EP4508470A1 - Verfahren für ein detektionsgerät; detektionsgerät - Google Patents

Verfahren für ein detektionsgerät; detektionsgerät

Info

Publication number
EP4508470A1
EP4508470A1 EP23717480.0A EP23717480A EP4508470A1 EP 4508470 A1 EP4508470 A1 EP 4508470A1 EP 23717480 A EP23717480 A EP 23717480A EP 4508470 A1 EP4508470 A1 EP 4508470A1
Authority
EP
European Patent Office
Prior art keywords
detection device
detection
detection signal
machine learning
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23717480.0A
Other languages
English (en)
French (fr)
Inventor
Heiko SGARZ
Jan-Michael Brosi
Frank Wolter
Andreas Vogt
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4508470A1 publication Critical patent/EP4508470A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Definitions

  • a method for a detection device has already been proposed, wherein the detection device is intended to non-destructively detect a detection signal from an object arranged within an examination substrate.
  • the invention is based on a method for a detection device, wherein the detection device is intended to non-destructively detect a detection signal from an object arranged within an examination substrate.
  • the detection signal is assigned to a detection result in at least one method step of the method based on a machine learning process in order to output the detection result and/or use it to set the detection device.
  • the method preferably includes an application phase.
  • the detection signal is detected by a sensor unit of the detection device in at least one detection step of the method.
  • the detection signal is evaluated by an evaluation unit in at least one evaluation step of the method.
  • the evaluation unit is preferably a computing unit of the detection device or alternatively an external computing system, which has a data connection, in particular radio wave-bound, with the Detection device, in particular an Internet server.
  • the detection result is preferably output to a user of the detection device by an output unit of the detection device and/or by an external output device, for example a smartphone, a tablet or the like. Additionally or alternatively, in the application phase, the detection result is used by the computing unit of the detection device in a setting step of the method in order to change a setting of the detection device, in particular in order to carry out the detection step with a setting of the detection device that is tailored to the object and/or the background, in particular the Sensor unit, repeat.
  • the method preferably includes a learning phase.
  • example values (so-called training data) for the detection signal are collected in a data acquisition step of the method.
  • the example values can be detected by the sensor unit of the detection device, detected by a sensor unit of another detection device, generated by a simulation, read from logged data sets and/or the like.
  • the example values are processed by the machine learning process into a model that maps the detection signal to the detection result.
  • the machine learning process is preferably carried out by a learning unit.
  • the learning unit is preferably an external computing system, in particular the one already mentioned, alternatively the computing unit of the detection device or another external computing system, for example a private server.
  • the method includes a provision step in which, after the learning phase, the model generated with the machine learning process is transferred to the detection device and stored in a memory of the evaluation unit, in particular the computing unit of the detection device.
  • the evaluation unit preferably uses the model generated with the machine learning process to carry out the evaluation step.
  • the learning phase can be completed before the application phase or can overlap in time with the application phase, with the example values on which the model is based being supplemented in particular by the measured values of the detection signal recorded in the application phase.
  • the machine learning process is an algorithm from the field of machine learning to create the model, preferably based on the example values.
  • the machine learning process preferably includes a neural network and/or a classification method.
  • the machine learning process may include supervised learning and/or unsupervised learning.
  • the method preferably includes an assignment step in which at least one evaluation parameter is assigned to example values of the detection signal.
  • the detection result can be identical to an evaluation parameter, include several evaluation parameters or can be determined depending on the evaluation parameters.
  • the evaluation parameter in particular the entirety of evaluation parameters, for an example value indicates which detection result the model should map this example value onto.
  • the evaluation parameter is subsequently assigned to a structure in the example values determined by the learning process.
  • the assignment step can be carried out manually or can be carried out automatically as part of the data acquisition step.
  • the evaluation parameter can, for example, describe a condition of the examination substrate, a type of object, a size of the object, a depth of the object in the examination substrate or the like.
  • the evaluation parameter can be known, for example, if an example value for the detection signal is recorded on a known examination surface with a known object.
  • the examination background and/or the object can be determined, for example, by recreating a detection situation with the detection device in a laboratory or by computer-based simulation of the detection situation and/or can be taken from a construction plan.
  • the evaluation parameter can be detected, for example, by an external sensor device, which includes other, in particular invasive and/or sensors that cannot be integrated into the detection device due to a limited installation space of the detection device, and/or more precise sensors than the sensor unit of the detection device.
  • the detection device is intended in particular to be placed on the examination surface and/or moved in order to detect the object.
  • “Non-destructive” means in particular without permanent change, in particular without damage
  • the examination background and the object can be understood.
  • the detection device detects the object non-invasively.
  • the sensor unit generates a signal in the detection step and sends it out into the examination substrate, in particular as an electromagnetic wave or as an electromagnetic field, with the sensor unit detecting a change, in particular a backscatter, of the signal through the examination substrate and/or the object as a detection signal.
  • the detection device is intended to detect a signal emanating from the object as a detection signal.
  • the detection device is intended, for example, to detect a metal object, a non-metal object, an electrical line, in particular a low-voltage line, a line with single-phase alternating current or a three-phase line, a wooden beam, a metal support or a plastic pipe, in particular a water-filled plastic pipe or not - water-filled plastic pipe, or the like to detect as an object.
  • the examination surface is, for example, a wall, a ceiling, a floor or a piece of furniture in a building.
  • the detection signal can advantageously be evaluated in detail.
  • additional information contained in the detection signal which goes beyond the mere presence or absence of the object, can advantageously be reliably extracted from the detection signal.
  • operation of the detection device can advantageously be kept simple and/or a user of the detection device can be provided with an advantageously large amount of information with, in particular, only a single measurement with the detection device.
  • an advantageously reliable repeatability of the detection result can be achieved and, in particular, a dependence of the detection result on a travel path of the detection device on the examination surface can be advantageously kept low.
  • example values for the detection signal are divided into different groups depending on a cluster formation of the example values.
  • the learning phase includes a pre-processing step in which the learning unit reads the example data before Learning step prepared
  • the learning unit preferably carries out unsupervised learning in order to divide the example values into groups.
  • the learning unit preferably divides the example values into at least two different groups.
  • the learning unit determines the groups and whether the example values belong to these groups, preferably using a cluster method.
  • the learning unit extracts at least one feature, preferably several features, from each example value to be processed.
  • the feature can be, for example, a physical quantity, a statistical quantity or an abstract key figure of the example value. If example values have similar values for the feature/all features, the learning unit preferably assigns the example values to the same group. If example values have different values for the feature/one of the features, the learning unit preferably assigns the example values to different groups. Whether the values of the characteristics are similar or different is defined by the clustering method used.
  • the design according to the invention allows example values to be summarized and processed together that are similar to one another as measured by the extracted features.
  • the same evaluation parameters can be assigned to all example values within the same group with an advantageously low risk of error.
  • a time period for executing the assignment step can advantageously be kept short.
  • an example value that was recorded in an unknown detection situation can be assigned an evaluation parameter of an example value of the same group that was detected in a known detection situation.
  • the machine learning process uses a nearest neighbor classification to carry out a classification into different groups.
  • the learning unit particularly preferably uses a K-nearest neighbor algorithm (KNN) to carry out the division into the different groups.
  • KNN K-nearest neighbor algorithm
  • the learning unit assigns an example value to a group depending on which group the majority of the neighboring example values have been assigned to.
  • Adjacent example values are a defined number of example values that have the smallest distance to the example value to be divided in a parameter space spanned by the features. The Distance between two example values in the parameter space spanned by the features can be determined using the Euclidean metric, the Manhattan metric or another metric.
  • the number of adjacent example values used can be determined by an operator of the learning unit and/or determined using an optimization algorithm.
  • a voting share of the example values is weighted, in particular with the respective distance of the neighboring example values from the example value to be divided.
  • the example values are divided into different groups using a cuboid classifier, a distance classifier, a polynomial classifier or another classifier. The design according to the invention makes it possible to achieve an advantageously reliable division of the example values into the groups.
  • an evaluation parameter in particular the already mentioned example values for the detection signal, is assigned in groups.
  • at least one example value from each group is selected as a representative of the group.
  • the representative is an example value whose evaluation parameters are known through readjustment, simulation or from other sources.
  • the learning unit assigns the evaluation parameter or parameters that are assigned to the representative to all example values within the representative's group.
  • the representative can be added to the remaining example values in the data acquisition step or can be determined after the remaining example values have been divided into groups.
  • the learning unit uses the representatives and/or domain knowledge as support points for the nearest neighbor classification.
  • the number of groups is determined automatically, for example by varying the initial cluster centers and minimum sum distances.
  • the design according to the invention allows the duration of the assignment step to be kept advantageously short.
  • an advantageously large number of example values can be used for the machine learning process, the evaluation parameters of which have not been recorded in detail.
  • a data set of example values for the detection signal consists at least essentially of user data. Under "essentially” should in particular be more than 30%, preferably more than 60 %, particularly preferably more than 90%, most preferably more than 99%.
  • the data set includes the representatives of the groups in addition to the user data.
  • User data should in particular be understood as meaning detection signals that are recorded by a user in the application phase with the detection device or another detection device, in particular in a real, ie not simulated or simulated, detection situation.
  • user data is collected from a variety of detection devices to form the data set.
  • the user data is automatically transmitted to the learning unit from a data interface of the detection device. Due to the design according to the invention, the time and cost required for readjusting and/or simulating detection situations can be advantageously kept low.
  • the example values advantageously include many real and not just ideal recording situations, which cannot be reproduced in the laboratory, particularly in terms of their complexity and/or diversity.
  • an advantageously robust model can be created using the machine learning process.
  • an operating mode of the detection device is automatically selected depending on the machine learning process.
  • the detection device in particular the sensor unit, comprises at least one operating mode, which is intended for a specific detection situation, and at least one further operating mode, which is intended for a further detection situation.
  • Detection situations differ, for example, due to different materials or construction methods of the examination surface and/or due to different types of the detected object.
  • the operating modes differ, for example, by a sensor element used by the sensor unit and/or by a signal parameter of the emitted signal, for example intensity, frequency, duration or the like.
  • the sensor unit detects an initial detection signal in a detection situation, which is evaluated by the evaluation unit to produce an initial result.
  • the evaluation unit in particular the computing unit of the detection device, selects one of the operating modes based on the initial result in order to carry out all subsequent detection steps in the same detection situation in the selected operating mode.
  • a table is stored in a memory of the evaluation unit, in particular the computing unit of the detection device, which assigns the operating modes to the initial result and is read by the evaluation unit to select the operating mode.
  • the detection result includes the operating mode intended for the detection situation as an evaluation parameter and is learned in the course of the machine learning process.
  • a zero reference for the detection signal is automatically selected as a function of the machine learning process.
  • the zero reference is a measured value of the detection signal when the examination surface is free of detectable objects.
  • the evaluation unit preferably evaluates a difference between the detection signal and the zero reference in order to determine whether an object is present in the examination substrate or not.
  • the zero reference normally depends on the material and construction of the substrate under investigation.
  • the different operating modes of the detection device have different zero references.
  • the null reference(s) is/are preferably part of the model created by the machine learning process.
  • a zero reference is assigned to each example value, in particular to each group of example values.
  • the zero references are stored as a table in a memory of the computing unit and are read out by the computing unit depending on the selected operating mode.
  • the design according to the invention makes it possible to dispense with a separate determination of the zero reference by a user of the detection device.
  • the detection device can advantageously be used quickly to detect an object after being switched on.
  • the risk of incorrect operation of the detection device can be advantageously kept low.
  • the detection device in at least one method step, outputs an evaluation parameter, in particular the one already mentioned, of a group of example values of the detection signal, in particular the one already mentioned, when a measured value of the detection signal is assigned to this group.
  • the evaluation unit preferably assigns the evaluation parameter to the measured value using the model.
  • the output unit preferably outputs at least whether an object is detected or whether no object is detected.
  • the output unit preferably outputs the evaluation parameter in addition to the information as to whether an object is detected or not. For example, the output unit outputs a material or a structure of the examination substrate as an evaluation parameter.
  • the output unit gives as evaluation parameters the type of detected object, the size of the detected object, in particular a maximum extension of the detected object parallel to a surface of the examination substrate, a distance of the detected object from the surface of the examination substrate, in particular to the surface of the Examination background parallel, distance of an edge of the detected object to a current measuring point of the detection device, and / or the like.
  • the design according to the invention can advantageously provide a user with a large amount of information, in particular with a single measurement.
  • a detection device with at least one, in particular the already mentioned, sensor unit for detecting a, in particular the already mentioned, detection signal and with at least one, in particular the already mentioned, computing unit for carrying out a method according to the invention.
  • the sensor unit includes at least one sensor element.
  • the sensor unit includes several, in particular differently designed, sensor elements. Examples of sensor elements of the sensor unit include a radar, in particular a narrow band radar, in particular in a frequency range from 2.4 GHz to 2.4835 GHz, and/or a Ultra wide band radar, an inductive sensor, a capacitive sensor, an alternating current sensor, in particular a 50 Hz alternating current sensor and/or a 60 Hz alternating current sensor, or the like.
  • a “computing unit” is to be understood in particular as a unit with information input, information processing and information output.
  • the computing unit advantageously has at least one processor, a memory, input and output means, further electrical components, an operating program, control routines, control routines and/or calculation routines.
  • the components of the computing unit are preferably arranged on a common circuit board and/or advantageously arranged in a common housing.
  • the detection device preferably includes the output unit for outputting the detection result.
  • the output unit includes, for example, a display, a microphone, a vibration alarm or the like to output the detection result.
  • the detection device preferably includes the data interface.
  • the data interface can have a wired and/or radio wave-bound interface element, in particular a Bluetooth interface, a WLAN interface, an Ethernet interface or the like.
  • the data interface is intended to output the detection result on the external output device, to forward the detection signal to the external computing system and/or to receive the model from the external computing system.
  • the design according to the invention makes it possible to provide a detection device which is advantageously easy to operate and/or which advantageously provides a lot of information.
  • the detection device according to the invention and/or the method according to the invention should not be limited to the application and embodiment described above.
  • the detection device according to the invention and/or the method according to the invention can have a number of individual elements, components and units as well as method steps that deviate from the number of individual elements, components and units as well as method steps mentioned herein in order to fulfill a function of operation described herein.
  • values lying within the stated limits should also be considered disclosed and can be used in any way.
  • FIG. 1 shows a schematic representation of a detection device according to the invention
  • Fig. 3 shows a schematic division of a data set of example data in the course of a machine learning process of the method according to the invention.
  • Figure 1 shows a detection device 12.
  • the detection device 12 is shown arranged on a surface of an examination substrate 14, for example a wall.
  • the detection device 12 is intended to non-destructively detect a detection signal from an object 16 arranged within the examination substrate 14.
  • the detection device 12 is preferably designed to be handheld, preferably can be held with one hand and in particular can be operated with the same hand.
  • the detection device particularly preferably has a total volume of less than 7000 cm 3 , preferably less than 5000 cm 3 , particularly preferably less than 3000 cm 3 .
  • the detection device 12 includes a sensor unit 24 for detecting the detection signal.
  • the sensor unit 24 preferably comprises at least one sensor element which is intended to emit an electromagnetic signal into the examination substrate 14 and to detect a portion of the emitted signal that is backscattered by the object 16 as a detection signal.
  • the sensor unit 24 includes a capacitive sensor and/or an inductive sensor for detecting the detection signal.
  • the detection device 12 includes a computing unit 26 for evaluating the detection signal to produce a detection result.
  • the detection device 12 preferably includes an output unit 28 for outputting the detection result.
  • the output unit 28 preferably includes a display for showing the detection result.
  • the detection device 12 comprises at least one data interface 32 for data exchange with an external computing system and/or an external output device.
  • the detection device 12 preferably comprises an energy supply unit 34 for supplying the sensor unit 24, the computing unit 26, the output unit 28 and/or the data interface 32 with electrical energy.
  • the energy supply unit 34 is intended in particular to accommodate at least one battery and/or an accumulator.
  • the detection device 12 preferably comprises at least one operating element 30, for example a switch, a button, a slider or the like, for operating the detection device 12, in particular for triggering a detection with the detection device 12.
  • the detection device 12 comprises a housing 36, within which at least the sensor unit 24 is arranged.
  • the computing unit 26, the data interface 32 and/or the energy supply unit 34 are preferably arranged in the housing 36.
  • the output unit 28 and/or the operating element 30 is preferably arranged on the housing 36 or embedded in the housing 36.
  • the external computing system and/or the external output device are/is preferably designed independently of the detection device 12 (not shown here).
  • FIG. 2 shows a flowchart of a method 10 for the detection device 12.
  • the method 10 preferably includes a detection step 40 in which the sensor unit 24 detects the detection signal.
  • the method 10 includes an evaluation step 42 in which the detection signal is evaluated to produce the detection result depending on a machine learning process.
  • the method 10 in particular includes an output step 44 in which the detection result is output.
  • the method 10 preferably includes an adjustment step 46, in which the computing unit 26 adjusts the Detection device 12, in particular the sensor unit 24 and / or the computing unit 26, changed depending on the detection result
  • the method 10 preferably includes an application phase 38.
  • the application phase 38 is preferably carried out completely, alternatively partially, by means of the detection device 12.
  • the application phase 38 preferably includes the detection step 40, the evaluation step 42, the output step 44 and / or the setting step 46.
  • the Evaluation step 42 is carried out by the computing unit 26.
  • the evaluation step 42 is carried out by an external computer system, in particular the one already mentioned or another.
  • the output step 44 is preferably carried out by the output unit 28.
  • the output step 44 is carried out by the external output device.
  • the data interface 32 transmits the detection signal to the further external computing system, receives the detection result from the external computing system and/or sends the detection result to the external output device.
  • the method 10 preferably includes a learning phase 18.
  • the learning phase 18 is preferably carried out by the external computing system, alternatively by the computing unit 26.
  • a model is created using the machine learning process, which maps the detection signal to the detection result.
  • the model is stored in a memory of the computing unit 26 of the detection device 12.
  • the computing unit 26 applies the model in the evaluation step 42 in order to convert a measured value of the detection signal recorded by the sensor unit 24 into the detection result.
  • the learning phase 18 preferably includes a data acquisition step 48.
  • example values 22 (see FIG. 3) are recorded, which are processed to create the model.
  • the method 10 preferably includes a collecting step 56, in which measured values of the detection signal recorded by the sensor unit 24 are collected as example values 22.
  • the data interface 32 preferably transmits the measured values recorded by the sensor unit 24, in particular collected or individually, to the external computing system in the collection step 56. It is particularly preferred to collect external computer system measured values from a variety of detection devices, especially as part of an Internet of Things (loT) concept.
  • a data set from the example values 22 for the detection signal consists at least essentially of user data. User data are measured values of the detection signal that are recorded by users in the application phase 38 using the detection device 12.
  • the manufacturer of the detection device 12 additionally determines example values 22 as representatives.
  • the representatives are determined, for example, by recording with the detection device 12 on a replica of different examination surfaces 14 including different objects 16 and/or by simulating detection steps 40 on different examination surfaces 14 including different objects 16.
  • the data set comprises at least 10 times, preferably at least 100 times, particularly preferably at least 1000 times, more user data than representatives.
  • the learning phase 18 preferably includes a pre-processing step 50.
  • the example values 22 are evaluated with regard to at least one feature 60, 62, preferably several features 60, 62 (see FIG. 3).
  • the at least one feature 60, 62 is preferably provided as a distinguishing criterion, based on which the external computing system evaluates whether two example values 22 are the same or different.
  • Features 60, 62 of the example values can be, for example, an intensity of the detection signal, a ratio of the backscattered portion to the emitted portion of the detection signal, an average value of the detection signal, an extreme value of the detection signal, a duration of an amplitude modulation of the detection signal caused by the object, a fluctuation range of the detection signal or similar.
  • the example values 22 for the detection signal are divided into different groups 20 by the external computing system depending on the clustering of the example values 22.
  • the external computing system evaluates the clustering of the example values 22, preferably based on the determined features 60, 62. In particular, the external computing system determines whether a distribution of the example values 22 within a parameter space spanned by the at least one feature 60, 62 has clusters. A dimensionality of the parameter space is equal to the number of different ones Features 60, 62 per example value 22. A distribution of the example values 22 in a two-dimensional parameter space spanned by a feature 60 and a further feature 62 is shown by way of example in FIG.
  • the external computing system preferably assigns the example values 22 forming a cluster to the same group 20.
  • the external computing system preferably assigns example values 22, which form different clusters, to different groups 20. In Figure 3, the example values 22 were divided into ten groups 20 as an example.
  • the external computing system uses a nearest neighbor classification to classify the example values 22 into the
  • the method 10 preferably includes an assignment step 52.
  • at least one evaluation parameter is assigned to the example values 22 for the detection signal in groups.
  • each group 20 is assigned at least one evaluation parameter.
  • several evaluation parameters are assigned to at least one group 20.
  • Two different groups 20 differ from each other in at least one of the evaluation parameters assigned to them.
  • the at least one evaluation parameter is processed by the machine learning process in particular as an intermediate result to be learned or as a final result to be learned.
  • a subsurface parameter is assigned to the groups 20 as an evaluation parameter, which describes or characterizes the examination subsurface 14.
  • the subsurface parameter includes, for example, the values: concrete, lightweight construction, drywall, in particular thickness and/or number of plasterboard panels and/or wooden panels of lightweight construction or drywall, brick wall, in particular type of stone of the brick wall, presence of underfloor heating or wall heating , or similar.
  • An object type parameter which describes or characterizes the type of object 16 is preferably assigned to the groups 20 as an evaluation parameter.
  • the object type parameter includes, for example, the values: metal, non-metal, live, non-current, magnetic, non-magnetic, low voltage cable, single-phase alternating current cable, especially between 110 V and 230 V, multi-phase alternating current cable, three-phase cable, wooden beam , metal support, plastic pipe, water-filled pipe, especially fresh water pipe, non-water-filled pipe, especially sewage pipe.
  • the groups 20 are given as Evaluation parameter is assigned a depth parameter that describes or characterizes a distance of the object 16 from a surface of the examination substrate 14. The depth parameter can indicate the distance continuously or in areas.
  • a shape parameter which describes or characterizes a shape or extent of the object 16 is preferably assigned to the groups 20 as an evaluation parameter.
  • the shape parameter indicates, for example, a diameter of the object 16.
  • the assignment step 52 is carried out by the external computing system using the representatives.
  • the evaluation parameters of the representatives can be recorded by the manufacturer of the detection device 12, for example with a sensor device on the replicas that is independent of the detection device 12, read from data sheets for the replicas or read from a simulation program and stored in a memory of the external computing system become.
  • the external computing system preferably determines at least one representative for each group 20, reads its evaluation parameters from the memory of the external computing system and assigns these evaluation parameters to all example values 22 in the same group 20 as the representative. If there are several representatives with different evaluation parameters in the same group 20, the external computing system optionally carries out a further division of these groups 20 into subgroups.
  • the learning phase 18 includes in particular a learning step 54.
  • the external computing system creates the model using the machine learning process.
  • the external computing system uses the example values 22 as input values of the model and the evaluation parameters assigned to the example values 22 as output values of the model.
  • the detection result is composed in particular of the entirety of the evaluation parameters or is determined depending on the evaluation parameters.
  • the external computing system transmits the model via the data interface 32 to the computing unit 26 of the detection device 12.
  • the computing unit 26 of the detection device 12 uses the model to automatically select an operating mode of the detection device 12.
  • the sensor unit 24 detects an initial detection signal in the detection step 40, which becomes one in the evaluation step 42 Initial result is evaluated.
  • the computing unit 26 determines in particular the background parameter using the model in order to automatically select a zero reference for the detection signal in the setting step 46 depending on the machine learning process.
  • the computing unit 26 determines in particular the object type parameter, the depth parameter and/or the shape parameter by means of the model in order to increase a sensitivity of the sensor unit 24 for the object 16 in the setting step 46 and/or to avoid oversaturation of the sensor unit 24 .
  • the detection device 12 outputs the at least one evaluation parameter of that group 20 of example values 22 of the detection signal in the output step 44 if the model assigns a measured value of the detection signal to this group 20.
  • the output unit 28 preferably outputs whether the object 16 was detected.
  • the output unit 28 preferably outputs the object type parameter and the background parameter.
  • the output unit 28 optionally outputs the depth parameter and/or the shape parameter.

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

Die Erfindung geht aus von einem Verfahren für ein Detektionsgerät, wobei das Detektionsgerät dazu vorgesehen ist, ein Detektionssignal von einem innerhalb eines Untersuchungsuntergrunds (14) angeordneten Objekt (16) zerstörungsfrei zu erfassen. Es wird vorgeschlagen, dass das Detektionssignal in zumindest einem Verfahrensschritt auf Basis eines maschinellen Lernprozesses einem Detektionsresultat zugeordnet wird, um das Detektionsresultat auszugegeben und/oder zu einem Einstellen des Detektionsgeräts zu nutzen.

Description

Beschreibung
Verfahren für ein
Stand der Technik
Es ist bereits ein Verfahren für ein Detektionsgerät, wobei das Detektionsgerät dazu vorgesehen ist, ein Detektionssignal von einem innerhalb eines Untersuchungsuntergrunds angeordneten Objekts zerstörungsfrei zu erfassen, vorgeschlagen worden.
Offenbarung der Erfindung
Die Erfindung geht aus von einem Verfahren für ein Detektionsgerät, wobei das Detektionsgerät dazu vorgesehen ist, ein Detektionssignal von einem innerhalb eines Untersuchungsuntergrunds angeordneten Objekts zerstörungsfrei zu erfassen.
Es wird vorgeschlagen, dass das Detektionssignal in zumindest einem Verfahrensschritt des Verfahrens auf Basis eines maschinellen Lernprozesses einem Detektionsresultat zugeordnet wird, um das Detektionsresultat auszugegeben und/oder zu einem Einstellen des Detektionsgeräts zu nutzen. Das Verfahren umfasst vorzugsweise eine Anwendungsphase. In der Anwendungsphase wird in zumindest einem Erfassungsschritt des Verfahrens das Detektionssignal von einer Sensoreinheit des Detektionsgeräts erfasst. In der Anwendungsphase wird in zumindest einem Auswerteschritt des Verfahrens das Detektionssignal von einer Auswerteeinheit ausgewertet. Die Auswerteeinheit ist bevorzugt eine Recheneinheit des Detektionsgeräts oder alternativ eine externe Rechenanlage, welche eine, insbesondere funkwellengebundene, Datenverbindung mit dem Detektionsgerät aufweist, insbesondere ein Internet-Server. In der Anwendungsphase wird das Detektionsresultat vorzugsweise von einer Ausgabeeinheit des Detektionsgeräts und/oder von einem externen Ausgabegerät, beispielsweise einem Smartphone, einem Tablet oder dergleichen, an einen Benutzer des Detektionsgeräts ausgegeben. Zusätzlich oder alternativ wird in der Anwendungsphase das Detektionsresultat von der Recheneinheit des Detektionsgeräts in einem Einstellschritt des Verfahrens genutzt, um eine Einstellung des Detektionsgeräts zu ändern, insbesondere um den Erfassungsschritt mit einer auf das Objekt und/oder den Hintergrund abgestimmten Einstellung des Detektionsgeräts, insbesondere der Sensoreinheit, zu wiederholen.
Das Verfahren umfasst vorzugsweise eine Einlernphase. In der Einlernphase werden in einem Datenbeschaffungsschritt des Verfahrens Beispielwerte (sogenannte Trainingsdaten) für das Detektionssignal gesammelt. Die Beispielwerte können von der Sensoreinheit des Detektionsgeräts erfasst werden, von einer Sensoreinheit eines weiteren Detektionsgeräts erfasst werden, von einer Simulation erzeugt werden, aus protokollierten Datenbeständen ausgelesen werden und/oder dergleichen. In einem Lernschritt der Einlernphase werden die Beispielwerte von dem maschinellen Lernprozess zu einem Modell verarbeitet, welches das Detektionssignal auf das Detektionsresultat abbildet. Der maschinelle Lernprozess wird vorzugsweise von einer Lerneinheit durchgeführt. Die Lerneinheit ist vorzugsweise eine, insbesondere die bereits genannte, externe Rechenanlage, alternativ die Recheneinheit des Detektionsgeräts oder eine weitere externe Rechenanlage, beispielsweise ein privater Server. Optional umfasst das Verfahren einen Bereitstellungschritt, in welchem nach der Einlernphase das mit dem maschinellen Lernprozess erzeugte Modell auf das Detektionsgerät übertragen und in einem Speicher der Auswerteeinheit, insbesondere der Recheneinheit des Detektionsgeräts, hinterlegt wird. Vorzugsweise verwendet die Auswerteeinheit in der Anwendungsphase das mit dem maschinellen Lernprozess erzeugte Modell, um den Auswerteschritt auszuführen. Die Einlernphase kann vor der Anwendungsphase abgeschlossen sein oder mit der Anwendungsphase zeitlich überlappen, wobei die dem Modell zugrundeliegenden Beispielwerte insbesondere durch die in der Anwendungsphase erfassten Messwerte des Detektionssignals ergänzt werden. Der maschinelle Lernprozess ist ein Algorithmus aus dem Bereich des maschinellen Lernens, um vorzugsweise ausgehend von den Beispielwerten das Modell zu erstellen. Der maschinelle Lernprozess umfasst vorzugsweise ein neuronales Netz und/oder ein Klassifikationsverfahren. Der maschinelle Lernprozess kann ein überwachtes Lernen und/oder ein unüberwachtes Lernen umfassen. Das Verfahren umfasst vorzugsweise einen Zuordnungsschritt, bei welchem Beispielwerten des Detektionssignals zumindest ein Auswerteparameter zugeordnet wird. Das Detektionsresultat kann identisch mit einem Auswerteparameter sein, mehrere Auswerteparameter umfassen oder in Abhängigkeit der Auswerteparameter ermittelt werden. Der Auswerteparameter, insbesondere die Gesamtheit an Auswerteparametern, zu einem Beispielwert gibt bei einem überwachten Lernen während des Lernprozesses an, auf welches Detektionsresultat das Modell diesen Beispielwert abbilden soll. Bei einem unüberwachten Lernen wird der Auswerteparameter im Nachhinein einer durch den Lernprozess ermittelten Struktur in den Beispielswerten zugeordnet. Der Zuordnungsschritt kann manuell durchgeführt werden oder im Zuge des Datenbeschaffungsschritts automatisiert durchgeführt werden. Der Auswerteparameter kann beispielsweise eine Beschaffenheit des Untersuchungsuntergrunds, einen Typ des Objekts, eine Größe des Objekts, eine Tiefe des Objekts in dem Untersuchungsuntergrund oder dergleichen beschreiben. Der Auswerteparameter kann beispielsweise bekannt sein, wenn ein Beispielwert für das Detektionssignal an einem bekannten Untersuchungsuntergrund mit einem bekannten Objekt erfasst wird. Der Untersuchungsuntergrund und/oder das Objekt können beispielsweise durch ein Nachstellen einer Erfassungssituation mit dem Detektionsgerät in einem Labor oder durch ein computerbasiertes Simulieren der Erfassungssituation festgelegt sein und/oder aus einem Bauplan entnommen werden. Der Auswerteparameter kann beispielsweise von einer externen Sensorvorrichtung erfasst werden, welche andere, insbesondere invasive und/oder aufgrund eines beschränkten Bauraums des Detektionsgeräts nicht in das Detektionsgerät integrierbare, und/oder präzisere Sensoren umfasst als die Sensoreinheit des Detektionsgeräts.
Das Detektionsgerät ist während der Anwendungsphase insbesondere dazu vorgesehen, an dem Untersuchungsuntergrund angelegt und/oder verfahren zu werden, um das Objekt zu detektieren. Unter „zerstörungsfrei“ soll insbesondere ohne permanente Veränderung, insbesondere ohne Beschädigung, des Untersuchungsuntergrunds und des Objekts verstanden werden. Insbesondere erfasst das Detektionsgerät das Objekt nicht-invasiv. Vorzugsweise erzeugt die Sensoreinheit in dem Erfassungsschritt ein Signal und sendet dieses in den Untersuchungsuntergrund aus, insbesondere als elektromagnetische Welle oder als elektromagnetisches Feld, wobei die Sensoreinheit eine Veränderung, insbesondere eine Rückstreuung, des Signals durch den Untersuchungsuntergrund und/oder das Objekt als Detektionssignal erfasst. Alternativ oder zusätzlich ist das Detektionsgerät dazu vorgesehen, ein von dem Objekt ausgehendes Signal als Detektionssignal zu erfassen. Das Detektionsgerät ist beispielsweise dazu vorgesehen, einen metallenen Gegenstand, einen nicht-metallenen Gegenstand, eine elektrische Leitung, insbesondere eine Niederspannungsleitung, eine Leitung mit einphasigem Wechselstrom oder eine Drehstromleitung, einen Holzbalken, einen Metallträger oder ein Plastikrohr, insbesondere ein wassergefülltes Plastikrohr oder ein nicht-wassergefülltes Plastikrohr, oder dergleichen als Objekt zu detektieren. Der Untersuchungsuntergrund ist beispielsweise eine Wand, eine Decke, ein Boden oder ein Einrichtungsgegenstand eines Gebäudes.
Durch die erfindungsgemäße Ausgestaltung kann das Detektionssignal vorteilhaft detailliert ausgewertet werden. Insbesondere können in dem Detektionssignal enthaltene Zusatzinformationen, die über ein bloßes Vorhandensein oder nicht Vorhandensein des Objekts hinausgehen, vorteilhaft zuverlässig aus dem Detektionssignal extrahiert werden. Durch die Nutzung der Zusatzinformation kann eine Bedienung des Detektionsgeräts vorteilhaft einfach gehalten werden und/oder ein Benutzer des Detektionsgeräts mit einer vorteilhaft großen Informationsmenge mit insbesondere nur einer einzelnen Messung mit dem Detektionsgerät versorgt werden. Darüber hinaus kann eine vorteilhaft zuverlässige Wiederholbarkeit des Detektionsresultats erzielt werden und insbesondere eine Abhängigkeit des Detektionsergebnisses von einem Verfahr-Weg des Detektionsgeräts an dem Untersuchungsuntergrund vorteilhaft gering gehalten werden.
Weiter wird vorgeschlagen, dass in einer, insbesondere der bereits genannten, Einlernphase des maschinellen Lernprozesses Beispielwerte für das Detektionssignal in Abhängigkeit einer Clusterbildung der Beispielwerte in unterschiedliche Gruppen eingeteilt werden. Vorzugsweise umfasst die Einlernphase einen Vorverarbeitungsschritt, in welchem die Lerneinheit die Beispieldaten vor dem Lernschritt aufbereitet In dem Vorverarbeitungsschritt führt die Lerneinheit bevorzugt ein unüberwachtes Lernen durch um die Beispielwerte in die Gruppen einzuteilen. Bevorzugt teilt die Lerneinheit in dem Vorverarbeitungsschritt die Beispielwerte in zumindest zwei unterschiedliche Gruppen ein. Die Lerneinheit bestimmt die Gruppen sowie eine Zugehörigkeit der Beispielwerte zu diesen Gruppen vorzugsweise mittels eines Cluster-Verfahrens. Vorzugsweise extrahiert die Lerneinheit in dem Vorverarbeitungsschritt zumindest ein Merkmal, bevorzugt mehrere Merkmale, aus jedem zu verarbeitenden Beispielwert. Das Merkmal kann beispielsweise eine physikalische Größe, eine statistische Größe oder eine abstrakte Kennzahl des Beispielwerts sein. Weisen Beispielwerte ähnliche Werte für das Merkmal/alle Merkmale auf, ordnet die Lerneinheit die Beispielwerte vorzugsweise derselben Gruppe zu. Weisen Beispielwerte unterschiedliche Werte für das Merkmal/eines der Merkmale auf, weist die Lerneinheit die Beispielwerte vorzugsweise unterschiedlichen Gruppen zu. Ob Werte der Merkmale ähnlich oder unterschiedlich sind, wird dabei durch das verwendete Cluster-Verfahren definiert. Durch die erfindungsgemäße Ausgestaltung können Beispielwerte zusammengefasst und gemeinsam verarbeitet werden, die gemessen an den extrahierten Merkmalen einander ähnlich sind. Insbesondere können mit vorteilhaft niedrigem Fehlerrisiko allen Beispielwerten innerhalb derselben Gruppe dieselben Auswerteparameter zugeordnet werden. Insbesondere kann eine Zeitdauer für die Ausführung des Zuordnungsschritts vorteilhaft kurz gehalten werden. Insbesondere kann einem Beispielwert, der in einer unbekannten Erfassungssituation erfasst wurde, ein Auswerteparameter eines Beispielwerts derselben Gruppe zugeordnet werden, der in einer bekannten Erfassungssituation erfasst wurde.
Ferner wird vorgeschlagen, dass der maschinelle Lernprozess, insbesondere in dem Vorverarbeitungsschritt, eine Nächste-Nachbarn-Klassifikation verwendet, um eine Einteilung in unterschiedliche Gruppen durchzuführen. Besonders bevorzugt verwendet die Lerneinheit einen K-Nearest-Neighbor-Algorithmus (KNN), um die Einteilung in die unterschiedlichen Gruppen durchzuführen. Insbesondere ordnet die Lerneinheit einen Beispielwert einer Gruppe zu und zwar in Abhängigkeit davon, welcher Gruppe die Mehrheit der benachbarten Beispielwerte zugeordnet wurden. Als benachbarte Beispielwerte gelten eine festgelegte Anzahl von Beispielwerten, die in einem von den Merkmalen aufgespannten Parameterraum den geringsten Abstand zu dem einzuteilenden Beispielwert aufweisen. Der Abstand zweier Beispielwerte in dem von den Merkmalen aufgespannten Parameterraum kann anhand der euklidischen Metrik, der Manhatten-Metrik oder einer anderen Metrik ermittelt werden. Die Anzahl der verwendeten benachbarten Beispielwerte kann von einem Bediener der Lerneinheit festgelegt werden und/oder mittels eines Optimierungsalgorithmus ermittelt werden. Optional wird bei einem Mehrheitsentscheid der benachbarten Beispielwerte ein Stimmanteil der Beispielwerte gewichtet, insbesondere mit dem jeweiligen Abstand der benachbarten Beispielwerte von dem einzuteilenden Beispielwert. Alternativ werden die Beispielwerte mittels eines Quader- Klassifikators, eines Abstandsklassifikators, eines Polynomklassifikators oder eines anderen Klassifikators in unterschiedliche Gruppen eingeteilt. Durch die erfindungsgemäße Ausgestaltung kann eine vorteilhaft zuverlässige Einteilung der Beispielwerte in die Gruppen erreicht werden.
Weiterhin wird vorgeschlagen, dass in einer Einlernphase des maschinellen Lernprozesses, insbesondere den bereits genannten, Beispielwerten für das Detektionssignal gruppenweise ein, insbesondere der/die bereits genannte/n, Auswerteparameter zugeordnet wird. Vorzugsweise wird von jeder Gruppe zumindest ein Beispielwert als Repräsentant für die Gruppe ausgewählt. Der Repräsentant ist ein Beispielwert, dessen Auswerteparameter durch Nachstellen, Simulieren oder aus anderen Quellen bekannt ist/sind. Vorzugsweise ordnet die Lerneinheit allen Beispielwerten innerhalb der Gruppe des Repräsentanten den Auswerteparameter oder die Auswerteparameter, welche dem Repräsentanten zugeordnet werden, zu. Der Repräsentant kann in dem Datenbeschaffungsschritt den übrigen Beispielwerten hinzugefügt werden oder nach einer Einteilung der übrigen Beispielwerte in die Gruppen ermittelt werden. Optional nutzt die Lerneinheit die Repräsentanten und/oder Domänenwissen als Stützstellen für die Nächste-Nach- barn- Klassifikation. Alternativ wird die Anzahl an Gruppen, beispielsweise durch Variation an Initialclusterzentren und minimalen Summenabständen, automatisch bestimmt. Durch die erfindungsgemäße Ausgestaltung kann eine Zeitdauer des Zuordnungsschritts vorteilhaft klein gehalten werden. Insbesondere können eine vorteilhaft große Anzahl an Beispielwerten für den maschinellen Lernprozesses verwendet werden, deren Auswerteparameter nicht im Einzelnen erfasst wurden. Darüber hinaus wird vorgeschlagen, dass in einer, insbesondere der bereits genannten, Einlernphase des maschinellen Lernprozesses ein Datensatz aus Beispielwerten für das Detektionssignal zumindest im Wesentlichen aus Benutzerdaten besteht Unter „im Wesentlichen“ soll insbesondere zu mehr als 30°%, bevorzugt zu mehr als 60 %, besonders bevorzugt zu mehr als 90 %, überaus bevorzug zu mehr als 99 %, verstanden werden. Vorzugsweise umfasst der Datensatz zusätzlich zu den Benutzerdaten die Repräsentanten der Gruppen. Unter „Benutzerdaten“ sollen insbesondere Detektionssignale verstanden werden, die in der Anwendungsphase mit dem Detektionsgerät oder einem weiteren Detektionsgerät von einem Benutzer, insbesondere in einer realen, d.h. nicht nachgestellten oder simulierten, Erfassungssituation, erfasst werden. Bevorzugt werden Benutzerdaten von einer Vielzahl von Detektionsgeräten gesammelt, um den Datensatz zu bilden. Insbesondere werden die Benutzerdaten von einer Datenschnittstelle des Detektionsgeräts automatisch an die Lerneinheit übertragen. Durch die erfindungsgemäße Ausgestaltung kann ein Zeitaufwand und ein Kostenaufwand für ein Nachstellen und/oder Simulieren von Erfassungssituationen vorteilhaft gering gehalten werden. Ferner umfassen die Beispielwerte vorteilhaft viele reale und nicht nur ideale Erfassungssituationen, die insbesondere in ihrer Komplexität und/oder Mannigfaltigkeit im Labor nicht nachstellbar sind. Insbesondere kann ein vorteilhaft robustes Modell mit dem maschinellen Lernprozess erstellt werden.
Des Weiteren wird vorgeschlagen, dass in zumindest einem Verfahrensschritt ein Betriebsmodus des Detektionsgeräts in Abhängigkeit von dem maschinellen Lernprozess automatisch ausgewählt wird. Das Detektionsgerät, insbesondere die Sensoreinheit, umfasst zumindest einen Betriebsmodus, der für eine bestimmte Erfassungssituation vorgesehen ist, und zumindest einen weiteren Betriebsmodus, der für eine weitere Erfassungssituation vorgesehen ist. Erfassungssituationen unterscheiden sich beispielsweise aufgrund unterschiedlicher Materialen oder Bauweisen des Untersuchungsuntergrunds und/oder aufgrund unterschiedlicher Arten des detektierten Objekts. Die Betriebsmodi unterscheiden sich beispielsweise durch ein von der Sensoreinheit verwendetes Sensorelement und/oder durch einen Signalparameter des ausgesandten Signals, beispielsweise Intensität, Frequenz, Dauer oder dergleichen. Vorzugsweise erfasst die Sensoreinheit in einer Erfassungssituation ein Anfangsdetektionssignal, welches von der Auswerteeinheit zu einem Anfangsresultat ausgewertet wird. Vorzugsweise wählt die Auswerteeinheit, insbesondere die Recheneinheit des Detektionsgeräts, einen der Betriebsmodi anhand des Anfangsresultats aus, um alle nachfolgenden Erfassungsschritte in derselben Erfassungssituation in dem ausgewählten Betriebsmodus durchzuführen. Vorzugsweise ist in einem Speicher der Auswerteeinheit, insbesondere der Recheneinheit des Detektionsgeräts, eine Tabelle hinterlegt, welche die Betriebsmodi dem Anfangsresultat zuordnet und von der Auswerteeinheit zu einer Auswahl des Betriebsmodus ausgelesen wird. Alternativ umfasst das Detektionsresultat den für die Erfassungssituation vorgesehenen Betriebsmodus als Auswerteparameter und wird im Zuge des maschinellen Lernprozesses erlernt. Durch die erfindungsgemäße Ausgestaltung kann eine vorteilhaft einfache und intuitive Bedienung des Detektionsgeräts erreicht werden. Insbesondere kann auf ein Einstellen des Detektionsgeräts durch einen Benutzer verzichtet werden. Insbesondere kann eine Anzahl an notwendigen Bedienelementen des Detektionsgeräts und/oder Menüpunkten einer graphischen Oberfläche des Detektionsgeräts vorteilhaft gering gehalten werden. Insbesondere kann ein Risiko einer Fehlbedienung des Detektionsgeräts durch einen Benutzer vorteilhaft gering gehalten werden.
Ferner wird vorgeschlagen, dass in zumindest einem Verfahrensschritt eine Nullreferenz für das Detektionssignal in Abhängigkeit von dem maschinellen Lernprozess automatisch ausgewählt wird. Die Nullreferenz ist ein Messwert des Detektionssignals, wenn der Untersuchungsuntergrund frei von detektierbaren Objekten ist. Vorzugsweise wertet die Auswerteeinheit eine Differenz zwischen den Detektionssignal und der Nullreferenz aus, um zu ermitteln, ob ein Objekt in dem Untersuchungsuntergrund vorhanden ist oder nicht. Die Nullreferenz hängt im Normalfall von Material und Bauweise des Untersuchungsuntergrunds ab. Insbesondere weisen die unterschiedlichen Betriebsmodi des Detektionsgeräts unterschiedliche Nullreferenzen auf. Die Nullreferenz/en ist/sind vorzugsweise Teil des von dem maschinellen Lernprozess erstellten Modells. Insbesondere wird in dem Zuordnungsschritt jedem Beispielwert, insbesondere jeder Gruppe von Beispielwerten, eine Nullreferenz zugeordnet. Alternativ sind die Nullreferenzen als Tabelle in einem Speicher der Recheneinheit hinterlegt und werden von der Recheneinheit in Abhängigkeit des gewählten Betriebsmodus ausgelesen. Durch die erfindungsgemäße Ausgestaltung kann auf eine gesonderte Bestimmung der Nullreferenz durch einen Benutzer des Detektionsgeräts verzichtet werden. Insbesondere kann das Detektionsgerät nach einem Einschalten vorteilhaft schnell zu einem Detektieren eines Objekts verwendet werden. Insbesondere kann ein Risiko einer Fehlbedienung des Detektionsgeräts vorteilhaft gering gehalten werden.
Weiter wird vorgeschlagen, dass das Detektionsgerät in zumindest einem Verfahrensschritt einen, insbesondere den bereits genannten, Auswerteparameter einer, insbesondere der bereits genannten, Gruppe von Beispielwerten des Detektionssignals ausgibt, wenn ein Messwert des Detektionssignals dieser Gruppe zugeordnet wird. Die Auswerteeinheit ordnet dem Messwert mittels des Modells vorzugsweise den Auswerteparameter zu. Die Ausgabeeinheit gibt vorzugsweise zumindest aus, ob ein Objekt detektiert wird oder ob kein Objekt detektiert wird. Die Ausgabeeinheit gibt den Auswerteparameter vorzugsweise zusätzlich zu der Information aus, ob ein Objekt detektiert wird oder nicht. Beispielsweise gibt die Ausgabeeinheit als Auswerteparameter ein Material oder eine Bauweise des Untersuchungsuntergrunds aus. Beispielsweise gibt die Ausgabeeinheit als Auswerteparameter die Art des detektierten Objekts, die Größe des detektieren Objekts, insbesondere eine zu einer Oberfläche des Untersuchungsuntergrunds parallel maximale Erstreckung des detektierten Objekts, einen Abstand des detektierten Objekts von der Oberfläche des Untersuchungsuntergrunds, einen, insbesondere zu der Oberfläche des Untersuchungsuntergrunds parallelen, Abstand eines Rands des detektierten Objekts zu einem aktuellen Messpunkt des Detektionsgeräts, und/oder dergleichen aus. Durch die erfindungsgemäße Ausgestaltung können einem Benutzer mit insbesondere einer einzigen Messung vorteilhaft viele Informationen zur Verfügung gestellt werden.
Ferner wird ein Detektionsgerät mit zumindest einer, insbesondere der bereits genannten, Sensoreinheit zu einer Erfassung eines, insbesondere des bereits genannten Detektionssignals und mit zumindest einer, insbesondere der bereits genannten, Recheneinheit zu einem Durchführen eines erfindungsgemäßen Verfahrens vorgeschlagen. Die Sensoreinheit umfasst zumindest ein Sensorelement. Optional umfasst die Sensoreinheit mehrere, insbesondere unterschiedlich ausgebildete, Sensorelemente. Beispiele für Sensorelemente der Sensoreinheit umfassen ein Radar, insbesondere einen Schmalbandradar, insbesondere in einem Frequenzbereich von 2,4 GHz bis 2,4835 GHz, und/oder einen Ultraweitbandradar, einen induktiven Sensor, einen kapazitiven Sensor, einen Wechselstrom-Sensor, insbesondere einen 50 Hz-Wechselstromsensor und/oder einen 60 Hz-Wechselstromsensor, oder dergleichen. Unter einer „Recheneinheit“ soll insbesondere eine Einheit mit einem Informationseingang, einer Informationsverarbeitung und einer Informationsausgabe verstanden werden. Vorteilhaft weist die Recheneinheit zumindest einen Prozessor, einen Speicher, Ein- und Ausgabemittel, weitere elektrische Bauteile, ein Betriebsprogramm, Regelroutinen, Steuerroutinen und/oder Berechnungsroutinen auf. Vorzugsweise sind die Bauteile der Recheneinheit auf einer gemeinsamen Platine angeordnet und/oder vorteilhaft in einem gemeinsamen Gehäuse angeordnet. Vorzugsweise umfasst das Detektionsgerät die Ausgabeeinheit zu einer Ausgabe des Detektionsresultats. Die Ausgabeeinheit umfasst beispielsweise ein Display, ein Mikrofon, einen Vibrationsalarm oder dergleichen, um das Detektionsresultat auszugeben. Vorzugsweise umfasst das Detektionsgerät die Datenschnittstelle. Die Datenschnittstelle kann ein leitungsgebundenes und/oder funkwellengebundenes Schnittstellenelement, insbesondere eine Bluetooth-Schnittstelle, eine WLan-Schnittstelle, eine Ethernet-Schnittstelle oder dergleichen aufweisen. Die Datenschnittstelle ist zu einer Ausgabe des Detektionsresultats auf dem externen Ausgabegerät, zu einer Weiterleitung des Detektionssignals an die externe Rechenanlage und/oder zu einem Empfang des Modells von der externen Rechenanlage vorgesehen. Durch die erfindungsgemäße Ausgestaltung kann ein Detektionsgerät zur Verfügung gestellt werden, das vorteilhaft einfach zu bedienen ist und/oder das vorteilhaft viele Informationen zur Verfügung stellt.
Das erfindungsgemäße Verfahren und/oder das erfindungsgemäße Detektionsgerät sollen/soll hierbei nicht auf die oben beschriebene Anwendung und Ausführungsform beschränkt sein. Insbesondere kann das erfindungsgemäße Detektionsgerät und/oder das erfindungsgemäße Verfahren zu einer Erfüllung einer hierin beschriebenen Funktionsweise eine von einer hierin genannten Anzahl von einzelnen Elementen, Bauteilen und Einheiten sowie Verfahrensschritten abweichende Anzahl aufweisen. Zudem sollen bei den in dieser Offenbarung angegebenen Wertebereichen auch innerhalb der genannten Grenzen liegende Werte als offenbart und als beliebig einsetzbar gelten. Zeichnungen
Weitere Vorteile ergeben sich aus der folgenden Zeichnungsbeschreibung. In den Zeichnungen ist ein Ausführungsbeispiel der Erfindung dargestellt. Die Zeichnungen, die Beschreibung und die Ansprüche enthalten zahlreiche Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen.
Es zeigen:
Fig. 1 eine schematische Darstellung eines erfindungsgemäßen Detektionsgeräts,
Fig. 2 ein schematisches Flussdiagramm eines erfindungsgemäßen Verfahrens und
Fig. 3 eine schematische Einteilung eines Datensatzes von Beispieldaten im Zuge eines maschinellen Lernprozesses des erfindungsgemäßen Verfahrens.
Beschreibung des Ausführungsbeispiels
Figur 1 zeigt ein Detektionsgerät 12. Das Detektionsgerät 12 ist an einer Oberfläche eines Untersuchungsuntergrunds 14, beispielsweise einer Wand, angeordnet dargestellt. Das Detektionsgerät 12 ist dazu vorgesehen, ein Detektionssignal von einem innerhalb des Untersuchungsuntergrunds 14 angeordneten Objekt 16 zerstörungsfrei zu erfassen. Das Detektionsgerät 12 ist vorzugsweise handhaltbar ausgebildet, vorzugsweise mit einer Hand haltbar und insbesondere mit derselben Hand bedienbar. Besonders bevorzugt weist das Detektionsgerät ein Gesamtvolumen von weniger als 7000 cm3, bevorzugt von weniger als 5000 cm3, besonders bevorzugt von weniger als 3000 cm3 auf. Das Detektionsgerät 12 umfasst eine Sensoreinheit 24 zu einer Erfassung des Detektionssignals. Die Sensoreinheit 24 umfasst vorzugsweise zumindest ein Sensorelement, das dazu vorgesehen ist, ein elektromagnetisches Signal in den Untersuchungsuntergrund 14 auszusenden und einen von dem Objekt 16 zurückgestreuten Anteil des ausgesandten Signals als Detektionssignal zu erfassen. Alternativ oder zusätzlich umfasst die Sensoreinheit 24 einen kapazitiven Sensor und/oder einen induktiven Sensor zu einer Erfassung des Detektionssignals. Das Detektionsgerät 12 umfasst eine Recheneinheit 26 zu einem Auswerten des Detektionssignals zu einem Detektionsresultat.
Das Detektionsgerät 12 umfasst vorzugsweise eine Ausgabeeinheit 28 zu einer Ausgabe des Detektionsresultats. Die Ausgabeeinheit 28 umfasst vorzugsweise ein Display zu einem Anzeigen des Detektionsresultats. Vorzugsweise umfasst das Detektionsgerät 12 zumindest eine Datenschnittstelle 32 zu einem Datenaustausch mit einer externen Rechenanlage und/oder einem externen Ausgabegerät. Das Detektionsgerät 12 umfasst vorzugsweise eine Energieversorgungseinheit 34 zu einer Versorgung der Sensoreinheit 24, der Recheneinheit 26, der Ausgabeeinheit 28 und/oder der Datenschnittstelle 32 mit elektrischer Energie. Die Energieversorgungseinheit 34 ist insbesondere zu einer Aufnahme zumindest einer Batterie und/oder eines Akkumulators vorgesehen. Das Detektionsgerät 12 umfasst bevorzugt zumindest ein Bedienelement 30, beispielsweise einen Schalter, eine Taste, einen Schieberegler oder dergleichen, zu einer Bedienung des Detektionsgeräts 12, insbesondere zu einem Auslösen einer Erfassung mit dem Detektionsgerät 12. Das Detektionsgerät 12 umfasst ein Gehäuse 36, innerhalb dessen zumindest die Sensoreinheit 24 angeordnet ist. Vorzugsweise ist in dem Gehäuse 36 die Recheneinheit 26, die Datenschnittstelle 32 und/oder die Energieversorgungseinheit 34 angeordnet. Vorzugsweise ist die Ausgabeeinheit 28 und/oder das Bedienelement 30 an dem Gehäuse 36 angeordnet oder in das Gehäuse 36 eingelassen. Die externe Rechenanlage und/oder das externe Ausgabegerät sind/ist vorzugsweise unabhängig von dem Detektionsgerät 12 ausgebildet (hier nicht dargestellt).
Figur 2 zeigt ein Flussdiagramm eines Verfahrens 10 für das Detektionsgerät 12. Das Verfahren 10 umfasst vorzugsweise einen Erfassungsschritt 40, in welchem die Sensoreinheit 24 das Detektionssignal erfasst. Das Verfahren 10 umfasst einen Auswerteschritt 42, in welchem das Detektionssignal in Abhängigkeit von einem maschinellen Lernprozess zu dem Detektionsresultat ausgewertet wird. Das Verfahren 10 umfasst insbesondere einen Ausgabeschritt 44, in dem das Detektionsresultat ausgegeben wird. Das Verfahren 10 umfasst vorzugsweise einen Einstellschritt 46, in welchem die Recheneinheit 26 eine Einstellung des Detektionsgeräts 12, insbesondere der Sensoreinheit 24 und/oder der Recheneinheit 26, in Abhängigkeit von dem Detektionsresultat verändert
Das Verfahren 10 umfasst vorzugsweise eine Anwendungsphase 38. Die Anwendungsphase 38 wird bevorzugt vollständig, alternativ teilweise, mittels des Detektionsgeräts 12 ausgeführt Die Anwendungsphase 38 umfasst vorzugsweise den Erfassungsschritt 40, den Auswerteschritt 42, den Ausgabeschritt 44 und/oder den Einstellschritt 46. Insbesondere wird der Auswerteschritt 42 von der Recheneinheit 26 ausgeführt. Alternativ wird der Auswerteschritt 42 von einer, insbesondere der bereits genannten oder einer weiteren, externen Rechenanlage durchgeführt. Der Ausgabeschritt 44 wird vorzugsweise von der Ausgabeeinheit 28 ausgeführt. Alternativ wird der Ausgabeschritt 44 von dem externen Ausgabegerät ausgeführt. Insbesondere übermittelt die Datenschnittstelle 32 in den alternativen Ausgestaltungen das Detektionssignal an die weitere externe Rechenanlage, empfängt das Detektionsresultat von der externen Rechenanlage und/oder sendet das Detektionsresultat an das externe Ausgabegerät.
Das Verfahren 10 umfasst vorzugsweise eine Einlernphase 18. Die Einlernphase 18 wird bevorzugt von der externen Rechenanlage, alternativ von der Recheneinheit 26, durchgeführt. In der Einlernphase 18 wird mittels des maschinellen Lernprozesses ein Modell erstellt, welches das Detektionssignal auf das Detektionsresultat abbildet. Das Modell wird in einem Bereitstellungsschritt 58 in einem Speicher der Recheneinheit 26 des Detektionsgeräts 12 hinterlegt. Insbesondere wendet die Recheneinheit 26 in dem Auswerteschritt 42 das Modell an, um einen von der Sensoreinheit 24 erfassten Messwert des Detektionssignals in das Detektionsergebnis zu überführen.
Die Einlernphase 18 umfasst vorzugsweise einen Datenbeschaffungsschritt 48. In dem Datenbeschaffungsschritt 48 werden Beispielwerte 22 (vgl. Fig. 3) erfasst, welche zu einer Erstellung des Modells verarbeitet werden. Bevorzugt umfasst das Verfahren 10 einen Sammelschritt 56, in welchem von der Sensoreinheit 24 erfasste Messwerte des Detektionssignals als Beispielwerte 22 gesammelt werden. Vorzugsweise überträgt die Datenschnittstelle 32 die von der Sensoreinheit 24 erfassten Messwerte, insbesondere gesammelt oder einzeln, in dem Sammelschritt 56 an die externe Rechenanlage. Besonders bevorzugt sammelt die externe Rechenanlage Messwerte von einer Vielzahl an Detektionsgeräten, insbesondere im Rahmen eines Internet-of-Things (loT)-Konzepts. Ein Datensatz aus den Beispielwerten 22 für das Detektionssignal besteht zumindest im Wesentlichen aus Benutzerdaten. Benutzerdaten sind Messwerte des Detektionssignals, die von Benutzern in der Anwendungsphase 38 mittels des Detektionsgeräts 12 erfasst werden. Vorzugsweise werden in dem Datenbeschaffungsschritt 48 vom Hersteller des Detektionsgeräts 12 zusätzlich Beispielwerte 22 als Repräsentanten ermittelt. Die Repräsentanten werden beispielsweise durch eine Erfassung mit dem Detektionsgerät 12 an einem Nachbau verschiedener Untersuchungsuntergründe 14 inklusive unterschiedlicher Objekte 16 ermittelt und/oder durch ein Simulieren von Erfassungsschritten 40 an verschiedenen Untersuchungsuntergründen 14 inklusive unterschiedlicher Objekte 16 erstellt. Vorzugsweise umfasst der Datensatz zumindest 10 mal, bevorzugt zumindest 100 mal, besonders bevorzug zumindest 1000 mal, mehr Benutzerdaten als Repräsentanten.
Die Einlernphase 18 umfasst vorzugsweise einen Vorverarbeitungsschritt 50. In dem Vorverarbeitungsschritt 50 werden die Beispielswerte 22 bezüglich zumindest eines Merkmals 60, 62, vorzugsweise mehrerer Merkmale 60, 62, ausgewertet (vgl. Fig 3). Das zumindest eine Merkmal 60, 62 ist vorzugsweise als Unterscheidungskriterium vorgesehen, anhand dessen die externe Rechenanlage bewertet, ob zwei Beispielswerte 22 gleich oder unterschiedlich sind. Merkmale 60, 62 der Beispielwerte können beispielsweise eine Intensität des Detektionssignals sein, ein Verhältnis von zurückgestreutem Anteil zu ausgesandtem Anteil des Detektionssignals, ein Mittelwert des Detektionssignals, ein Extremwert des Detektionssignals, eine Zeitdauer einer durch das Objekt verursachten Amplitudenmodulation des Detektionssignals, eine Schwankungsbreite des Detektionssignals oder dergleichen. Die Beispielwerte 22 für das Detektionssignal werden von der externen Rechenanlage in Abhängigkeit einer Clusterbildung der Beispielwerte 22 in unterschiedliche Gruppen 20 eingeteilt. Die externe Rechenanlage wertet die Clusterbildung der Beispielwerte 22 vorzugsweise anhand der ermittelten Merkmale 60, 62 aus. Insbesondere ermittelt die externe Rechenanlage, ob eine Verteilung der Beispielwerte 22 innerhalb eines von dem zumindest einen Merkmal 60, 62 aufgespannten Parameterraums Cluster aufweist. Eine Di- mensionalität des Parameterraums ist gleich der Anzahl an unterschiedlichen Merkmalen 60, 62 pro Beispielwert 22. Eine Verteilung der Beispielwerte 22 in einem von einem Merkmal 60 und einem weiteren Merkmal 62 aufgespannten zweidimensionalen Parameterraum ist beispielhaft in Figur 3 dargestellt. Vorzugsweise ordnet die externe Rechenanlage die einen Cluster bildenden Beispielwerte 22 derselben Gruppe 20 zu. Vorzugsweise ordnet die externe Rechenanlage Beispielwerte 22, die unterschiedliche Cluster bilden, unterschiedlichen Gruppen 20 zu. In Figur 3 wurden die Beispielwerte 22 beispielhaft in zehn Gruppen 20 unterteilt. Die externe Rechenanlage verwendet eine Nächste-Nachbarn- Klassifikation, um eine Einteilung der Beispielwerte 22 in die unterschiedliche Gruppen 20 durchzuführen.
Das Verfahren 10 umfasst vorzugsweise einen Zuordnungsschritt 52. In dem Zuordnungsschritt 52 wird den Beispielwerten 22 für das Detektionssignal gruppenweise zumindest ein Auswerteparameter zugeordnet. Vorzugsweise wird jeder Gruppe 20 zumindest ein Au swerte para meter zugeordnet. Optional werden zumindest einer Gruppe 20 mehrere Auswerteparameter zugeordnet. Zwei unterschiedliche Gruppen 20 unterscheiden sich durch zumindest einen der ihnen zugeordneten Auswerteparameter voneinander. Der zumindest eine Auswerteparameter wird von dem maschinellen Lernprozess insbesondere als zu erlernendes Zwischenergebnis oder als zu erlernendes Endergebnis verarbeitet. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Untergrundparameter zugeordnet, der den Untersuchungsuntergrund 14 beschreibt oder charakterisiert. Der Untergrundparameter umfasst beispielsweise die Werte: Beton, Leichtbau, Trockenbau, insbesondere Dicke und/oder Anzahl von Gipskarton-Platten und/oder von Holz-Platten des Leichtbaus oder Trockenbaus, gemauerte Wand, insbesondere Steinart der gemauerten Wand, Vorhandensein einer Fußbodenheizung oder einer Wandbeheizung, oder dergleichen. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Objektartparameter zugeordnet, der die Art des Objekts 16 beschreibt oder charakterisiert. Der Objektartparameter umfasst beispielsweise die Werte: Metall, Nicht-Metall, stromführend, nicht-stromführend, magnetisch, nicht-magnetisch, Kabel mit Niederspannung, Kabel mit einphasigem Wechselstrom, insbesondere zwischen 110 V und 230 V, Kabel mit mehrphasigem Wechselstrom, Drehstromkabel, Holzbalken, Metallträger, Plastikrohr, wassergefülltes Rohr, insbesondere Frischwasserrohr, nicht wassergefülltes Rohr, insbesondere Abwasserrohr. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Tiefenparameter zugeordnet, der einen Abstand des Objekts 16 von einer Oberfläche des Untersuchungsuntergrunds 14 beschreibt oder charakterisiert Der Tiefenparameter kann den Abstand kontinuierlich oder bereichsweise angeben. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Formparameter zugeordnet, der eine Form oder Ausdehnung des Objekts 16 beschreibt oder charakterisiert. Der Formparameter gibt beispielsweise einen Durchmesser des Objekts 16 an. Der Zuordnungsschritt 52 wird von der externen Rechenanlage mittels der Repräsentanten durchgeführt. Die Au swerte para meter der Repräsentanten können von dem Hersteller des Detektionsgeräts 12 beispielsweise mit einer von dem Detektionsgerät 12 unabhängigen Sensorvorrichtung an den Nachbauten erfasst werden, aus Datenblättern zu den Nachbauten ausgelesen werden oder aus einem Simulationsprogramm ausgelesen werden und in einem Speicher der externen Rechenanlage hinterlegt werden. Vorzugsweise ermittelt die externe Rechenanlage zu jeder Gruppe 20 zumindest einen Repräsentanten, liest dessen Auswerteparameter aus dem Speicher der externen Rechenanlage aus und ordnet diese Auswerteparameter allen Beispielwerten 22 in derselben Gruppe 20 wie der Repräsentant zu. Befinden sich mehrere Repräsentanten mit unterschiedlichen Auswerteparametern in derselben Gruppe 20, führt die externe Rechenanlage optional eine weitere Unterteilung dieser Gruppen 20 in Subgruppen durch.
Die Einlernphase 18 umfasst insbesondere einen Lernschritt 54. In dem Lernschritt 54 erstellt die externe Rechenanlage mittels des maschinellen Lernprozesses das Modell. Insbesondere verwendet die externe Rechenanlage die Beispielwerte 22 als Eingangswerte des Modells und die den Beispielwerten 22 zugeordneten Auswerteparameter als Ausgabewert des Modells. Das Detektionsergebnis setzt sich insbesondere aus der Gesamtheit der Auswerteparameter zusammen oder wird in Abhängigkeit der Auswerteparameter ermittelt. In dem Bereitstellungsschritt 58 übermittelt die externe Rechenanlage das Modell über die Datenschnittstelle 32 an die Recheneinheit 26 des Detektionsgeräts 12.
In der Anwendungsphase 38 nutzt die Recheneinheit 26 des Detektionsgeräts 12 das Modell, um einen Betriebsmodus des Detektionsgeräts 12 automatisch auszuwählen. Vorzugsweise erfasst die Sensoreinheit 24 in dem Erfassungsschritt 40 ein Anfangsdetektionssignal, welches in dem Auswerteschritt 42 zu einem Anfangsresultat ausgewertet wird. Die Recheneinheit 26 ermittelt in Abhängigkeit von dem Anfangsdetektionssignal mittels des Modells insbesondere den Untergrundparameter, um in dem Einstellschritt 46 eine Nullreferenz für das Detektionssignal in Abhängigkeit von dem maschinellen Lernprozess automatisch aus- zuwählen. Die Recheneinheit 26 ermittelt in Abhängigkeit von dem Anfangsdetektionssignal mittels des Modells insbesondere den Objektartparameter, den Tiefenparameter und/oder den Formparameter, um in dem Einstellschritt 46 eine Empfindlichkeit der Sensoreinheit 24 für das Objekt 16 zu erhöhen und/oder eine Übersättigung der Sensoreinheit 24 zu vermeiden.
Das Detektionsgerät 12 gibt in der Anwendungsphase 38 in dem Ausgabeschritt 44 den zumindest einen Auswerteparameter derjenigen Gruppe 20 von Beispielwerten 22 des Detektionssignals aus, wenn das Modell einen Messwert des Detektionssignals dieser Gruppe 20 zuordnet. Die Ausgabeeinheit 28 gibt vorzugs- weise aus, ob das Objekt 16 detektiert wurde. Die Ausgabeeinheit 28 gibt vorzugsweise den Objektartparameter und den Untergrundparameter aus. Die Ausgabeeinheit 28 gibt optional den Tiefenparameter und/oder den Formparameter aus.

Claims

Ansprüche
1 . Verfahren für ein Detektionsgerät, wobei das Detektionsgerät dazu vorgesehen ist, ein Detektionssignal von einem innerhalb eines Untersuchungsuntergrunds (14) angeordneten Objekt (16) zerstörungsfrei zu erfassen, dadurch gekennzeichnet, dass das Detektionssignal in zumindest einem Verfahrensschritt auf Basis eines maschinellen Lernprozesses einem Detektionsresultat zugeordnet wird, um das Detektionsresultat auszugegeben und/oder zu einem Einstellen des Detektionsgeräts zu nutzen.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass in einer Einlernphase (18) des maschinellen Lernprozesses Beispielwerte (22) für das Detektionssignal in Abhängigkeit einer Clusterbildung der Beispielwerte (22) in unterschiedliche Gruppen (20) eingeteilt werden.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass der maschinelle Lernprozess eine Nächste-Nachbarn-Klassifikation verwendet, um eine Einteilung in unterschiedliche Gruppen (20) durchzuführen.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in einer Einlernphase (18) des maschinellen Lernprozesses Beispielwerten (22) für das Detektionssignal gruppenweise zumindest ein Auswerteparameter zugeordnet wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in einer Einlernphase (18) des maschinellen Lernprozesses ein Datensatz aus Beispielwerten (22) für das Detektionssignal zumindest im Wesentlichen aus Benutzerdaten besteht. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in zumindest einem Verfahrensschritt ein Betriebsmodus des Detektionsgeräts in Abhängigkeit von dem maschinellen Lernprozess automatisch ausgewählt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in zumindest einem Verfahrensschritt eine Nullreferenz für das Detektionssignal in Abhängigkeit von dem maschinellen Lernprozess automatisch ausgewählt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Detektionsgerät in zumindest einem Verfahrensschritt einen Auswerteparameter einer Gruppe von Beispielwerten (22) des Detektionssignals ausgibt, wenn ein Messwert des Detektionssignals dieser Gruppe (20) zugeordnet wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass dem Auswerteparameter zumindest ein Untergrundparameter, zumindest ein Objektparameter, zumindest ein Tiefenparameter und/oder zumindest ein Formparameter zugeordnet wird. Detektionsgerät mit zumindest einer Sensoreinheit (24) zu einer Erfassung eines Detektionssignals und mit zumindest einer Recheneinheit (26) zu einem Durchführen eines Verfahrens nach einem der vorhergehenden Ansprüche.
EP23717480.0A 2022-04-11 2023-04-04 Verfahren für ein detektionsgerät; detektionsgerät Pending EP4508470A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022203605.0A DE102022203605A1 (de) 2022-04-11 2022-04-11 Verfahren für ein Detektionsgerät; Detektionsgerät
PCT/EP2023/058771 WO2023198515A1 (de) 2022-04-11 2023-04-04 Verfahren für ein detektionsgerät; detektionsgerät

Publications (1)

Publication Number Publication Date
EP4508470A1 true EP4508470A1 (de) 2025-02-19

Family

ID=86052213

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23717480.0A Pending EP4508470A1 (de) 2022-04-11 2023-04-04 Verfahren für ein detektionsgerät; detektionsgerät

Country Status (6)

Country Link
US (1) US20250224535A1 (de)
EP (1) EP4508470A1 (de)
JP (1) JP2025511928A (de)
CN (1) CN118984953A (de)
DE (1) DE102022203605A1 (de)
WO (1) WO2023198515A1 (de)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024202240A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Messgeräts
DE102024202230A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Messgerät
DE102024202232A1 (de) * 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erzeugen eines Trainingsdatensatzes
DE102024202237A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Messgeräts
DE102024202246A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erzeugen eines Trainingsdatensatzes
DE102024202229A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Messgeräts
DE102024202245A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erzeugen eines Trainingsdatensatzes
DE102024202238A1 (de) * 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Messgeräts
DE102024202231A1 (de) 2024-03-11 2025-09-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Messgeräts

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2753280B1 (fr) * 1996-09-09 1998-11-06 Plymouth Francaise Sa Procede pour la detection, l'identification et le suivi d'objets optiquement invisibles
US9341687B2 (en) 2011-02-22 2016-05-17 The Mitre Corporation Classifying and identifying materials based on permittivity features
DE102012218174A1 (de) * 2012-10-05 2014-04-10 Robert Bosch Gmbh Ortungsvorrichtung zur Bestimmung einer Objekttiefe
US9219886B2 (en) * 2012-12-17 2015-12-22 Emerson Electric Co. Method and apparatus for analyzing image data generated during underground boring or inspection activities
KR101944823B1 (ko) * 2018-06-07 2019-02-07 (주)영신디엔씨 증강현실 및 가상현실을 이용한 위치기반 지하시설물 탐지 시스템
JP7322616B2 (ja) * 2019-09-12 2023-08-08 東京電力ホールディングス株式会社 情報処理装置、情報処理方法、プログラム及び掘削システム
JP7413049B2 (ja) 2020-01-31 2024-01-15 日本信号株式会社 地中レーダーのデータ処理方法、データ処理プログラム及び地中レーダー装置
US11436812B2 (en) * 2020-05-29 2022-09-06 Open Space Labs, Inc. Machine learning based object identification using scaled diagram and three-dimensional model
EP3945452B1 (de) 2020-07-27 2025-04-09 Deutsche Telekom AG Verfahren zum optimieren von sensorparametern
KR20220036583A (ko) * 2020-09-16 2022-03-23 신준구 인공 지능을 기반으로 매설물을 탐지하고 식별하는 장치 및 그 방법
CN114241229B (zh) 2022-02-21 2022-06-24 中煤科工集团西安研究院有限公司 一种电性成像结果中异常体边界智能识别方法

Also Published As

Publication number Publication date
WO2023198515A1 (de) 2023-10-19
CN118984953A (zh) 2024-11-19
US20250224535A1 (en) 2025-07-10
JP2025511928A (ja) 2025-04-16
DE102022203605A1 (de) 2023-10-12

Similar Documents

Publication Publication Date Title
WO2023198515A1 (de) Verfahren für ein detektionsgerät; detektionsgerät
DE112020004120T5 (de) Überwachen eines status eines computersystems durch implementieren eines netzwerks für tiefes, unüberwachtes binäres codieren
DE102023210596A1 (de) Vorhersagen von Klangangenehmheit unter Verwendung eines Maschinenlernmodells mit Regressionsvorhersage
DE102023209513A1 (de) System und verfahren zur vorhersageanalyse eines systems unter verwendung von maschinenlernnetzen
EP2288932A1 (de) Verfahren und vorrichtung zur lokalisation mindestens eines gegenstandes
Si et al. Research on Parameter Calculation for the Ogata–Katsura 1993 Model in Terms of the Frequency–Magnitude Distribution Based on a Data‐Driven Approach
CN102262198A (zh) 基于回声状态网络同步优化的模拟电路故障诊断方法
DE112015005501B4 (de) Alterungsprofilbildungsmaschine für physikalische Systeme
DE60224378T2 (de) Verfahren zur Erzeugung eines Testmusters für die Simulation und/oder Prüfung des Layouts einer integrierten Schaltung
DE60218447T2 (de) Verfahren zur Bearbeitung von Testmustern für einen integrierten Schaltkreis
Merckx et al. Predictability of marine nematode biodiversity
DE102023210497A1 (de) Vorhersage der Klangangenehmheit unter Verwendung eines binären Klassifizierungsmodells und Regression
CN110264154B (zh) 一种基于自编码器的众包信号地图构建方法
DE10319095A1 (de) Ausrichtung von optischen Faserelementen
DE102023209511A1 (de) System und Verfahren für ein Modell zur Vorhersage der Tonwahrnehmung unter Verwendung von Beschleunigungsmesserdaten
DE102011082201A1 (de) Elektrizitätseigenschaften-identifikationsvorrichtung und verfahren für diese
DE102022200418A1 (de) Vorrichtung, System und computerimplementiertes Verfahren zum Betreiben eines technischen Systems
DE102024101535B3 (de) Computerimplementiertes Verfahren zum Rekonstruieren mindestens eines Aufbaus eines Prüfstands
CN116109059B (zh) 新能源消纳比例贡献评估方法、装置、电子设备和介质
DE102024202246A1 (de) Verfahren zum Erzeugen eines Trainingsdatensatzes
DE102024206882A1 (de) Verfahren und Vorrichtung zum Trainieren eines generativen, maschinellen Lernmodells insbesondere zum Vergleichen und/oder Generieren von Punktwolken
Tatarinov et al. Pattern recognition based approach for extraction of factors of interest from ultrasonic data
DE102024202229A1 (de) Verfahren zum Betreiben eines Messgeräts
DE102023202112A1 (de) Verfahren zur Zustandsdiagnose eines Elektromotors
AT512878B1 (de) Vorrichtung zur Lokalisierung und Unterscheidung von Objekten an Sensorgebieten

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20241111

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20260126