Regelwerk zur Kombination der Ergebnisse von verschiedenen Geräten zur Rauchdetektion. Ein entsprechend positives Detektionsergebnis gilt erst dann als bestätigt, wenn von mehreren Geräten dasselbe positive Ergebnis gemeldet wird. Dadurch sind die Nachteile der einfachen UND-Kombination inhärent; zudem bedarf es unterschiedlicher Geräte, um ein endgültiges positives Detektionsergebnis zu generieren.
All den geschilderten Verfahren ist gemeinsam, dass zwar eine deutliche Verbesserung gegenüber der Anwendung von nur einzelnen Verfahren erzielt wird. Jedoch ist die erforderliche Leistungsfähigkeit des verbesserten Rauchdetektionsverfahrens für den beschriebenen Anwendungsfall immer noch nicht hinreichend.
In neuesten Entscheidungsalgorithmen werden Verfahren der Künstlichen Intelligenz (KI) nicht nur für die Datenprozessierung im Rahmen des Rauchdetektionsverfahrens angewendet, sondern auch für die Zusammenführung der Ergebnisse verschiedener derartiger Verfahren genutzt.
CN 110070106 A verwendet ein zweistufiges Detektionsverfahren mittels Algorithmen auf Basis von Künstlicher Intelligenz innerhalb einer Sequenz. Im ersten Schritt werden die einzelnen Sensordatensätze einer Sequenz mit Hilfe eines Künstlichen Neuronalen Netzes detektiert. Im zweiten Schritt wird ein weiteres Mal mit Hilfe eines Künstlichen Neuronalen Netzes über die komplette Sequenz detektiert. Erst wenn der zweite Schritt positive Rauchdetektionen aus dem ersten Schritt bestätigt, wird ein positives Detektionsergebnis gemeldet. Dieses Verfahren ist allerdings nur anwendbar für solche Einzelverfahren, die alle auf Basis von Künstlicher Intelligenz arbeiten. Weiterhin wird nur dann ein positives Detektionsergebnis gemeldet, wenn das Resultat des zweiten Algorithmus das Resultat des ersten Algorithmus beinhaltet - insofern ist die Sensitivität nach Kombination geringer und es werden tatsächliche Brände mit geringerer Wahrscheinlichkeit erkannt als beim Einzelalgorithmus.
Auch bei Kombination von einzelnen Verfahren verwenden alle bisher bekannten Systeme alternativ lediglich eines der beiden Grundverfahren, d.h. entweder sind sie alle merkmalsbasiert oder alle basieren auf Künstlicher Intelligenz. Da die beiden Grundverfahren im statistischen Mittel quantitativ ähnliche Detektionsergebnisse sowohl in Bezug auf Sensitivität als auch Spezifität der Rauchdetektionsergebnisse aufweisen, wurde deren Kombination bisher nicht angewendet. Es wären keine besseren Detektionsergebnisse, aber ein erhöhter Systemaufwand zu erwarten. Zum anderen ist die nichttriviale Aufgabe zu lösen, welchen Detektionsergebnissen höhere Priorität und Validität beigemessen wird, wenn beide Verfahren unterschiedliche Detektionsergebnisse in Bezug auf den gleichen Sensordatensatz aufweisen.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren zur Verfügung zu stellen bei dem durch die Kombination beider unterschiedlicher Verfahren sowohl die Stärken eben dieser ausgenutzt werden als auch die Schwächen verringert werden, um hierdurch eine Verbesserung der Detektionssicherheit des Branderkennungsverfahrens sicherstellen zu können.
Diese Aufgabe wird durch die im Anspruch 1 angegebenen Maßnahmen gelöst, insbesondere dadurch, dass in einer Anlernphase zur Systemkonfiguration, die zur Festlegung und Optimierung verschiedener Schwellenwerte anhand einer Auswertung von Rauchdetektionsergebnissen bezüglich einer Vielzahl von Sensordatensätzen bzw. Sequenzen dienen, d.h. repräsentativen Sensordatensätzen mit „Rauch“- und „kein Rauch“-Inhalten und die unter Anleitung eines Operators durchgeführt wird, der anhand einer statistischen Auswertung dieser Rauchdetektionsergebnisse die Parameter zur Konfiguration des Kombinationsverfahrens definiert, wobei die mittels der merkmalbasierten Algorithmen erzeugten Rauchdetektionsergebnisse in merkmalsbasierte Detektionsboxen (a) und die mittels Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI) erzeugten Rauchdetektionsergebnisse in KI-basierte Detektionsboxen (b) abgelegt und gespeichert werden; wobei in einem Wirkbetrieb, in dem unter Nutzung der Systemkonfiguration operationell die erzeugten Rauchdetektionsergebnisse der merkmal-basierten Algorithmen und die unter Nutzung von Künstlichen Neuronalen Netzwerken erzeugten Rauchdetektionsergebnisse der Detektionsboxen (a) und der Detektionsboxen (b) zusammengeführt, prozessiert und ausgegeben werden.
Durch diese Maßnahmen ist es erstmals möglich, die Teilergebnisse der Rauchdetektionsverfahren von merkmalsbasierten Verfahren und von Verfahren auf Basis Künstlicher Neuronaler Netzwerke (KI), die beide zur Waldbrandfrüherkennung mittels optischer Detektion von Rauch dienen, auf geeignete Art und Weise zu kombinieren, um sowohl eine höhere Sensitivität als auch eine verbesserte Spezifität gegenüber den Sensitivitätswerten und Spezifitätswerten der Einzelverfahren zu erreichen und damit die Gesamtleistung der Rauchdetektionsverfahrens substantiell zu erhöhen.
In umfangreichen Untersuchungen zur Evaluierung beider Grundverfahren anhand einer Vielzahl von unterschiedlichen Sensordatensätzen und praktischen Einsatzszenarien wurde herausgefunden, dass beide Grundverfahren vergleichbare durchschnittliche Sensitivitätswerte bei der Rauchdetektion von beginnenden Waldbrände aufweisen, aber die aktuelle Sensitivität der Rauchdetektionsergebnisse sehr unterschiedlich unter Berücksichtigung der konkreten Sensordatensätze bzw. detaillierten Umgebungsbedingungen sein kann.
Sehr ähnlich verhalten sich die Rauchdetektionsergebnisse beider Grundverfahren auch in Bezug auf die Spezifität, d.h. in Bezug auf richtignegative Ergebnisse, wenn tatsächlich kein Rauch im Sensordatensatz vorhanden ist. Obwohl durchschnittlich ähnliche Spezifitätswerte bezüglich der Rauchdetektionsergebnisse über eine Vielzahl von Sensordatensätzen und Szenarien zu beobachten sind, treten konkrete fehlerhafte falsch-positive Rauchdetektionsergebnisse beider Verfahren, die diese Spezifität reduzieren, häufig in unterschiedlichen konkreten Sensordatensätzen und unter unterschiedlichen Umgebungsbedingungen auf.
Das neue Verfahren wird beispielhaft an einem kombinierten System mit einem merkmalsbasierten Algorithmus zur Rauchdetektion und einem KI-Verfahren zur Rauchdetektion beschrieben, kann aber auch auf allgemeine Fälle mit mehreren parallel und unabhängig voneinander arbeitenden Algorithmen zur Rauch- und/oder Feuerdetektion angewendet werden. Eine Implementierung des erfindungsgemäßen Verfahrens kann in einer geeigneten Vorrichtung in Form einer Datenverarbeitungsanlage wie z.B. einem Computer erfolgen, die über Datenschnittstellen für die Eingabe und Ausgabe von Daten, Recheneinheiten zur Ausführung von Additions- und Multiplikationsaufgaben, zur Ausführung von logischen Vergleichen und Speicher zur Speicherung der Daten verfügt.
Hierzu wird vorausgesetzt, dass die individuellen Rauchdetektionsalgorithmen folgende Ausgangsdatensätze liefern. Diese Ausgangsdatensätze werden über die Datenschnittstellen in die benannte Datenverarbeitungsanlage eingespeist. Sie werden nachfolgend als Detektionsstapel bezeichnet und umfassen folgende Informationen als Dateninhalte:

- Eine Meldung, ob in einem bestimmten Sensordatensatz bzw. einer Datensequenz Rauch positiv detektiert wurde als qualitative ja/nein-Aussage
- Eine Koordinatenbeschreibung der Bildbereiche (Flächen) im Sensordatensatz, in denen der Rauch detektiert wurde, d.h. die Bildkoordinaten für diejenigen Pixelbereiche des Sensordatensatzes, die vom Detektionsalgorithmus als Rauchpixel klassifiziert wurden. Diese Bildbereiche werden nachfolgend als Detektionsboxen bezeichnet.
- Eine Wichtungszahl, die nachfolgend als Scoring-Wert bezeichnet wird, aus dem reellen Zahlenbereich [0,1], die ein quantitatives Maß für die Sicherheit (Konfidenz) bzw. Wahrscheinlichkeit für die Richtigkeit des Detektionsergebnisses darstellt.

Entsprechende Scoring-Werte werden von vielen Detektionsalgorithmen ausgegeben. Falls diese Scoring-Werte (s) in einem anderen Zahlenbereich ausgegeben werden, kann eine lineare Umrechnung auf den reellen Zahlenbereich [0,1] erfolgen, wobei der höchste Wert s_max für eine sichere Entscheidung steht und entsprechend s_max → 1 abgebildet wird. Unsichere bzw. unwahrscheinliche Detektionsergebnisse sind entsprechend abgestuft, wobei der kleinste Wert s_min entsprechend s_min → 0 festgelegt sei. Alle anderen Werte s_i werden linear umgerechnet entsprechend der Formel s_i → (s_i - s_min) / (s_max - s_min).
Liegt nur eine verbale Beschreibung zur Detektionssicherheit vor, kann eine lineare Umwandlung in konkrete Zahlenwerte anhand der Anzahl der möglichen Ausgabekategorien vorgenommen werden. Allgemein erfolgt eine Umrechnung, wenn N die Anzahl der Ausgabekategorien ist, wie folgt:

Die sicherste, d.h. höchste Kategorie N erhält den Scoring-Wert (2*N-1) / (2*N). Der unsichersten, d.h. niedrigsten Kategorie 1 wird der Scoring-Wert 1 / (2*N) zugeordnet. Eine dazwischen eingestufte Kategorie n erhält den Scoring-Wert (2*N-1)/(2*N).

Falls beispielsweise 5 derartige Kategorien „sehr unsicher“, „unsicher“, „mittel“, „sicher“, „sehr sicher“ in Bezug auf die Richtigkeit der Rauchdetektionsergebnisse existieren, erfolgt eine entsprechende Zuordnung zu den Scoring-Werten 0.1, 0.3, 0.5, 0.7 und 0.9.
Gibt der Algorithmus keinen solchen abgestuften Scoring-Wert aus, wird jedem positiven Rauchdetektionsergebnis der Scoring-Wert 1 zugeordnet.
Grundsätzlich sind - basierend auf Untersuchungsergebnissen mit konkreten Detektionsalgorithmen und deren Ausgaben - auch andere Zuordnungen möglich, indem beispielweise nichtlineare Zahlenzuordnungen erfolgen, falls diese eine geeignete Zuordnung von verbalen Beschreibungen der Kategorien zu den Scoring-Werten sind oder zusätzliche Parameter ausgewertet werden und in den konkreten Scoring-Wert einfließen sollen.
Das weitere Kombinationsverfahren bleibt dabei aber unverändert.
Dieses neue Kombinationsverfahren beinhaltet im Wesentlichen zwei Verfahrensschritte:

- eine Anlernphase, die zur Festlegung und Optimierung verschiedener Schwellenwerte anhand einer Auswertung der Rauchdetektionsergebnisse bezüglich einer Vielzahl von Sensordatensätzen bzw. Sequenzen dienen, d.h. repräsentativen Sensordatensätzen mit „Rauch“- und „kein Rauch“-Inhalten und die unter Anleitung eines Operators durchgeführt wird, der anhand einer statistischen Auswertung dieser Rauchdetektionsergebnisse sodann die Parameter zur Konfiguration des Kombinationsverfahrens definiert
- der Wirkbetrieb, in dem unter Nutzung dieser Systemkonfiguration operationell die Rauchdetektionsergebnisse von verschiedenen Rauchdetektionsalgorithmen zusammengeführt, prozessiert und ausgegeben werden.

Mittels der Vorrichtung werden Ergebnisdatensätze des Kombinationsverfahrens über die Datenschnittstellen ausgegeben, die an angeschlossene Geräte wie Telekommunikationseinheiten (z.B. Computer, Monitore, Faxgeräte, Alarmgeber) von Operatoren (z.B. Überwachungspersonal, Brandmelder, Feuerwehrkräfte) für weitergehende Aktivitäten übergeben, gespeichert und/oder angezeigt werden. Diese Ergebnisdatensätze umfassen vorzugsweise folgende Informationen als Dateninhalte:

- Eine Meldung, ob in einem bestimmten Sensordatensatz bzw. einer Datensequenz Rauch positiv detektiert wurde. Diese Meldung wird als endgültiger Alarm bezeichnet.
- Eine Koordinatenbeschreibung der Bildbereiche (Flächen) im Sensordatensatz, in denen der Rauch detektiert wurde, d.h. die Bildkoordinaten für diejenigen Pixelbereiche des Sensordatensatzes, die vom Detektionsalgorithmus als Rauchpixel klassifiziert wurden.
- Weitere Metadaten zum Sensordatensatz wie z.B. Datum, Uhrzeit, Darstellung des Ortes des detektierten Rauches auf geographischen Karten einschließlich Lieferung detaillierten Koordinaten u. Ä..
- Eine Liste für Verdachtsfälle falsch-positiver Detektionsboxen samt einer Kennzeichnung des zugrundeliegenden Sensordatensatzes (z.B. mittels dessen laufender Nummerierung) für nachfolgende, weiterführende Analysen und Untersuchungen.

In der Anlernphase des Kombinationsverfahrens werden die eingesetzten Detektionsalgorithmen individuell mit bekannten Sensordatensätzen bzw. -sequenzen einer umfangreichen Bibliothek von Sensordatensätzen prozessiert. Diese Sensordatensätze sollen repräsentativ für die Anwendung sein (z.B. Kiefernwald) und sowohl Sensordatensätze mit „Rauch“-Inhalten als auch „kein Rauch“-Inhalten enthalten. Diese Sensordatensätze werden zur Verifizierung der Detektionsergebnisse in dieser Anlernphase genutzt, da a-priori bekannt ist, ob die Sensordatensätze „Rauch“ oder „kein Rauch“ beinhalten.
Im Weiteren werden die Zielkriterien definiert, die geeignet sind, die Leistungsfähigkeit des Kombinationsverfahrens zu charakterisieren. In diese Kriterien fließen die Sensitivität und Spezifität ein, die beide so groß wie möglich sein sollen, also so nahe wie möglich am Idealwert 1 (=100%) liegen sollen, wobei bestimmte vorgegebene Werte für jeden der beiden Kenngrößen nicht unterschritten werden dürfen. Weitere Nebenbedingungen, wie z.B. die mittlere Genauigkeit der genannten Detektionsboxen können einbezogen werden. Die mittlere Genauigkeit ist geeignet die gegenseitige Beeinflussung zwischen Sensitivität und positivem Vorhersagewert in einer einzigen Zahl darstellen zu können. Diese mittlere Genauigkeit wird als gewichtetes Mittel an positiven Vorhersagewerten für die nachfolgend zu bestimmenden Schwellenwerte berechnet. Als Gewicht wird die gesteigerte Sensitivität, also die Differenz zwischen der vorhergehenden und der aktuellen Sensitivität des jeweils vorangehenden Schwellenwertes benutzt.
Für jeden Schwellenwert werden die positiven Vorhersagewerte sowie die Sensitivität berechnet. Der optimale Schwellenwert entspricht demjenigen Schwellenwert, der den höchsten Wert der mittleren Genauigkeit liefert, was den besten Testergebnissen entspricht.
Ein erstes Kriterium - nachfolgend Kriterium 1 genannt - nutzt das Produkt von falsch-negativ Rate und falsch-positiv Rate, das möglichst klein sein soll. Hierbei darf aber die Sensitivität einen vorgegebenen Wert von beispielsweise 0.8 nicht unterschreiten. Ebenso darf die Spezifität einen vorgegebenen Wert von beispielsweise 0.9 nicht unterschreiten. Dieses Kriterium sucht nach dem optimalen Verhältnis der falsch-negativ Rate und der falsch-positiv Rate nach einer Überschneidungsüberprüfung, die in den folgenden Ausführungen beschrieben wird. Diese Nebenbedingungen sind nötig, weil sonst die falsch-positiv Rate auf Kosten der Sensitivität und die falsch-negativ Rate auf Kosten der Spezifität gesenkt werden könnte. Die falsch-negativ Rate ergibt sich aus der Differenz der Sensitivität zu 100%, also 1 - Sensitivität (=100% x [1-Sensitivität]). Die falsch-positiv Rate ergibt sich aus der Differenz der Spezifität zu 100%, also 1 - Spezifität (=100% x [1-Spezifität]). Gehen nun beide Raten gegen 0 (=0 %) und damit auch das Produkt beider, dann gehen die angestrebten Werte von Sensitivität und Spezifität gegen die Idealwerte von 100%. Durch die Nebenbedingungen wird der Fall ausgeschlossen, dass nur eine der beiden Raten gegen 0 (= 0%) geht und damit einhergehend auch das Produkt der beiden. Durch die nachfolgende Überschneidungsüberprüfung, also dem Wegfallen der nicht überlappenden Detektionsboxen, erreicht man einen stärkeren Senkungsverlauf der falsch-positiv Rate im Vergleich zum Steigerungsverlauf der falsch-negativ Rate. Infolgedessen sinkt dann das Produkt. Das Minimum dieses Produkts ist nun für das Kriterium 1 ausschlaggebend.
Ein zweites Kriterium - nachfolgend Kriterium 2 genannt - definiert eine sehr sichere Entscheidung, dass Rauch detektiert wurde, über die Spezifität, die einen vorgegebenen hohen Wert erreichen muss (z.B. 0.95). Je höher die Spezifität, desto niedriger ist die statistische Wahrscheinlichkeit, falsch-positive Rauchdetektionsergebnisse zu erzielen, d.h. als Detektionsergebnis „Rauch ist im Sensordatensatz“ zu haben, obwohl tatsächlich der Sensordatensatz keinen Rauch enthält. Demnach zeigt bei einem Detektor mit sehr hoher Spezifität eine positive Detektion eine statistisch sicherere Entscheidung für einen tatsächlich vorhandenen Rauch im Sensordatensatz an als eine positive Detektion bei einem Detektor mit niedriger Spezifität. Für Kriterium 2 ist nun das Maximum der Sensitivität unter der Erfüllung der definierten Spezifität ausschlaggebend.
Nunmehr werden alle Sensordatensätze der Bibliothek prozessiert und mittels Histogramm-Analyse, Zählverfahren oder anderen geeigneten Techniken ein Schwellenwert 1 des merkmalsbasierten Verfahrens für den Scoring-Wert ermittelt. Dieser Schwellenwert 1 ist gleichbedeutend mit der qualitativen ja/nein-Entscheidung über Vorhandensein von Rauch: Alle Scoring-Werte, die größer als der Schwellenwert sind, werden als ja-Entscheidung und alle, die kleiner als der Schwellenwert sind, werden als nein-Entscheidung interpretiert. Als Schwellenwert 1 des merkmalsbasierten Verfahrens gilt der Schwellenwert, für den die besten Testergebnisse in Bezug auf die definierten Kriterien ermittelt wurden. Auf diese Art und Weise werden die Rauchdetektionsergebnisse mit den gleichen Sensordatensätzen der Bibliothek bezüglich des Kriteriums 1 ermittelt und ein Schwellenwert 1 definiert.
In gleicher Weise wird ein Schwellenwert 2 bezüglich des Kriteriums 1 für den KI-Algorithmus definiert. Auch hier werden die Rauchdetektionsergebnisse mit den gleichen Sensordatensätzen der benannten Bibliothek ermittelt und auf gleiche Art und Weise ein optimaler Schwellenwert 2 definiert, für den die besten Testergebnisse entsprechend des definierten Kriteriums 1 erreicht werden.
Sodann werden für den merkmalsbasierten Algorithmus gleichartige Tests bezüglich des Kriteriums 2 durchgeführt und ein Schwellenwert 3 bestimmt. Weiterhin wird ein gleichartiger Test für den KI-basierten Algorithmus bezüglich des Kriteriums 2 durchgeführt und auf diese Art und Weise ein Schwellenwert 4 bestimmt.
Aufgrund der gewählten Kriterien ist sichergestellt, dass Schwellenwert 3 ≥ Schwellenwert 1 und Schwellenwert 4 ≥ Schwellenwert 2 gelten.
Alle 4 ermittelten Schwellenwerte werden für die Konfiguration des Kombinationsverfahrens zur Zusammenführung der Ergebnisse beider Algorithmen genutzt. Das so konfigurierte Kombinationsverfahren kann dann für den Wirkbetrieb genutzt werden.
Ein Blockschaltbild zum Ablauf der Prüfung auf Rauch für den Wirkbetrieb ist in dargestellt.
Im Wirkbetrieb werden für jeden aufgenommenen Sensordatensatz die Detektionsboxen und Scoring-Werte für jeden der beiden Algorithmen ausgewertet, ob für den merkmalsbasierten Algorithmus der Schwellenwert 1 oder für den KI-basierten Algorithmus der Schwellenwert 2 überschritten wurden.
Falls mindestens einer der beiden Algorithmen eine entsprechende Schwellenwertüberschreitung anzeigt, wird eine Überschneidungsprüfung der Detektionsboxen beider Algorithmen mittels Intersection of Union (IoU) durchgeführt. In der Überschneidungsüberprüfung wird für den gleichen Sensordatensatz jede Detektionsbox des merkmalsbasierten Algorithmus' mit jeder Detektionsbox des KI-Algorithmus` verglichen. IoU ist eine Metrik zur Bestimmung der Überdeckung der Fläche einer erkannten Detektionsbox A mit einer erkannten Detektionsbox B. Mathematisch beschrieben ist sie über den Quotienten der Fläche der Überschneidung der beiden Detektionsboxen und der Fläche, die die Vereinigung der beiden Detektionsboxen beschreibt. Je größer der IoU-Wert ist, desto präziser stimmen die beiden Detektionsboxen überein. Der IoU-Wert kann maximal 1 werden, wenn beide Detektionsboxen vollständig übereinstimmen. Haben beide Detektionsboxen keine flächenmäßige Überschneidung, ist der IoU-Wert 0. Der IoU-Wert ist auch dann 0, wenn nur ein Algorithmus eine Detektionsbox in einem entsprechenden Bilddatensatz meldet.
Je nach ermitteltem IoU-Wert werden dann verschiedene weitere Verfahrensschritte wie folgt angewendet.
Ist der IoU-Wert > 0, werden die Detektionsboxen weiter prozessiert.
Ist der IoU-Wert = 0, erfolgt zunächst eine weitere Prüfung auf Überschreiten des Schwellenwerts 3 für den merkmalsbasierten Algorithmus und auf Überschreiten des Schwellenwertes 4 für den KI-Algorithmus. Wird ein solcher Schwellenwert 3 oder 4 überschritten, werden die entsprechenden Detektionsboxen ebenfalls weiterprozessiert.
Diese Schritte nutzen die Unterschiede in den Detektionsboxen beider Detektoren aus. Durch Einbeziehung und Auswertung von Position und Fläche der Detektionsboxen beider Algorithmen werden falsche Detektionen weitestgehend unterdrückt und die falsch-positiv Rate gesenkt. Trotzdem ermöglichen diese Schritte die Sensitivität auf einem hohen Wert zu halten.
Im letzten Schritt wird eine Non-Maximum Suppression (NMS) auf die Liste angewendet. Die Non-Maximum Suppression erhält bei überlappenden Detektionsboxen in der Liste der als wahr angenommenen Detektionsboxen jene mit dem höchsten Scoring-Wert. Die verbleibenden Detektionsboxen werden als endgültige Alarme angezeigt. Hierdurch werden Duplikate entfernt und nur die optimalen Detektionsboxen in Hinsicht auf Größe und Scoring behalten. Dies ermöglicht eine bessere Übersicht für den Operator. Mehrere überlappende Detektionsboxen für ein und dieselbe Meldung behindern die Übersicht.
Alle Detektionsboxen, die aufgrund einer Nichtüberschreitung des Schwellenwertes 1 des merkmalsbasierten Detektors (a) oder einer Nichtüberschreitung des Schwellenwertes 2 des KI-basierten Detektors (b) nicht in die Überschneidungsüberprüfung gehen, werden auf einer Liste für Verdachtsfälle falsch-positiver Detektionsboxen samt einer Kennzeichnung des zugrundeliegenden Sensordatensatzes (z.B. mittels dessen laufender Nummerierung) gespeichert. Weiterhin werden alle Detektionsboxen, die aufgrund der Überschreitung des Schwellenwertes 1 des merkmalsbasierten Detektors (a) oder Überschreitung des Schwellenwertes 2 des KI-basierten Detektors (b) in die Überschneidungsüberprüfung gehen und bei einem IoU-Wert = 0 aufgrund der Nichtüberschreitung des Schwellenwertes 3 des merkmalsbasierten Detektors (a) oder des Schwellenwertes 4 des KI-basierten Detektors (b) nicht weiter prozessiert werden, ebenfalls auf der Liste für Verdachtsfälle falsch-positiver Detektionsboxen samt einer Kennzeichnung des zugrundeliegenden Sensordatensatzes (z.B. mittels dessen laufender Nummerierung) gespeichert. Diese Liste kann ebenso wie die Liste der als wahr angenommenen Alarme als Metainformation und Vorklassifizierung für zukünftige Trainingsprozesse im KI-Bereich verwendet werden. Dieser Prozess kann für das Training notwendige Informationen der Lokalisierung der Detektionsbox, also eine Koordinatenbeschreibung der Bildbereiche (Flächen) im Sensordatensatz, sowie eine Erstklassifizierung eben dieser Fläche abbilden, also ob in der Fläche Rauch enthalten ist oder nicht.
Eine weitere Aufgabe der vorliegenden Erfindung besteht darin eine Vorrichtung zum Durchführen des Verfahrens zur automatisierten Waldbrandfrüherkennung mittels optischer Detektion von Rauchereignissen zur Verfügung zu stellen, wobei die Rauchergebnisse von merkmalbasierten Algorithmen und Verfahren unter Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI), die voneinander unabhängige Detektionsverfahren beinhalten, kombiniert werden können.
Diese Aufgabe wird durch die Merkmale des Anspruchs 13 gelöst, insbesondere durch mindestens eine Sensoreinheit als optischer Sensor mit Vorverarbeitung und Recheneinheit zur Prozessierung von Rauchdetektionsalgorithmen, eine Stromversorgung, eine Steuereinheit für Belichtung, Ausrichtung und Kommunikationstechnik zur Anbindung an eine Zentrale.
Gemäß einer weiteren besonders vorteilhaften Ausführungsform umfasst die erfindungsgemäßen Vorrichtung mindestens eine Zentrale Recheneinheit (Server) zur Zusammenfassung der Sensordaten verschiedener Sensoreinheiten und umfasst eine Verknüpfung mit geographischen Kartenmaterial und ein Operatorenmenü sowie bildhafte Darstellung auf Monitoren (GUI) und Datenschnittstellen zu den Sensoreinheiten einerseits und zentraler Kommunikationstechnik (LAN, Emailserver, Fax) andererseits.
Durch diese Maßnahmen wird eine komplexe Vorrichtung geschaffen, mit der große Flächen von einem als Zentrale eingerichteten Punkt überwacht werden können und bei gegebenem Anlass ein Alarm zur Brandbekämpfung an einen von der Zentrale entfernten Punkt ausgegeben werden kann.
Weitere vorteilhafte Maßnahmen sind in den Unteransprüchen beschrieben. Eine bevorzugte Ausführungsform der Erfindung wird in den beiliegenden Zeichnungen dargestellt und näher beschrieben. Es zeigen die Figuren:

1 Ein Ablaufdiagramm des erfindungsgemäßen Verfahrens in einem Wirkbetrieb;
2 Eine schematische Darstellung der Vorrichtung zur Durchführung des erfindungsgemäßen Verfahrens.

Die 1 zeigt den Ablauf des Verfahrens in seinem wirkbetrieb. Dabei zeigt (a) einen Detektionsstapel eines ersten Detektors, der in diesem konkreten Beispiel als merkmalsbasierter Detektor angenommen wird. Und (b) zeigt einen Detektionsstapel eines zweiten Detektors, der in diesem konkreten Beispiel als KIbasierter Detektor (Künstliches Neuronales Netz) angenommen wird. Beide Detektionsstapel (a) und (b)werden für jeden Sensordatensatz in Form von Ausgangsdatensätzen in eine Datenverarbeitungsanlage für das Kombinationsverfahren eingespeist.
Das Kombinationsverfahren führt nunmehr folgende Schritte aus:

Die Detektionsboxen beider Detektionsstapel (a) und (b) werden in einem ersten Verfahrensschritt (101) in Bezug auf die aktuellen Scoring-Werte vermessen und geprüft, ob der Schwellenwert 1 des merkmalsbasierten Detektors
1. (a) oder der Schwellenwert 2 des KI-basierten Detektors
2. (b) überschritten werden.

Ist der aktuelle Scoring-Wert unter oder höchstens gleich dem jeweiligen Schwellenwert 1 für den merkmalsbasierten Detektor (a) oder dem Schwellenwert (2) für den KI-basierten Detektor (b), wird die Detektionsbox auf die Liste der Verdachtsfälle falsch-positiver Detektionsboxen (e) gelegt. Liegt der aktuelle Scoring-Wert des merkmalsbasierten Detektors (a) über dem Schwellenwert 1 oder liegt der aktuelle Scoring-Wert des KI-basierten Detektors (b) über dem Schwellenwert 2, dann werden in einem zweiten Verfahrensschritt die Detektionsboxen mittels Überschneidungsüberprüfung bewertet.
In diesem zweiten Verfahrensschritt (102) wird die Überschneidungsüberprüfung durchgeführt und der IoU-Wert berechnet. Diese Berechnung des IoU-Wertes kann soweit vereinfacht werden, dass nur eine Überprüfung des IoU-Wertes auf IoU-Wert>0 oder IoU-Wert=0 durchgeführt werden muss. Liegt keine Überschneidung der beiden Detektionsboxen vor (IoU-Wert = 0), dann werden die Detektionsboxen ebenfalls zurückgestellt. Dies bewirkt eine Reduktion der Anzahl der Detektionsboxen. Nur wenn die Detektoren einen IoU-Wert >0 liefern, werden diese in diesem Schritt weiter prozessiert.
Liegt in der Überschneidungsüberprüfung eine Überschneidung einer Detektionsbox des Detektionsstapels des merkmalsbasierten Detektors (a) mit einer Detektionsbox des Detektionsstapels des KI-basierten Detektors vor (IoU-Wert > 0), werden beide Detektionsboxen in die Liste der als wahr angenommenen Alarme (c) hinzugefügt.
Wenn in der Überschneidungsüberprüfung keine Überschneidung der Detektionsbox des einen Detektionsstapels mit einer Detektionsbox des anderen Detektionsstapels vorliegt, d.h. es wurde der IoU-Wert = 0 berechnet, wird ein dritter Verfahrensschritt (103) durchgeführt.
Dazu wird der aktuelle Scoring-Wert der Detektionsbox des merkmalsbasierten Detektors (a) auf Überschreiten des Schwellenwertes 3 und der aktuelle Scoring-Wert der Detektionsbox des KI-basierten Detektors (b) auf Überschreiten des Schwellenwertes 4 überprüft. Liegt der aktuelle Scoring-Wert der Detektionsbox des merkmalsbasierten Detektors (a) über dem Schwellenwert 3, wird diese Detektionsbox zur Liste der als wahr angenommenen Alarme (c) hinzugefügt. Liegt der aktuelle Scoring-Wert der Detektionsbox des KI-basierten Detektors (b) über dem Schwellenwert 4, wird diese Detektionsbox zur Liste der als wahr angenommenen Alarme (c) hinzugefügt.
Ist der aktuelle Scoring-Wert der Detektionsbox des merkmalsbasierten Detektors (a) unter oder höchstens gleich dem Schwellenwert 3, dann wird diese Detektionsbox auf die Liste der Verdachtsfälle falsch-positiver Detektionsboxen (e) gelegt. Ist der aktuelle Scoring-Wert der Detektionsbox des KI-basierten Detektors (b) unter oder höchstens gleich dem Schwellenwert 4, wird diese Detektionsbox auf die Liste der Verdachtsfälle falsch-positiver Detektionsboxen (e) gelegt.
Wurden alle Detektionsboxen beider Detektionsstapel abgearbeitet, wird auf die Liste der als wahr angenommenen Alarme (c) als vierter Verfahrensschritt (104) eine Non-Maxima-Suppression (NMS) angewendet, um überflüssige Alarme und Duplikate von Rauchdetektionsergebnissen zu entfernen. Es entsteht daraus eine Liste endgültiger Alarme (d). In diesem vierten Verfahrensschritt (104) wird zunächst die Detektionsbox mit dem höchsten Scoring-Wert in der Liste als wahr angenommener Alarme (c) ausgewählt, aus dieser entfernt und zur Liste endgültiger Alarme (d) hinzugefügt.
Nun überprüft man diese Detektionsbox auf Überschneidung mit jeder anderen Detektionsbox aus der Liste der als wahr angenommenen Alarme (c), indem man den IoU-Wert berechnet. Ist dieser IoU-Wert größer als der beispielhaft gewählte IoU-Schwellenwert 0.4, wird die so überprüfte Detektionsbox mit dem niedrigeren Scoring-Wert aus der Liste der als wahr angenommener Alarme (c) entfernt. Je niedriger dieser IoU-Schwellenwert gewählt wird, desto weniger Überschneidung der Detektionsboxen ist notwendig, damit überprüfte Detektionsboxen entfernt werden.
Das heißt je niedriger dieser IoU-Schwellenwert ist, desto mehr überschneidende Detektionsboxen werden entfernt. Andererseits werden weniger überschneidende Detektionsboxen entfernt, je höher dieser IoU-Schwellenwert ist. Ein ToU-Schwellenwert zwischen 0.3 und 0.5 hat sich dahingehend bewährt, weil er ein gutes Verhältnis zwischen der Entfernung überflüssiger Detektionsboxen, die identisch zu anderen Detektionsboxen sind, und der Beibehaltung von Zusatzinformationen zur Ausbreitung des Rauches bietet. Hat man jede Detektionsbox aus der Liste als wahr angenommener Alarme (c) auf Überschneidung überprüft, wird dieser vierte Verfahrensschritt (104) wiederholt, indem die Detektionsbox mit dem nunmehr höchsten Scoring-Wert aus der Liste als wahr angenommener Alarme (c) ausgewählt wird und die Überschneidungsprüfung mit allen verbliebenen Detektionsboxen durchgeführt wird. Die Wiederholung des vierten Verfahrensschrittes (104) wird so oft durchgeführt, bis keine Detektionsboxen mehr in der Liste als wahrangenommener Alarme (c) vorhanden sind. In der Liste endgültiger Alarme (d) verbleiben nach Abschluss aller Wiederholungen des vierten Verfahrensschrittes (104) nur noch Detektionsboxen, die eine Überschneidung mit einem IoU-Wert, der kleiner oder höchstens gleich dem gewählten IoU-Schwellenwert ist, aufweisen.
Die Liste endgültiger Alarme enthält folgende Informationen als Dateninhalte als für die weitere Verarbeitung in der Datenverarbeitungsanlage:

- Eine Meldung, ob in einem bestimmten Sensordatensatz bzw. einer Datensequenz Rauch positiv detektiert wurde als qualitative ja/nein-Aussage. Diese Meldung wird als endgültiger Alarm bezeichnet.
- Die Detektionsboxen, also eine Koordinatenbeschreibung der Bildbereiche (Flächen) im Sensordatensatz, in denen der Rauch detektiert wurde, d.h. die Bildkoordinaten für diejenigen Pixelbereiche des Sensordatensatzes, die vom Detektionsalgorithmus als Rauchpixel klassifiziert wurden.
- Weitere Metadaten zum Sensordatensatz wie z.B. Datum, Uhrzeit, Darstellung des Ortes des detektierten Rauches auf geographischen Karten einschließlich Lieferung detaillierten Koordinaten und ähnliches.

Die Vorrichtung 10 umfasst mindestens eine Sensoreinheit 11, die als ein optischer Sensor ausgebildet ist. Die Sensoreinheit 11 kann ein Monochrome-Sensor oder ein Polychrome-Sensor sein, der in einer Bildaufnahmeeinheit beispielsweise einer hierzu geeigneten Videokamera angeordnet ist.
Die Aufgenommenen Bilddaten werden in einer Vorverarbeitungs- und Recheneinheit 12 zur Prozessierung von Rauchdetektionsalgorithmen verarbeitet. Des Weiteren verfügt die Vorrichtung 10 über eine Stromversorgung, eine Steuereinheit für Belichtung, Ausrichtung und Kommunikationstechnik zur Anbindung an eine Zentrale (nicht dargestellt).
Die erfassten Daten sind mit einer zentralen Recheneinheit 13 (Server) zur Zusammenfassung der Sensordaten verschiedener Sensoreinheiten 11 verbunden. Mittels eines Operatorenmenüs sowie einer bildhaften Darstellung auf Monitoren 14 (Graphical User Interface, GUI) und Datenschnittstellen zu den Sensoreinheiten 11 und einer zentralen Kommunikationstechnik (LAN, Emailserver, Fax) kann jede Sensoreinheit 11 angesteuert werden.
Bezugszeichenliste

101: erster Verfahrensschritt
102: zweiter Verfahrensschritt
103: dritter Verfahrensschritt
104: vierter verfahrensschritt
(a): Detektionsboxen des merkmalsbasierten Detektors
(b): Detektionsboxen des KI-basierten Detektors (Künstliches Neuronales Netzwerk)
(c): Liste der als wahr angenommenen Detektionsboxen
(d): Liste der ungültigen Alarme
(e): Liste der Verdachtsfälle falsch positiver Detektionsboxen
(1): Scoring-Schwellenwert 1 des merkmalsbasierten Detektors (a)
(2): Scoring-Schwellenwert 2 des KI-basierten Detektors (b)[Künstliches Neuronales Netzwerk]
(3): Scoring-Schwellenwert 3 des merkmalsbasierten Detektors (a)
(4): Scoring-Schwellenwert 4 des KI-basierten Detektors (b) [Künstliches Neuronales Netzwerk]
NMS: Non-Maxima Suppression
10: Vorrichtung
11: mindestens eine Sensoreinheit
12: Recheneinheit
13: zentrale Recheneinheit
14: Monitor

ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

DE 102013017395 B3 [0029]
DE 102009048739 B3 [0029]
EP 3614352 A2 [0029]
CN 107025753 A [0029]
US 2019362126 A1 [0035]
CN 110070106 A [0035, 0051]
CN 111681385 A [0035]
US 20158983180 B2 [0046]
CN 104408898 A [0048]

Claims

Verfahren zur automatisierten Waldbrandfrüh-erkennung mittels optischer Detektion von Rauchereignissen, wobei die Rauchergebnisse von merkmalbasierten Algorithmen und Verfahren unter Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI), die voneinander unabhängige Detektionsverfahren beinhalten, kombiniert werden, gekennzeichnet dadurch, dass - in einer Anlernphase zur Systemkonfiguration, die zur Festlegung und Optimierung verschiedener Schwellenwerte anhand einer Auswertung von Rauchdetektionsergebnissen bezüglich einer Vielzahl von Sensordatensätzen bzw. Sequenzen dienen, d.h. repräsentativen Sensordatensätzen mit „Rauch“- und „kein Rauch“-Inhalten und die unter Anleitung eines Operators durchgeführt wird, der anhand einer statistischen Auswertung dieser Rauchdetektionsergebnisse die Parameter zur Konfiguration des Kombinationsverfahrens definiert, wobei die mittels der merkmalbasierten Algorithmen erzeugten Rauchdetektionsergebnisse in merkmalsbasierte Detektionsboxen (a) und die mittels Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI) erzeugten Rauchdetektionsergebnisse in KI-basierte Detektionsboxen (b) abgelegt und gespeichert werden; wobei - in einem Wirkbetrieb, in dem unter Nutzung der Systemkonfiguration operationell die erzeugten Rauchdetektionsergebnisse der merkmalbasierten Algorithmen und die unter Nutzung von Künstlichen Neuronalen Netzwerken erzeugten Rauchdetektionsergebnisse der Detektionsboxen (a) und der Detektionsboxen (b) zusammengeführt, prozessiert und ausgegeben werden.
Verfahren zur automatisierten Waldbrandfrüh-erkennung mittels optischer Detektion von Rauch- ereignissen nach Anspruch 1, dadurch gekennzeichnet, dass individuelle Rauchdetektionsalgorithmen folgende Ausgangsdatensätze liefern: - Eine Meldung, ob in einem bestimmten Sensordatensatz bzw. einer Datensequenz Rauch positiv detektiert wurde als qualitative ja/nein-Aussage; - Eine Koordinatenbeschreibung der Bildbereiche (Flächen) im Sensordatensatz, in denen der Rauch detektiert wurde, d.h. die Bildkoordinaten für diejenigen Pixelbereiche des Sensordatensatzes, die vom Detektionsalgorithmus als Rauchpixel klassifiziert wurden und diese Bildbereiche in folgenden Detektionsboxen der Detektionsstapel (a, b) bilden; - Eine Wichtungszahl, die nachfolgend den Scoring-Wert bildet, aus dem reellen Zahlenbereich [0,1], die ein quantitatives Maß für die Sicherheit (Konfidenz) bzw. Wahrscheinlichkeit für die Richtigkeit des Detektionsergebnisses darstellt.
Verfahren zur automatisierten Waldbrandfrüh-erkennung mittels optischer Detektion von Rau-chereignissen nach Anspruch 2, dadurch gekennzeichnet, dass die Detektionsboxen des merkmalsbasierten Detektors (a) und die Detektionsboxen des KI-basierten Detektors (b), sprich beider Detektionsstapel (a, b) in Bezug auf die aktuellen Scoring-Werte vermessen und daraufhin geprüft werden, ob der Schwellenwert 1 des merkmalsbasierten Detektors (a) oder der Schwellenwert 2 des KI-basierten Detektors (b) überschritten werden, und wenn der aktuelle Scoring-Wert unter oder höchstens gleich dem jeweiligen Schwellenwert 1 für den merkmalsbasierten Detektor (a) oder dem Schwellenwert 2 für den KI-basierten Detektor (b) ist, wird sodann die Detektionsbox auf die Liste der Verdachtsfälle falsch-positiver Detektionsboxen (e) gelegt und wenn der aktuelle Scoring-Wert des merkmalsbasierten Detektors (a) über dem Schwellenwert 1 liegt oder der aktuelle Scoring-Wert des KI-basierten Detektors (b) über dem Schwellenwert 2, dann werden die Detektionsboxen mittels Überschneidungsüberprüfung bewertet.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Überschneidungsüberprüfung durchgeführt und der IoU-Wert berechnet wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Berechnung des IoU-Wertes soweit vereinfacht wird, dass nur eine Überprüfung des IoU-Wertes auf IoU-Wert > 0 oder IoU-Wert = 0 durchgeführt wird und wenn keine Überschneidung der Detektionsboxen der Detektionsstapel (a, b) vorliegt (IoU-Wert = 0), dann werden die Detektionsboxen (a, b) ebenfalls zurückgestellt, wobei dies eine Reduktion der Anzahl der Detektionsboxen (a, b) bewirkt und nur wenn die Detektoren einen IoU-Wert > 0 liefern, diese weiter prozessiert werden.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass sobald in der Überschneidungsüberprüfung eine Überschneidung einer Detektionsbox des Detekti-onsstapels des merkmalsbasierten Detektors (a) mit einer Detektionsbox des Detektionsstapels des KI-basierten Detektors (b) (IoU-Wert > 0) vorliegt, diese beiden Detektionsboxen (a und b) sodann in die Liste der als wahr angenommenen Alarme (c) hinzugefügt werden.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass wenn der aktuelle Scoring-Wert der Detektionsbox des merkmalsbasierten Detektors (a) unter oder höchstens gleich dem Schwellenwert 3 ist, dann wird diese Detektionsbox auf die Liste der Verdachtsfälle falsch-positiver Detektionsboxen (e) gelegt und wenn der aktuelle Scoring-Wert der Detektionsbox des merkmalsbasierten Detektors (a) größer als der Schwellenwert 3 ist, dann wird diese Detektionsbox in die Liste der als wahr angenommenen Alarme (c) hinzugefügt.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass wenn der aktuelle Scoring-Wert der Detektionsbox des KI-basierten Detektors (b) unter oder höchstens gleich dem Schwellenwert 4 ist, wird diese Detektionsbox auf die Liste der Verdachtsfälle falsch-positiver Detektionsboxen (e) gelegt und wenn der aktuelle Scoring-Wert der Detektionsbox des KI-basierten Detektors (b) größer als der Schwellenwert 4 ist, dann wird diese Detektionsbox in die Liste der als wahr angenommenen Alarme (c) hinzugefügt.
Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass sobald alle Detektionsboxen beider Detek-tionsstapel (a, b) abgearbeitet worden sind, auf die Liste der als wahr angenommenen Alarme (c) eine Non-Maxima-Suppression (NMS) angewendet wird, um überflüssige Alarme und Duplikate von Rauchdetektionsergebnissen zu entfernen, wobei daraus eine Liste endgültiger Alarme (d) erzeugt wird, wobei hierzu zunächst die Detektionsbox mit dem höchsten Scoring-Wert in der Liste als wahr angenommener Alarme (c) ausgewählt, aus dieser entfernt und zur Liste endgültiger Alarme (d) hinzugefügt wird und diese Detektionsbox auf Überschneidungen mit jeder anderen Detektionsbox aus der Liste als wahr angenommenen Alarme (c) überprüft wird, indem der IoU-Wert berechnet wird.
Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass wenn dieser IoU-Wert größer als der IoU-Schwellenwert ist, die so überprüfte Detektionsbox mit dem niedrigeren Scoring-Wert aus der Liste als wahr angenommener Alarme (c) entfernt wird.
Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass sobald jede Detektionsbox aus der Liste als wahr angenommener Alarme (c) auf Überschneidung überprüft worden ist, der Verfahrensschritt gemäß Anspruch 10 wiederholt wird, indem die Detektionsbox mit dem nunmehr höchsten Scoring-Wert aus der Liste als wahr angenommener Alarme (c) ausgewählt wird und die Überschneidungsprüfung mit allen verbliebenen Detektionsboxen durchgeführt wird und die Wiederholung dieses Verfahrensschrittes so oft durchgeführt wird, bis keine Detektionsboxen mehr in der Liste als wahr angenommener Alarme (c) vorhanden sind.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass nach Abschluss aller Wiederholungen gemäß Anspruch 11 in der Liste endgültiger Alarme (d) nur noch Detektionsboxen verbleiben, die eine Überschneidung mit einem IoU-Wert aufweisen, der kleiner oder höchstens gleich dem ToU-Schwellenwert ist.
Vorrichtung (10) zum Durchführen des Verfahrens zur automatisierten Waldbrandfrüherkennung mittels optischer Detektion von Rauchereignissen, wobei die Rauchergebnisse von merkmalbasierten Algorithmen und Verfahren unter Nutzung von Künstlichen Neuronalen Netzwerken (Künstliche Intelligenz/KI), die voneinander unabhängige Detektionsverfahren beinhalten, kombiniert werden nach einem oder mehreren der vorangegangenen Ansprüche 1 bis 12, gekennzeichnet durch mindestens eine Sensoreinheit (11) als optischer Sensor mit Vorverarbeitung und Recheneinheit (12) zur Prozessierung von Rauchdetektionsalgorithmen, eine Stromversorgung, eine Steuereinheit für Belichtung, Ausrichtung und Kommunikationstechnik zur Anbindung an eine Zentrale.
Vorrichtung nach Anspruch 13, gekennzeichnet durch mindestens eine zentrale Recheneinheit (13) (Server) zur Zusammenfassung der Sensordaten verschiedener Sensoreinheiten (11), Verknüpfung mit geographischen Kartenmaterial und Operatorenmenü sowie bildhafter Darstellung auf Monitoren (14) (GUI) und Datenschnittstellen zu den Sensoreinheiten (11) und einer zentralen Kommunikationstechnik (LAN, Emailserver, Fax).