-
Stand der Technik
-
Die Erfindung geht von einem Verfahren zum ortsspezifischen Adaptieren eines Branddetektionssystems, einem Verfahren zum Erkennen eines Brandereignisses und einer Vorrichtung nach Gattung der unabhängigen Ansprüche aus. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.
-
Für die videobasierte Erkennung von Rauch können Bildverarbeitungsmethoden, wie Farb- oder Bewegungsdetektion, Texturanalysen oder Merkmale verwendet werden, die die Konfusion bestimmter Formen im Bild messen. Neuronale Netze finden in den letzten Jahren vermehrt Verwendung bei der Lösung von vielen Computer-Vision-Aufgaben. Auch für die videobasierte Branddetektion werden neuronale Netze und trainierte Klassifikatoren eingesetzt. So ist aus der
DE 10 2019 207 711 A1 ein maschinelles Lernsystem bekannt, das eingerichtet ist, innerhalb von Bildern Rauch zu detektieren.
-
Offenbarung der Erfindung
-
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren zum ortsspezifischen Adaptieren eines Branddetektionssystems, ein Verfahren zum Erkennen eines Brandereignisses, weiterhin eine Vorrichtung, die dieses Verfahren verwendet, sowie schließlich ein entsprechendes Computerprogramm gemäß den Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
-
Mit dem hier vorgestellten Verfahren kann eine Rauchdetektion verbessert werden, insbesondere auch bei nur geringer Rauchdichte oder einem Abstand von über 30 Metern zur Rauchquelle, sowie in Bereichen mit beispielsweise geringer Luftzirkulation oder ungleichmäßiger Beleuchtung, wie zum Beispiel Tunnel, Landebahnen oder Häfen. Außerdem kann ein mit dem hier vorgestellten Verfahren betriebenes System robuster gegen Störgrößen sein, ohne dabei die Detektionsrate zur vermindern.
-
Es wird ein Verfahren zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort vorgestellt. Das Verfahren umfasst einen Schritt des Einlesens mindestens einer ortsspezifischen Kamerainformation, wobei die eingelesene Kamerainformation als ortsspezifische Nicht-Brandszene interpretiert wird, und einen Schritt des Augmentierens der Kamerainformation mit einer bildlichen Darstellung von einem Brandereignis, um ein Abbild einer ortsspezifischen Brandszene zu erhalten. Zudem umfasst das Verfahren einen Schritt des Trainierens des Branddetektionssystems unter Verwendung des Abbilds der ortsspezifischen Brandszene, um das Branddetektionssystem ortsspezifisch zu adaptieren.
-
Unter einem ortsspezifischen Adaptieren kann ein Adaptieren des Branddetektionssystems an eine spezifische Örtlichkeit verstanden werden. Entsprechend kann unter einer ortsspezifischen Kamerainformation eine Information verstanden werden, bei der ein ortsspezifisches Abbild der Umgebung der Kamera bereitgestellt wird. Auch kann unter einer ortsspezifischen Brandszene eine Situation verstanden werden, die eine Brandszene in einer spezifischen Örtlichkeit darstellt.
-
Das Branddetektionssystem kann zum Beispiel ein maschinelles Lernsystem umfassen, wie zum Beispiel ein neuronales Netzwerk, das beispielsweise auf Basis von dem Netzwerk gezeigten Videosequenzen oder Bildern vortrainiert sein kann. Das heißt, das Branddetektionssystem kann gelernt haben, allgemeine Brandsituationen, wie beispielsweise Rauchentwicklung, von allgemeinen Nicht-Brandsituationen, in denen weder Flammen noch Rauch detektiert werden, zu unterscheiden. Das Branddetektionssystem kann nach einer Installation am Einsatzort beispielsweise mittels Videoaufnahmen und zum Beispiel unter Verwendung eines optischen Flusses den Einsatzort auf Brandereignisse überwachen. Dabei können mit dem hier vorgestellten Verfahren vorteilhafterweise das Branddetektionssystem, beziehungsweise diesem System zugrunde liegende Algorithmen, auf den speziellen Einsatzort, in dem sie eingesetzt werden, angepasst werden. Hierfür wird im Schritt das Einlesens zunächst eine ortsspezifische Kamerainformation eingelesen, die eine Nicht-Brandszene darstellt. Beispielsweise kann in diesem Schritt die Kamera am Einsatzort installiert werden und Aufnahmen generieren. In diesen Aufnahmen kann kein Rauch oder Feuer enthalten sein und sie können als Negatives beziehungsweise Nicht-Brandszenen fungieren. Dabei kann beispielsweise ein Benutzer des Branddetektionssystems die Möglichkeit haben, eine Szene, in der kein Feuer aufgetreten ist, als eine solche Nicht-Brandszene beziehungsweise Nicht-Feuerszene zu markieren und zum Beispiel einem Trainingssystem zur Verfügung zu stellen. Anschließend wird im Schritt des Augmentierens ein Brandereignis, zum Beispiel eine Rauchentwicklung, in die Aufnahmen zum Beispiel mit einem Blender hinein simuliert, sodass ein ortspezifischer Datensatz generiert werden kann. Diese neu erzeugte künstliche Sequenz kann beispielsweise dem Trainingssystem als Brandszene zur Verfügung gestellt werden. Hierfür kann zum Beispiel mit einem Trainingssystem das Branddetektionssystem in Echtzeit nachtrainiert werden. Das Trainingssystem kann alle Brand- und Nicht-Brandsequenzen enthalten, die zum Training benötigt werden. Das Trainingssystem kann zudem beispielsweise bestimmte Sequenzen enthalten, die in jedem Fall detektiert werden sollen. Das können zum Beispiel EN54-Testfeuer sein. Final wird das Branddetektionssystem mit der künstlich erzeugten und ortsspezifischen Brandszene nachtrainiert, um sich vorteilhafterweise optimal an den Einsatzort anzupassen. Das hier vorgestellte Verfahren kann mit verschiedenen Möglichkeiten implementiert werden. Beispielsweise können alle überwachten Szenen auf einem gemeinsamen, dem Hersteller zugänglichen Rechenserver, zum Beispiel in einer Cloud, ausgewertet werden, wobei auch dort das Nachtrainingssystem gespeichert sein kann. Auf diese Weise kann der Hersteller die Übersicht über die augmentierten Sequenzen haben und kann diese bewerten und auf Plausibilität prüfen. Auch nach dem Training kann er das trainierte neuronale Netz überprüfen. Jedoch sind auch dem Hersteller verschlossene Trainingsserver oder sogar ein Nachtraining auf einem On-the-Edge-Device denkbar. In diesem Fall könnte das Trainingssystem mit allen für ein Nachtraining erforderlichen Sequenzen ausgeliefert werden. Ein solches System könnte dann offline betrieben werden.
-
Gemäß einer Ausführungsform kann im Schritt des Einlesens als Kamerainformation eine Bildaufnahme und zusätzlich oder alternativ eine Videosequenz eingelesen werden. Dabei können die Bildaufnahme und zusätzlich oder alternativ die Videosequenz einen größtmöglichen Bereich des Einsatzortes abbilden. Eine Bildaufnahme hat den Vorteil, dass sie einfach zu verarbeiten ist und wenig Speicherplatz in Anspruch nimmt, während eine Videosequenz vorteilhafterweise eine sehr genaue Szenenerfassung insbesondere über einen längeren Zeitraum ermöglicht. Zusätzlich oder alternativ kann das Branddetektionssystem auch eine Wärmekamera umfassen, um einen Temperaturanstieg am Einsatzort zu detektieren.
-
Gemäß einer weiteren Ausführungsform kann das Verfahren einen Schritt des Einlesens einer weiteren Kamerainformation aufweisen, wobei die eingelesene weitere Kamerainformation als weitere ortsspezifische Nicht-Brandszene interpretiert werden kann. Dabei kann im Schritt des Trainierens das Branddetektionssystem unter Verwendung der Nicht-Brandszene und der weiteren Nicht-Brandszene trainiert werden. Beispielsweise kann eine Mehrzahl von Kamerabildern oder Videoaufnahmen aufgenommen werden, zum Beispiel während verschiedener Tageszeiten beziehungsweise Lichtverhältnissen am Einsatzort oder bei unterschiedlicher Anordnung von Objekten. So können zum Beispiel bei einer Installation des Branddetektionssystems in einem Tunnel verschiedene Verkehrssituationen eingelesen werden oder es können bei Einsatz in einer Lagerhalle verschiedene Lagerzustände aufgenommen werden. Das Branddetektionssystem kann unter Verwendung aller Nicht-Brandszenen trainiert werden, um vorteilhafterweise Fehlalarme zu vermeiden.
-
Gemäß einer Ausführungsform kann das Verfahren einen Schritt des Einlesens zumindest einer dritten Kamerainformation aufweisen, bei der es sich um die Aufzeichnung eines Falschalarms handelt, die durch ein Bestätigungssignal als Falschalarm und als zumindest eine dritte Nicht-Brandszene bestätigt wird, wobei im Schritt des Trainierens das Branddetektionssystem unter Verwendung der zumindest einen dritten Nicht-Brandszene trainiert wird.
-
Gemäß einer weiteren Ausführungsform kann das Verfahren einen Schritt des Speicherns der ortsspezifischen Brandszene nach dem Schritt des Augmentierens aufweisen. Beispielsweise können eine oder mehrere künstlich generierte Brandszenen in einem Speicher des Branddetektionssystems hinterlegt werden. Vorteilhafterweise kann das Branddetektionssystem langfristig auf eine ortspezifische Brandszene zugreifen, um vorteilhafterweise diese mit aktuellen Ereignissen zu vergleichen oder erneut trainiert zu werden, ohne dass die spezifischen Szenen neu generiert werden.
-
Gemäß einer weiteren Ausführungsform kann der Schritt des Augmentierens und zusätzlich oder alternativ der Schritt des Trainierens wiederholt durchgeführt werden, insbesondere nach bestimmten zeitlichen Abständen. Im Schritt des Augmentierens können zum Beispiel eine Reihe verschiedener Brandszenen generiert werden, um den Schritt des Trainierens mit variablen Situationen durchzuführen. Zusätzlich oder alternativ können die Schritte des Augmentierens und des Trainierens zum Beispiel nach ein paar Wochen oder Monaten wiederholt werden, wenn sich beispielsweise der Einsatzort verändert hat.
-
Gemäß einer weiteren Ausführungsform kann im Schritt des Augmentierens die bildliche Darstellung in einer Datenbank mit einer Mehrzahl von bildlichen Darstellungen von Brandereignissen hinterlegt sein. Beispielsweise kann mit dem Branddetektionssystem ein Set vorgerenderter Brandereignisse zur Verfügung gestellt werden, um diese im Schritt des Augmentierens künstlich in die aufgenommenen Szenen des Einsatzortes einzufügen. Vorteilhafterweise können aus der Datenbank solche Szenen ausgewählt werden, die besonders beispielhaft für den überwachten Einsatzort sind. Dabei kann beispielsweise einem Nutzer die Möglichkeit zur Verfügung stehen, im Schritt des Augmentierens verschiedene Brandereignisse zu betrachten und zu akzeptieren oder zurückzuweisen.
-
Gemäß einer weiteren Ausführungsform kann im Schritt des Augmentierens die bildliche Darstellung mit gerade aufsteigendem Rauch und zusätzlich oder alternativ mit abdriftendem Rauch und zusätzlich oder alternativ mit dunklem Rauch und zusätzlich oder alternativ mit hellem Rauch darstellt werden. Dabei können verschiedenste Rauchfarben und spezifisch für den Einsatzort kreiert werden, um vorteilhafterweise die an diesem Ort wahrscheinlichen Szenarien zu trainieren und schnell zu detektieren.
-
Gemäß einer weiteren Ausführungsform kann im Schritt des Augmentierens die bildliche Darstellung als Videosequenz mit bewegtem Rauch darstellt werden. Das hat den Vorteil, dass das Branddetektionssystem lernen kann, die Bewegung von Rauchwolken von anderen Bewegungen am Einsatzort zu unterscheiden.
-
Gemäß einer weiteren Ausführungsform kann im Schritt des Augmentierens die bildliche Darstellung mit einer Flamme darstellt werden. Dabei kann beispielsweise die Größe, Helligkeit oder Farbe der Flamme variiert werden. Vorteilhafterweise kann somit auch ein Brandereignis, das ohne oder nur mit geringer Rauchentwicklung verbunden ist, schnell detektiert werden.
-
Gemäß einer Ausführungsform kann nach dem Trainieren des Branddetektionssystems überprüft werden, ob das ortsspezifisch adaptierte Branddetektionssystem Testbrände immer noch detektiert.
-
Zudem wird ein Verfahren zum Erkennen eines Brandereignisses mit einem Branddetektionssystem vorgestellt, das mit einem Verfahren gemäß einem der vorangegangenen Ansprüche adaptiert wurde. Das Verfahren umfasst einen Schritt des Einlesens einer Kamerainformation und einen Schritt des Auswertens der Kamerainformation mit zumindest einer Komponente des Branddetektionssystems, die gemäß einem der vorangegangenen Ansprüche adaptiert wurde, um ein Brandereignis zu erkennen. Beispielsweise kann das Branddetektionssystem mit einer variablen Anzahl von ortspezifischen Brandszenen trainiert worden sein. Vorteilhafterweise kann mit dem hier vorgestellten Verfahren eine real auftretende Brandszene erfasst und anhand des Trainings schnell als solche identifiziert werden. Das Branddetektionssystem kann beispielsweise ausgebildet sein, um ansprechend auf ein Brandereignis automatisch einen Alarm auszulösen.
-
Dieses Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einem Steuergerät implementiert sein.
-
Der hier vorgestellte Ansatz schafft ferner eine Vorrichtung, die ausgebildet ist, um die Schritte einer Variante eines hier vorgestellten Verfahrens in entsprechenden Einrichtungen durchzuführen, anzusteuern bzw. umzusetzen. Auch durch diese Ausführungsvariante der Erfindung in Form einer Vorrichtung kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden.
-
Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, zumindest eine Schnittstelle zu einem Sensor oder einem Aktor zum Einlesen von Sensorsignalen von dem Sensor oder zum Ausgeben von Daten- oder Steuersignalen an den Aktor und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EEPROM oder eine magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
-
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
-
Gemäß einer Ausführungsform kann die Vorrichtung ein maschinelles Lernsystem aufweisen, insbesondere ein Neuronales Netzwerk. Das maschinelle Lernsystem kann ausgebildet sein, um ortspezifische Kamerainformationen einzulesen, auszuwerten und zusätzlich oder alternativ unter Verwendung der Kamerainformationen zu trainieren. Im Gegensatz zu manuell entwickelten Systemen lernen neuronale Netze auf Basis von Ihnen gezeigten Videosequenzen oder Bildern. Besonders bei großen Datenmengen mit hoher Variabilität übertreffen die so erzielten Ergebnisse die Ergebnisse von konventionellen Bildverarbeitungsverfahren deutlich. Durch die Kombination einer ein neuronales Netzwerk oder ähnliches Lernsystem umfassenden Vorrichtung mit einem der zuvor vorgestellten Verfahren, kann vorteilhafterweise die Leistungsfähigkeit der Vorrichtung durch ortspezifische, bekannte Daten deutlich verbessert werden. Wenn ein auf neuronalen Netzen basierendes Produkt eingesetzt wird, ist es möglich, durch ein ortspezifisches Adaptieren des Systems die Anzahl von Fehlalarmen im Vergleich zu untrainierten Systemen deutlich zu senken.
-
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
-
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
- 1 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort;
- 2 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort;
- 3 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort;
- 4 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Erkennen eines Brandereignisses mit einem Branddetektionssystem;
- 5 eine schematische Darstellung eines Ausführungsbeispiels einer Vorrichtung;
- 6 eine Darstellung eines Ausführungsbeispiels einer ortsspezifischen Kamerainformation;
- 7 eine Darstellung eines Ausführungsbeispiels eines Abbilds einer ortsspezifischen Brandszene;
- 8 eine Darstellung eines Ausführungsbeispiels eines Abbilds einer ortsspezifischen Brandszene;
- 9 eine Darstellung eines Ausführungsbeispiels eines Abbilds einer ortsspezifischen Brandszene.
-
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
-
1 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens 100 zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort. Das Verfahren 100 umfasst einen Schritt 105 des Einlesens mindestens einer ortsspezifischen Kamerainformation, wobei die eingelesene Kamerainformation als ortsspezifische Nicht-Brandszene interpretiert wird. Dabei wird in diesem Ausführungsbeispiel als Kamerainformation lediglich beispielhaft eine Videosequenz eingelesen. In einem anderen Ausführungsbeispiel kann zusätzlich oder alternativ eine Bildaufnahme eingelesen oder ein Temperaturanstieg erfasst werden.
-
Auf den Schritt 105 des Einlesens folgt ein Schritt 110 des Augmentierens der Kamerainformation mit einer bildlichen Darstellung von einem Brandereignis, um ein Abbild einer ortsspezifischen Brandszene zu erhalten. Hierfür ist in diesem Ausführungsbeispiel die bildliche Darstellung in einer Datenbank mit einer Mehrzahl von bildlichen Darstellungen von Brandereignissen hinterlegt. Lediglich beispielhaft wird in diesem Ausführungsbeispiel die zuvor eingelesene Videosequenz mit einer weiteren Videosequenz mit bewegtem Rauch augmentiert. In einem anderen Ausführungsbeispiel kann die Kamerainformation auch zum Beispiel mit einer bildlichen Darstellung von gerade aufsteigendem Rauch oder abdriftendem Rauch oder dunklem Rauch oder hellem Rauch oder mit einer bildlichen Darstellung oder einer Videosequenz einer Flamme augmentiert werden.
-
Nach dem Schritt 110 des Augmentierens folgt ein Schritt 115 des Trainierens des Branddetektionssystems unter Verwendung des Abbilds der ortsspezifischen Brandszene, um das Branddetektionssystem ortsspezifisch zu adaptieren.
-
Lediglich beispielhafte werden der Schritt 110 des Augmentierens und der Schritt 115 des Trainierens wiederholt durchgeführt, um das Branddetektionssystem mit verschiedenen in diesem Ausführungsbeispiel in der Datenbank hinterlegten bildlichen Darstellungen von Brandereignissen zu augmentieren und zu trainieren.
-
2 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens 100 zum ortsspezifischen Adaptieren eines kamerabasierten Branddetektionssystems an einen Einsatzort. Das hier dargestellte Verfahren 100 entspricht oder ähnelt dem in der vorangegangenen Figur beschriebenen Verfahren, mit dem Unterschied, dass es ein Vortrainieren des Branddetektionssystems umfasst. Entsprechend weist das hier dargestellte Verfahren 100 einen Schritt 200 des Vortrainierens auf. Hierbei wird lediglich beispielhaft ein neuronales Netzwerk (NN) mit den ursprünglichen Trainingsdaten XTrain trainiert. Dann wird die Kamera am Einsatzort installiert und in einem Schritt 105 des Einlesens werden Aufnahmen des Einsatzortes XLoc generiert. In diesen Aufnahmen ist kein Rauch enthalten und sie fungieren als „Negatives“. Anschließend wird im Schritt 110 des Augmentierens in die Aufnahmen lediglich beispielhaft Rauch mit Blender hinein simuliert, sodass auch ein ortsspezifischer Datensatz XSim aus „Positives“ entsteht. Final wird im Schritt 115 des Trainierens das neuronale Netzwerk mit XLoc und XSim nachtrainiert, um sich optimal an den Einsatzort anzupassen.
-
In einem anderen Ausführungsbeispiel kann eine Vorrichtung mit einem vortrainierten maschinellen Lernsystem auch ohne die Schritte des Augmentierens und Trainierens zur Branddetektion eingesetzt werden. Für die videobasierte Erkennung von Rauch können Bildverarbeitungsmethoden wie Farb- oder Bewegungsdetektion, Texturanalysen, oder Merkmale verwendet werden, die die Konfusion bestimmter Formen im Bild messen. Dabei kann der optische Fluss eingesetzt werden. Dieser kann das typischerweise aufwärtsgerichtete Bewegungsverhalten von Rauch detektieren. Um eine Bewegung durch den optischen Fluss festzustellen, sollte der Rauch hinreichend dicht sein. Außerdem sollte die typische Rauchbewegung ausreichend lange detektiert werden, um sicherzustellen, dass es sich um Rauch und kein anderes Objekt handelt. Zur weiteren Verifikation können noch Merkmale wie Farbe und Kontrast hinzugezogen werden. Zusätzlich kann noch das Flackern von Hintergrundmerkmalen analysiert werden, das typischerweise in Bereichen mit dünnem Rauch auftritt. Ein Problem von neuronalen Netzen ist allerdings, dass die Leistungsfähigkeit bei Ihnen bekannten Daten deutlich besser ist, als bei Ihnen noch unbekannten Daten. Wenn ein auf neuronalen Netzen basierendes Produkt an einem Einsatzort eingesetzt wird, ist es möglich, dass bei solchen dem System bisher unbekannten ortspezifischen Szenen eine deutlich höhere Anzahl an Falschalarmen ausgelöst werden können als auf bekannten Daten.
-
3 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens 100 zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort. Das hier dargestellte Verfahren 100 entspricht oder ähnelt dem in der vorangegangenen Figur beschriebenen Verfahren, mit dem Unterschied, dass es zusätzliche Schritte aufweist. In diesem Ausführungsbeispiel beginnt das Verfahren 100 mit einem Schritt 300 der Inbetriebnahme des Branddetektionssystems am Einsatzort. In diesem Schritt 300 wird das System in einer bestimmten Szene beziehungsweise am Einsatzort installiert. Lediglich beispielhaft ist das Branddetektionssystem in diesem Ausführungsbeispiel videobasiert und umfasst eine optische Kamera sowie eine in einem sogenannten Machine-Learning-Verfahren trainierte Komponente. In einem anderen Ausführungsbeispiel kann das Branddetektionssystem auch als ein neuronales Netz ausgebildet sein.
-
Auf den Schritt 300 der Inbetriebnahme folgt in diesem Ausführungsbeispiel der Schritt 105 des Einlesens einer ortspezifischen Kamerainformation, wobei es sich lediglich beispielhaft um eine Videosequenz des Einsatzortes handelt. Zudem erfolgt lediglich beispielhaft ein Schritt 305 des Einlesens einer weiteren Kamerainformation, bei der es sich lediglich beispielhaft um eine Aufzeichnung eines Falschalarms handelt. Mit anderen Worten werden in diesem Ausführungsbeispiel in den Schritten 105 und 305 des Einlesens vom System während der Inbetriebnahme aufgezeichnete Falschalarme und zufällig generierte Nicht-Brandszenen eingelesen.
-
Im nächsten Schritt 310 des Bestätigens erfolgt in diesem Ausführungsbeispiel eine Bestätigung, dass es sich bei den eingelesenen Szenen um Nicht-Brandszenen handelt. Diese Bestätigung erfolgt lediglich beispielhaft mittels eines Bestätigungssignals, das manuell über eine Nutzerschnittstelle eingegeben wird. Dadurch hat ein Benutzer die Möglichkeit, eine Szene, in der kein Feuer aufgetreten ist, als Nicht-Feuer-Szene zu markieren und einem Trainingssystem zur Verfügung zu stellen. Dabei wird die vom Benutzer zur Verfügung gestellte Szene als Nicht-Brandszene gewertet.
-
In diesem Ausführungsbeispiel werden die aufgezeichneten Videosequenzen in einem Schritt 315 des Hinterlegens in einem Speicher hinterlegt beziehungsweise einer Sammlung von Nicht-Brandszenen hinzugefügt. Gleichzeitig wird in diesem Ausführungsbeispiel eine oder mehrere Szenen in einem Schritt 320 des Auswählens ausgewählt und der ausgewählten Szene wird im anschließenden Schritt 110 des Augmentierens ein Brandereignis künstlich hinzugefügt, um ein Abbild einer ortsspezifischen Brandszene zu erhalten. Dabei wird lediglich beispielhaft die Szene mit einem künstlich erzeugten Brand augmentiert. In diesem Ausführungsbeispiel wird dem Nutzer während dieses Schritts 110 die Möglichkeit geboten, Augmentierungen verschiedener Brandereignisse zu betrachten und zu akzeptieren oder zurückzuweisen.
-
Auf den Schritt 110 des Augmentierens folgt in diesem Ausführungsbeispiel ein Schritt 325 des Speicherns der ortsspezifischen Brandszene. Zudem wird die so neu erzeugte künstliche Sequenz dem Trainingssystem als Brandszene zur Verfügung gestellt. Im folgenden Schritt 115 des Trainierens wird dann lediglich beispielhaft das Branddetektionssystem unter Verwendung sowohl der Nicht-Brandszenen und des Falschalarms als auch des Abbilds der ortsspezifischen Brandszene trainiert, um verschiedene Szenarien zu erlernen und Fehlalarme zu vermeiden. Das neu erzeugte Netz wird im anschließenden Schritt 330 des Verwendens zur Branddetektion verwendet.
-
Mit anderen Worten beschreibt das hier beschriebene Verfahren 100 ein Vorgehen zur szenenspezifischen Anpassung eines maschinellen Lernsystems, insbesondere eines neuronalen Netzes. In vielen Fällen werden bei videobasierten Systemen alle detektierten Brandereignisse aufgezeichnet, häufig auch das gesamte Videomaterial. Auf Basis dieses Videomaterials ist es dem Benutzer möglich, zu verifizieren, ob es sich um einen echten Alarm oder um einen Falschalarm handelt. Nun ist es möglich, Sequenzen, in denen kein Alarm aufgetreten ist, mit künstlichen Brandereignissen zur augmentieren. Das können etwa eine künstlich gerenderte Flamme oder künstlich gerenderter Rauch oder beliebige Kombinationen dergleichen sein. Der Benutzer könnte beispielsweise auch aus einem Set vom Hersteller zur Verfügung gestellter vorgerenderter Brandereignisse solche auswählen, die besonders beispielhaft für die überwachte Szene sind. Diese Sequenzen werden dann der Trainingsdatenbank des Systems wieder zur Verfügung gestellt und der Trainingsprozess beginnt erneut. Bei jedem Trainingsdurchlauf wird überprüft, ob die erforderlichen Sequenzen (z.B. EN54-Testbrände) noch detektiert werden. Falls nicht, ist das Training nicht erfolgreich und wird unter anderer Parametrierung neu gestartet. Nach Abschluss des Trainingsprozesses wird das neu trainierte System zur Branddetektion verwendet.
-
4 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens 400 zum Erkennen eines Brandereignisses mit einem Branddetektionssystem. Dabei ist das in diesem Verfahren 400 verwendete Branddetektionssystem mit einem Verfahren zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort, wie es in den vorangegangenen Figuren beschrieben wurde, adaptiert. Das Verfahren 400 zum Erkennen eines Brandereignisses umfasst einen Schritt 405 des Einlesens einer Kamerainformation und einen Schritt 410 des Auswertens der Kamerainformation mit zumindest einer Komponente des Branddetektionssystems, die gemäß einem der vorangegangenen Ansprüche adaptiert wurde, um ein Brandereignis zu erkennen.
-
5 zeigt eine schematische Darstellung eines Ausführungsbeispiels einer Vorrichtung 500. Die Vorrichtung 500 umfasst in diesem Ausführungsbeispiel ein Branddetektionssystem 505, das lediglich beispielhaft als neuronales Netzwerk ausgebildet ist und mit dem ein Verfahren zum ortsspezifischen Adaptieren eines vortrainierten, kamerabasierten Branddetektionssystems an einen Einsatzort, wie es in den vorangegangenen 1, 2 und 3 beschrieben wurde, sowie ein Verfahren zum Erkennen eines Brandereignisses, wie es in der vorangegangenen 4 beschrieben wurde, durchführbar ist. Hierfür umfasst das Branddetektionssystem 505 eine Kameraeinheit 510 zum Erfassen eines Einsatzortes 515. Von der Kameraeinheit 510 erfasste und ortsspezifische Kamerainformationen sind mittels einer Einleseeinheit 520 des Branddetektionssystems 505 einlesbar und mittels einer Augmentiereinheit 525 augmentierbar. Zum Augmentieren einer von der Kameraeinheit 510 Nicht-
-
Brandszene mit einer bildlichen Darstellung eines Brandereignisses umfasst das Branddetektionssystem 505 in diesem Ausführungsbeispiel eine Datenbank 530, in der eine Mehrzahl von bildlichen Darstellungen von Brandereignissen hinterlegt ist. Die mit der bildlichen Darstellung von einem Brandereignis augmentierte Szene ist als Abbild einer ortsspezifischen Brandszene speicherbar. Das Branddetektionssystem 505 umfasst weiterhin eine Trainiereinheit 535 zum Trainieren des Branddetektionssystems unter Verwendung des Abbilds der ortsspezifischen Brandszene, um das Branddetektionssystem 505 ortsspezifisch zu adaptieren.
-
6 zeigt eine Darstellung eines Ausführungsbeispiels einer ortsspezifischen Kamerainformation 600, die in diesem Ausführungsbeispiel als ortsspezifische Nicht-Brandszene interpretierbar ist. Dabei bildet die Kamerainformation 600 einen Einsatzort 515 ab, der lediglich beispielhaft als Lagerhalle ausgeführt ist.
-
7 zeigt eine Darstellung eines Ausführungsbeispiels eines Abbilds 700 einer ortsspezifischen Brandszene. In der hier gezeigten Darstellung ist die in der vorangegangenen 6 beschriebene Nicht-Brandszene augmentiert, um das Abbild 700 der ortsspezifischen Brandszene zu erhalten. Lediglich beispielhaft ist hierfür eine bildlichen Darstellung 705 von einem Brandereignis künstlich eingefügt, wobei es sich bei dem Brandereignis lediglich beispielhaft um dunklen, gerade aufsteigenden Rauch handelt.
-
8 zeigt eine Darstellung eines Ausführungsbeispiels eines Abbilds 700 einer ortsspezifischen Brandszene. In der hier gezeigten Darstellung ist die in der vorangegangenen 6 beschriebene Nicht-Brandszene augmentiert, um das Abbild 700 der ortsspezifischen Brandszene zu erhalten. Lediglich beispielhaft ist hierfür eine bildlichen Darstellung 705 von einem Brandereignis künstlich eingefügt, wobei es sich bei dem Brandereignis lediglich beispielhaft um gemischten, abdriftenden Rauch handelt.
-
9 zeigt eine Darstellung eines Ausführungsbeispiels eines Abbilds 700 einer ortsspezifischen Brandszene. In der hier gezeigten Darstellung ist die in der vorangegangenen 6 beschriebene Nicht-Brandszene augmentiert, um das Abbild 700 der ortsspezifischen Brandszene zu erhalten. Lediglich beispielhaft ist hierfür eine bildlichen Darstellung 705 von einem Brandereignis künstlich eingefügt, wobei es sich bei dem Brandereignis lediglich beispielhaft um hellen, gerade aufsteigenden Rauch handelt.
-
Umfasst ein Ausführungsbeispiel eine „und/oder“-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.
-
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 102019207711 A1 [0002]
