EP4560597A1 - Verfahren zur branddetektion und branddetektionsvorrichtung - Google Patents

Verfahren zur branddetektion und branddetektionsvorrichtung Download PDF

Info

Publication number
EP4560597A1
EP4560597A1 EP24212608.4A EP24212608A EP4560597A1 EP 4560597 A1 EP4560597 A1 EP 4560597A1 EP 24212608 A EP24212608 A EP 24212608A EP 4560597 A1 EP4560597 A1 EP 4560597A1
Authority
EP
European Patent Office
Prior art keywords
smoke density
smoke
fire
scene
image
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
EP24212608.4A
Other languages
English (en)
French (fr)
Inventor
Soeren WITTMANN
Philip Dietrich
Korbinian Muenster
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 EP4560597A1 publication Critical patent/EP4560597A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks

Definitions

  • a smoke detection device and a method for detecting a fire are already known.
  • the movement of a moving object is determined from at least two individual images of an image sequence, with a distinction between smoke and non-smoke being made based on the movement of the moving object.
  • the fire detection method has the advantage that, following an initial computer-assisted analysis to determine whether a fire is present, a warning is only issued if a determined expected value for a smoke density exceeds a predetermined expected value for the smoke density. This can ensure that false alarms are avoided in cases where the smoke density is low, for example as a result of steam or dust development.
  • the expected value for a smoke density is understood to be the p-value, which is assigned to the respective classes for different smoke densities in the machine learning system, which is designed, for example, as a neural network. During classification, the class assigned the highest p-value is selected. The machine learning system thus assigns the acquired image data to different groups of smoke densities.
  • the captured image of a scene is assigned to a smoke density class that exceeds a predefined smoke density limit. In other cases where the assignment does not assign a smoke density class that exceeds the predefined smoke density limit, no alarm is triggered.
  • the individual classes are assigned to corresponding smoke density ranges from a lower to an upper value, i.e., a minimum and a maximum smoke density are specified for each class. By suppressing alarms when smoke density is insufficient, the robustness and detection speed of fire detection can be improved. By assigning different classes using the machine learning system, a more reliable result can be achieved than with an absolute measurement.
  • Classification is preferably performed by evaluating all or a predefined subset of the pixels of a captured image of a scene. If necessary, smoke density can also be determined at different points in time. By limiting the analysis to a specific pixel area, or even to a single pixel, it is possible to easily determine smoke density.
  • a selected image area is determined by means of the upstream fire detection using a machine learning system.
  • image areas with high dynamic range or high optical flow can be selected.
  • a smoke density determination can then be limited to such an image area, so that a detection probability and thus an accurate Assignment can be improved using the machine learning system.
  • the probability of correctly assigning an image to one of the predefined classes of different smoke densities increases.
  • a change in smoke density from a change in the color of the image pixels in the selected image area.
  • a change in smoke density leads to a change in the transparency of the smoke relative to the background and thus to a color change in the area between the background and the smoke color.
  • Such a color change can be easily evaluated and can then be used for analysis using the machine learning system.
  • a camera 10 is shown, in whose field of view 11 there is a scene 12 that is being observed by the camera 10. Images from the camera 10 are subsequently forwarded to a fire detection device 20, in which a computing device 21 evaluates the image data captured by the camera 10 by accessing a stored machine learning system 22. A plurality of images with various fire situations and non-fire situations are learned in the machine learning system 22, wherein the fire detection device 20, in particular by evaluating a sequence of images of the scene 12 captured by the camera 10, assigns the captured image data either to a fire situation or to a non-fire situation.
  • the fire scene is forwarded to an evaluation device 25, in which a computing device 26 evaluates the captured image information with regard to smoke density by accessing a provided machine learning system.
  • a computing device 26 evaluates the captured image information with regard to smoke density by accessing a provided machine learning system.
  • individual images as well as sequences of images can be forwarded.
  • FIGS. 2a, 2b and 2c Examples of image representations 31, 32, 33 are shown in which an object 34 is shown in a scene.
  • the fire detection device 20 specifies a frame area for a possible fire area to the evaluation device 25, in which Figure 2b for example, frame 37 around the light smoke and in the Figure 2c the frame 38 around the dense smoke.
  • Figure 2a Either no frame at all or a frame above the object 34 is specified as frame 39. In the case of frame 39, this can be a specified area above the object in which Warning signals must be recorded.
  • Figures 2b and 2c These are areas with dynamic image movement that have a high probability of fire or smoke developing in these areas.
  • the image recording according to the Figure 2a determines that it is assigned to the class "no smoke”.
  • the recording according to the Figure 2b is assigned to the class "low smoke density” and the recording according to the Figure 2c Class 2c is assigned to the "high smoke density” class.
  • the respective classes are preferably defined with specific limit values for the respective smoke densities in a memory 27. These assignment values are stored in memory fields 40, 41, 42, assigned to the respective image data.
  • the smoke density is assigned to the low smoke density or "no smoke” class, no warning is subsequently issued. However, if the smoke density is assigned to the "high smoke density” class, an alarm device 50 is activated via a warning line 28, and a fire warning is issued to the user via an output device 51, for example, a visual and/or acoustic warning device.
  • image information captured by camera 10 of the scene is displayed to the user.
  • the user can then provide feedback as to whether the fire situation was correctly or incorrectly detected.
  • This feedback together with the information stored in memory fields 40, 41, 42, can be used for further training of the machine learning system.
  • a mathematical determination of the smoke density can preferably be carried out by estimating the smoke density from the image data.
  • ⁇ is the transparency of the smoke, s the color of the smoke, and b the color of the background.
  • Color is the mathematical representation of a color based on a color mapping table, the color captured by the camera to a screen color, where the color is assigned a value between 0 and 255, for example. With a larger color palette, other color values are possible.
  • a change in smoke density can also be determined.
  • FIG. 3 An exemplary embodiment of a method sequence according to the invention is shown.
  • fire detection 61 initially takes place.
  • a subsequent first test step 62 it is checked whether a fire has been detected. If this is not the case, fire detection 61 is continued. If this is the case, smoke density assignment takes place in an assignment step 63.
  • a subsequent test step 64 it is checked whether a minimum smoke density is reached. If this is not the case, the system branches back to fire detection 61.
  • a change in smoke density is determined from a plurality of consecutive image data according to the method described above. If a critical measure for a change in smoke density is reached, an alarm is issued in a warning step 66. Otherwise, the system branches back to fire detection 61.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft Verfahren zur Branddetektion mittels einer Auswertung einer von einer Kamera (10) erfassten Szene (12) über ein maschinelles Lernsystem, dadurch gekennzeichnet, dass für den Fall, dass ein Brand anhand einer ersten Auswertung der Szene (12) vermutet wird, nur dann eine Brandwarnung ausgegeben wird, wenn ein Erwartungswert für die Rauchdichte und/oder eine Rauchdichteänderung einen vorgegebenen Erwartungswert für die Rauchdichte überschreitet.

Description

    Stand der Technik
  • Aus der DE 10 2016 207 705 A1 ist bereits eine Rauchdetektionsvorrichtung und ein Verfahren zur Detektion eines Brandes bekannt. Hierbei wird die Bewegung eines sich bewegenden Objektes aus mindestens zwei Einzelbildern einer Bildfolge bestimmt, wobei eine Unterscheidung von Rauch oder Nicht-Rauch auf Basis der Bewegung des sich bewegenden Objektes erfolgt.
    • Offenbarung der Erfindung Vorteile der Erfindung
  • Das erfindungsgemäße Verfahren zur Branddetektion hat demgegenüber den Vorteil, dass für den Fall, dass nach einer ersten computergestützten Analyse dahingehend, ob ein Brand vorliegt, eine Warnung nur dann ausgegeben wird, wenn ein ermittelter Erwartungswert für eine Rauchdichte einen vorgegebenen Erwartungswert für die Rauchdichte überschreitet. Hierdurch kann erreicht werden, dass in den Fällen, in denen eine geringe Rauchdichte vorliegt, zum Beispiel in Folge von Dampf oder Staubentwicklung, ein Fehlalarm unterbleibt. Unter einem Erwartungswert für eine Rauchdichte wird hierbei der p-Wert verstanden, die bei dem beispielsweise als neuronales Netz ausgebildeten maschinellen Lernsystemen den jeweiligen Klassen für unterschiedliche Rauchdichten zugeordnet werden. Es wird bei der Klassifizierung diejenige Klasse ausgewählt, der der höchste p-Wert zugeordnet wird. Somit erfolgt durch das maschinelle Lernsystem eine Zuordnung der erfassten Bilddaten zu unterschiedlichen Gruppen von Rauchdichten.
  • Wird das erfasste Bild einer Szene einer Klasse von Rauchdichten zugeordnet, bei der ein vorgegebener Grenzwert für die Rauchdichte überschritten wird, dann wird ein Alarm ausgelöst. In den anderen Fällen, in denen die Zuordnung keine Klasse von Rauchdichten zuordnet, die die vorgegebene Grenze der Rauchdichte überschreitet, so wird kein Alarm ausgelöst. Die einzelnen Klassen sind dabei insbesondere entsprechenden Rauchdichtebereichen von einem unteren bis zu einem oberen Wert zugeordnet, das heißt, d.h. es ist ein Minimum und ein Maximum einer Rauchdichte für jede Klasse vorgegeben. Durch ein Unterdrücken von Alarmen bei nicht ausreichender Rauchdichte lässt sich die Robustheit und auch eine Detektionsgeschwindigkeit für eine Branddetektion verbessern. Über die Zuordnung zu unterschiedlichen Klassen mittels des maschinellen Lernsystems kann damit ein zuverlässigeres Ergebnis gegenüber einer absoluten Messung erreicht werden.
  • Weitere Vorteile ergeben sich aus den abhängigen Ansprüchen. So ist es vorteilhaft, dass eine Szene wenigstens einer Klasse von Szenen ohne ermittelte Rauchentwicklung oder einer wenigstens einer von zwei Klassen mit unterschiedlichen Rauchdichtebereichen zugeordnet wird. Damit wird es klar ermöglicht, nicht nur das Vorhandensein von Rauch, sondern auch eine quantitative Größe einer Rauchdichte zu klassifizieren.
  • Eine Klassifikation erfolgt bevorzugt durch eine Auswertung über alle oder über eine vorgegebene Teilmenge der Pixel eines erfassten Bildes einer Szene. Gegebenenfalls erfolgt die Bestimmung einer Rauchdichte auch zu unterschiedlichen Zeitpunkten. Durch eine Beschränkung auf einen Pixelbereich, auch gegebenenfalls durch die Beschränkung auf einen einzelnen Pixel, ist es dabei auf einfache Weise möglich, die Rauchdichte zu bestimmen.
  • In einer Ausführungsform wird ein ausgewählter Bildbereich mittels der vorgeschalteten Branddetektion mittels eines maschinellen Lernsystems bestimmt. So können insbesondere Bildbereiche ausgewählt werden, die eine hohe Dynamik oder einen hohen optischen Fluss aufweisen. Eine Rauchdichtebestimmung kann dann auf einen derartigen Bildbereich beschränkt werden, so dass eine Erkennungswahrscheinlichkeit und damit eine zutreffende Zuordnung mittels des maschinellen Lernsystems verbessert werden kann. Insbesondere steigt dabei eine Wahrscheinlichkeit für eine zutreffende Zuordnung eines Bildes zu einer der vorgegebenen Klassen von unterschiedlichen Rauchdichten.
  • Weiterhin ist es vorteilhaft, eine Rauchdichteänderung aus einer Änderung der Farbe der Bildpixel in dem ausgewählten Bildbereich abzuleiten. Unter Berücksichtigung der Hypothese, dass eine Farbe des Rauches und eine Farbe des Hintergrundes in einem derartigen Bildbereich konstant ist, so führt eine Änderung der Rauchdichte zu einer geänderten Transparenz des Rauches gegenüber dem Hintergrund und damit zu einer Farbänderung in demjenigen Bereich zwischen dem Hintergrund und der Rauchfarbe. Eine solche Farbänderung lässt sich einfach auswerten und kann dann für eine Auswertung mittels des maschinellen Lernsystems herangezogen werden.
  • Weiterhin ist es vorteilhaft, eine von dem maschinellen Lernsystem zugeordnete Rauchdichteinformation zusammen mit einem Bild für eine erweiterte Analyse und/oder für ein Training des maschinellen Lernsystem zu speichern.
  • Entsprechende Vorteile ergeben sich für eine erfindungsgemäße Branddetektionsvorrichtung.
    • Zeichnung
  • Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und in der nachfolgenden Beschreibung näher erläutert.
  • Es zeigen:
    • Figur 1
    ein Ausführungsbeispiel für eine Branddetektionsvorrichtung mit einer Kamera und einer Alarmeinheit bei der Beobachtung einer Szene,
    Figur 2a, 2b und 2c
    Ausführungsbeispiels für unterschiedliche Rauchdichten,
    Figur 3
    ein Ausführungsbeispiel für einen erfindungsgemäßen Verfahrensablauf.
    Ausführungsformen der Erfindung
  • In der Figur 1 ist eine Kamera 10 dargestellt, in deren Blickwinkel 11 sich eine Szene 12 befindet, die von der Kamera 10 beobachtet wird. Bilder der Kamera 10 werden nachfolgend an eine Branddetektionsvorrichtung 20 weitergeleitet, bei der eine Recheneinrichtung 21 durch Zugriff auf ein gespeichertes maschinelles Lernsystem 22 die von der Kamera 10 erfassten Bilddaten auswertet. In dem maschinellen Lernsystem 22 sind eine Vielzahl von Bildern mit verschiedenen Brandsituationen und Nicht-Brandsituationen eingelernt, wobei die Branddetektionsvorrichtung 20, insbesondere durch eine Auswertung einer von der Kamera 10 aufgenommenen Bildfolge der Szene 12, die aufgenommenen Bilddaten entweder einer Brandsituation oder einer Nicht-Brandsituation zuordnet. Für den Fall, dass eine aufgenommene Szene einer Brandszene zugeordnet wird, wird die Brandszene an eine Auswerteeinrichtung 25 weitergeleitet, bei der eine Recheneinrichtung 26 unter Zugriff auf ein bereitgestelltes maschinelles Lernsystem die aufgenommenen Bildinformationen hinsichtlich einer Rauchdichte auswertet. Hierzu können Einzelbilder, aber auch Bildfolgen weitergeleitet werden.
  • In den Figuren 2a, 2b und 2c sind jeweils Beispiele für Bilddarstellungen 31, 32, 33 gezeigt, bei denen ein Objekt 34 in einer Szene dargestellt ist. In der Szene gemäß der Figur 2a ist kein Rauch zu sehen, in der Figur 2b ist leichter Rauch 35 zu sehen und in der Figur 2c ist dichter Raum 36 zu sehen. In einer Ausführungsform wird von der Branddetektionsvorrichtung 20 an die Auswerteeinrichtung 25 ein Rahmenbereich für einen möglichen Brandbereich vorgegeben, in der Figur 2b zum Beispiel der Rahmen 37 um den leichten Rauch herum und in der Figur 2c der Rahmen 38 um den dichten Rauch herum. Gemäß der Figur 2a wird entweder gar kein Rahmen oder ein Rahmen oberhalb des Objektes 34 als Rahmen 39 vorgegeben. Im Falle des Rahmens 39 kann dies ein vorgegebener Bereich oberhalb des Objektes sein, in dem möglicherweise Warnsignale aufzunehmen sind. Im Falle der Figuren 2b und 2c sind dies Bereiche mit einer dynamischen Bildbewegung, die eine hohe Wahrscheinlichkeit dafür haben, dass sich in diesen Bereichen ein Brand bzw. Rauch entwickelt.
  • Nach einer Auswertung durch die Auswerteeinrichtung 25 stellt diese nunmehr für die Bildaufnahme gemäß der Figur 2a fest, dass diese der Klasse "kein Rauch" zugeordnet wird. Die Aufnahme gemäß der Figur 2b wird der Klasse "geringe Rauchdichte" und die Aufnahme gemäß der Figur 2c der Klasse 2c der Klasse "hohe Rauchdichte" zugeordnet. Die jeweiligen Klassen sind dabei vorzugsweise mit konkreten Grenzwerten für die jeweiligen Rauchdichten in einem Speicher 27 definiert. Diese Zuordnungswerte werden in Speicherfelder 40, 41, 42 den jeweiligen Bilddaten zugeordnet abgelegt.
  • Für den Fall der Zuordnung zu der niedrigen Rauchdichte oder zu der Klasse "kein Rauch" erfolgt anschließend keine Ausgabe einer Warnung. Wird allerdings eine Zuordnung zu der Klasse "hoher Rauchdichte" durchgeführt, so wird über eine Warnleitung 28 eine Alarmvorrichtung 50 aktiviert und über eine Ausgabeeinrichtung 51, beispielsweise eine optische und/oder akustische Warneinrichtung, wird einem Benutzer eine Warnung vor einem Brand ausgegeben.
  • In einer Ausführungsform wird eine Bildinformation, die von der Kamera 10 von der Szene aufgenommen wurde, dem Benutzer angezeigt. Über eine Eingabeeinrichtung 52 kann der Benutzer nunmehr ein Feedback geben, ob die Brandsituation korrekt oder fehlerhaft erkannt wurde. Dieses Feedback kann zusammen mit den gespeicherten in den Speicherfeldern 40, 41, 42 abgelegten Informationen für ein weiteres Training des maschinellen Lernsystems verwendet werden.
  • Eine rechnerische Bestimmung der Rauchdichte kann bevorzugt dadurch erfolgen, dass die Rauchdichte anhand der Bilddaten abgeschätzt wird. Eine Möglichkeit hierfür ist es, die Farbe eines Pixels im Bild zu beschreiben als x = 1 − a * s + − a * b .
    Figure imgb0001
  • wobei α die Transparenz des Rauches, s die Farbe des Rauches und b die Farbe des Hintergrundes sein soll. Als Farbe soll hierbei die rechnerische Darstellung einer Farbe anhand einer Farb-Zuordnungstabelle, die von der Kamera erfassten Farbe zu einer Bildschirmfarbe sein, wobei der Farbe hierfür beispielsweise ein Wert zwischen 0 und 255 zugewiesen wird. Be einer größeren Farbpalette sind dementsprechend andere Farbwerte möglich. Eine Änderung der Transparenz zwischen zwei Zeitpunkten i und j lässt sich dabei schreiben als x i − x j = a i − a j * s − b ,
    Figure imgb0002
     wobei angenommen wird, dass sich die Farbe des Hintergrundes sowie die Farbe des Rauches im Bild zwischen den Zeitpunkten i und j nicht signifikant ändert. Somit lässt sich eine approximierte Änderung der Rauchdichte schreiben als a i − a j = s − b / x i − x j .
    Figure imgb0003
  • Setzt man nun eine Hintergrundfarbe eines Referenzbildes an und nutzt eine Rauchdichtebestimmung anhand des oben beschriebenen maschinellen Lernsystems, insbesondere hinsichtlich einer Vielzahl von unterschiedlichen Rauchdichteklassen, so kann zudem eine Rauchdichteänderung bestimmt werden.
  • In der Figur 3 ist ein Ausführungsbeispiel für einen erfindungsgemäßen Verfahrensablauf aufgezeigt. Ausgehend von einer Initialisierungsschritt 60 erfolgt zunächst eine Branddetektion 61. In einem anschließenden ersten Prüfschritt 62 wird überprüft, ob ein Brand detektiert wurde. Ist dies nicht der Fall, so wird die Branddetektion 61 fortgesetzt. Ist dies der Fall, so erfolgt eine Rauchdichtezuordnung in einem Zuordnungsschritt 63. In einem anschließenden Prüfschritt 64 wird überprüft, ob eine Mindest-Rauchdichte erreicht wird. Ist dies nicht der Fall, so wird zu der Branddetektion 61 zurückverzweigt. In einem anschließenden Zuordnungsschritt wird eine Rauchdichteänderung aus einer Mehrzahl aufeinanderfolgender Bilddaten nach dem oben beschriebenen Verfahren bestimmt. Wird ein kritisches Maß für eine Rauchdichteänderung erreicht, so wird ein Alarm in einem Warnschritt 66 ausgegeben. Ansonsten wird zu der Branddetektion 61 zurückverzweigt.

Claims (8)

  1. Verfahren zur Branddetektion mittels einer Auswertung einer von einer Kamera (10) erfassten Szene (12) über ein maschinelles Lernsystem, dadurch gekennzeichnet, dass für den Fall, dass ein Brand anhand einer ersten Auswertung der Szene (12) vermutet wird, nur dann eine Brandwarnung ausgegeben wird, wenn ein Erwartungswert für die Rauchdichte und/oder eine Rauchdichteänderung einen vorgegebenen Erwartungswert für die Rauchdichte überschreitet.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zur Ableitung des Erwartungswertes für die Rauchdichte eine Szene wenigstens einer Klasse von Szenen ohne ermittelte Rauchentwicklung oder einer von wenigstens zwei Klassen von Szenen mit jeweils unterschiedlichen Rauchdichtebereichen zugeordnet wird.
  3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Klassifikation der Bilder über alle oder über eine vorgegebene Teilmenge der Pixel der Bilder erfolgt.
  4. Verfahren nach Anspruch 3, dadurch, gekennzeichnet, dass für eine Klassifikation der Bilder ein ausgewählter Bildbereich eines Bildes der Szene ausgewertet wird.
  5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass ein ausgewählter Bildbereich auf Basis einer automatisierten Analyse der Pixel des Bildes für eine Branddetektion derart festgelegt wird, dass ein Bildbereich benachbart zu einem vermuteten Brand ausgewählt wird.
  6. Verfahren nach einem der Ansprüche 4-5, dadurch gekennzeichnet, dass ein Erwartungswert für eine Rauchdichteänderung aus einer Änderung der Farbe der Bildpixel in dem ausgewählten Bildbereich über die Zeit abgeleitet wird.
  7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine ermittelte Rauchdichteinformation zusammen mit dem Bild für eine erweiterte Analyse und/oder für ein Training des maschinellen Lernsystems gespeichert wird.
  8. Branddetektionsvorrichtung zur Durchführung eines Verfahren nach einem der vorhergehenden Ansprüche mit einer Schnittstelle zu einer Kamera (10) zur Erfassung von Bildern einer Szene (12) und mit einer Schnittstelle zu einer Warneinheit (50) zur Ausgabe einer Warnung.
EP24212608.4A 2023-11-22 2024-11-13 Verfahren zur branddetektion und branddetektionsvorrichtung Pending EP4560597A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102023211638.3A DE102023211638A1 (de) 2023-11-22 2023-11-22 Verfahren zur Branddetektion und Branddetektionsvorrichtung

Publications (1)

Publication Number Publication Date
EP4560597A1 true EP4560597A1 (de) 2025-05-28

Family

ID=93521640

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24212608.4A Pending EP4560597A1 (de) 2023-11-22 2024-11-13 Verfahren zur branddetektion und branddetektionsvorrichtung

Country Status (2)

Country Link
EP (1) EP4560597A1 (de)
DE (1) DE102023211638A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070019071A1 (en) * 2005-07-18 2007-01-25 Sony United Kingdom Limited Smoke detection
DE102016207705A1 (de) 2016-05-04 2017-11-09 Robert Bosch Gmbh Rauchdetektionsvorrichtung, Verfahren zur Detektion von Rauch eines Brandes sowie Computerprogramm
US20190279478A1 (en) * 2016-12-21 2019-09-12 Hochiki Corporation Fire monitoring system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070019071A1 (en) * 2005-07-18 2007-01-25 Sony United Kingdom Limited Smoke detection
DE102016207705A1 (de) 2016-05-04 2017-11-09 Robert Bosch Gmbh Rauchdetektionsvorrichtung, Verfahren zur Detektion von Rauch eines Brandes sowie Computerprogramm
US20190279478A1 (en) * 2016-12-21 2019-09-12 Hochiki Corporation Fire monitoring system

Also Published As

Publication number Publication date
DE102023211638A1 (de) 2025-05-22

Similar Documents

Publication Publication Date Title
DE69510252T2 (de) Verfahren und Vorrichtung zur Gewinnung eines sich bewegenden Objektes, mit Anwendung von Hintergrundsubstraktion
EP3948688B1 (de) Training für künstliche neuronale netzwerke mit besserer ausnutzung der lern-datensätze
EP3977430B1 (de) Verfahren und vorrichtung zur detektion von rauch
DE202017102381U1 (de) Vorrichtung zum Verbessern der Robustheit gegen "Adversarial Examples"
DE102007041893A1 (de) Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm
DE19633693C1 (de) Verfahren und Vorrichtung zur Erfassung von Targetmustern in einer Textur
DE69322095T2 (de) Verfahren und gerät zur identifizierung eines objekts mittels eine geordneten folge von grenz-pixel-parametern
DE102009048066A1 (de) Verfahren zur Verkehrszeichenerkennung
DE102020126554A1 (de) Mikroskopiesystem und verfahren zum überprüfen von eingabedaten
DE112018007375T5 (de) Qualitätsüberwachungssystem
AT520781A2 (de) Verhaltensmodell eines Umgebungssensors
DE112018000224B4 (de) Verfahren und Vorrichtung zum Bestimmen einer Position eines Schlitzes in einer zu verarbeitenden Probe
DE69205811T2 (de) Verfahren zur Bildanalyse.
DE102019209228A1 (de) Verfahren und Vorrichtung zum Überprüfen der Robustheit eines künstlichen neuronalen Netzes
DE102022201679A1 (de) Verfahren und Vorrichtung zum Trainieren eines neuronalen Netzes
EP4560597A1 (de) Verfahren zur branddetektion und branddetektionsvorrichtung
DE4217007A1 (de) Verfahren und Vorrichtung zur Überwachung und Sicherung der Produktqualität
DE102019204602B4 (de) Verfahren und Vorrichtung zur Maskierung von in einem Bild enthaltenen Objekten
WO2021228894A1 (de) Bildauswertungsverfahren in der mikroskopie
DE102023209685A1 (de) Verfahren zum Bewerten eines Trainingsdatensatzes für ein Maschinenlernmodell
DE102019113647A1 (de) Kamerasystem zur Erfassung von Objekten und/oder Objekteigenschaften
DE102022213930A1 (de) Verfahren und System zum Verbessern der Robustheit eines Algorithmus des maschinellen Lernens
DE102022204618A1 (de) Effektive Qualitätsbestimmung einer Objekterkennung eines neuronalen Netzes
WO2021148392A1 (de) Verfahren und vorrichtung zur objektidentifikation basierend auf sensordaten
DE102019209152A1 (de) Verfahren und Vorrichtung zum sicheren Identifizieren von Objekten in Videobildern

Legal Events

Date Code Title Description
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: THE APPLICATION HAS BEEN PUBLISHED

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

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: 20251128