{"id":2546,"date":"2020-11-06T09:16:32","date_gmt":"2020-11-06T08:16:32","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/stec\/?post_type=projects&p=2546"},"modified":"2023-03-10T14:12:14","modified_gmt":"2023-03-10T13:12:14","slug":"bos-cam-gefahrguterkennung","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projekte\/bos-cam-gefahrguterkennung\/","title":{"rendered":"BOS Cam Gefahrgut­erkennung"},"content":{"rendered":"\n\n
\n
\n
\n
\"Ein
\u00a9 BOS Connect GmbH<\/figcaption><\/figure>\n<\/div><\/div>\n\n\n\n

Ausgangssituation<\/h4>\n\n\n\n

Feuerwehren nehmen w\u00e4hrend Gefahrguteins\u00e4tzen (u.a. bei Chemikalienaustritt) Bild- und Videodaten mithilfe der explosionsgesch\u00fctzten BOS Cam auf und senden diese Daten an Einsatzleitung und Sachverst\u00e4ndige, um eine Einsch\u00e4tzung der Lage und einen zielgerichteten und sicheren Feuerwehreinsatz zu erm\u00f6glichen. Bisher sind g\u00e4ngige Gefahrensymbole und Stoffnummern nur geschulten Einsatzkr\u00e4ften bekannt und m\u00fcssen ansonsten aufw\u00e4ndig in der Fachliteratur nachgeschlagen werden.<\/p>\n\n\n\n

<\/p>\n\n\n\n

L\u00f6sungsidee<\/h4>\n\n\n\n

Eine automatisierte Erkennung und Klassifikation von Gefahren durch Chemikalien am Einsatzort anhand der Bilddaten kann die Entscheidungsphase stark beschleunigen. Daher wurde ein Machine Learning (ML) Algorithmus zur Extraktion von Gefahrgut-Klassifikationen und Stoffnummern von Warntafeln und Produktbeschriftungen eingesetzt. Die durch den ML-Algorithmus erkannten Gefahren k\u00f6nnen dann sinnvoll in die bereits vorhandene Benutzerschnittstelle der Einsatzleitung eingebracht werden.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Projektnutzen<\/h4>\n\n\n\n

Die aufgezeigte L\u00f6sung f\u00fcr eine KI-unterst\u00fctzte Gefahrguterkennung mit BOS Cam tr\u00e4gt zur einer erh\u00f6hten Sicherheit von Feuerwehr und Katastrophenschutz in Gefahrguteins\u00e4tzen oder bei risikobehafteten Wartungst\u00e4tigkeiten bei. Sie erm\u00f6glicht einen automatisierten Abgleich mit Chemiedatenbl\u00e4ttern und -datenbanken. Der Ansatz ist zudem auf automatische Erkundungsprozesse erweiterbar.<\/p>\n\n\n\n

Umsetzung der KI-Applikation<\/h4>\n\n\n\n

Es bestehen verschiedene Herausforderungen: Zum einen existieren im konkreten Anwendungsfall kaum annotierte reale Daten f\u00fcr das Training. Zum anderen sind typische Einsatzorte sehr unstrukturierte und hochvariante Umgebungen. Des Weiteren stehen vor Ort nur begrenzte Berechnungskapazit\u00e4ten zur Verf\u00fcgung. Daher werden durch Methoden der Synthetisierung und Augmentierung geeignete Trainingsdaten generiert, anhand derer der Algorithmus gelernt werden kann. Der Algorithmus selbst folgt dem Prinzip einer hybriden K\u00fcnstlichen Intelligenz (KI)<\/a> und besteht demnach aus der Kombination von klassischen Verfahren und Deep Learning. Unter anderem kommt f\u00fcr die KI-gest\u00fctzte Gefahrguterkennung eine Kombination aus einem Modul zur Lokalisierung der Bildregionen von Interesse, einem Symbolerkenner und einem Textleser zum Einsatz.<\/p>\n\n\n\n

Der Quick Check des Fraunhofer IPA beweist, wie moderne Bildanalyseverfahren die Prozesseffizienz und Sicherheit in kritischen Gefahrguteins\u00e4tzen von Feuerwehren deutlich erh\u00f6hen k\u00f6nnen.<\/p>best\u00e4tigt Gero Nicklas, Feuerwehrmann und Gesch\u00e4ftsf\u00fchrer der BOS Connect GmbH.<\/cite><\/blockquote>\n<\/div>\n\n\n\n

\n
\n\n
\n

Ihr Kontakt<\/p>\n\n\n\t\t\t

\r\n\t\t\t

\r\n\t\t\t\t\t M. Sc. Jochen Lindermayr<\/span>
\r\n\t\t\t\t\t\t Phone +49 711 970-1565<\/span>
\r\n\t\t\t\t\t\t Send email<\/a><\/span>

\r\n\t\t\t\t\t\t <\/p>\r\n\t\t\t\t

\r\n\t\t\t\t\t M. Sc. Florian Jordan<\/span>
\r\n\t\t\t\t\t\t Phone +49 711 970-1878<\/span>
\r\n\t\t\t\t\t\t Send email<\/a><\/span>

\r\n\t\t\t\t\t\t <\/p>\r\n\t\t\t\t\t\t\t<\/div>\r\n\t\t<\/div>\n\n\n\n

\n

Weitere Informationen<\/p>\n\n\n\n

\n