1. Erkennung von Sicherheitskennzeichnung

Das Ziel dieses Dienstes ist die Erstellung eines synthetischen Datensatzes, der in Verbindung mit einer kleinen Menge an realen Daten verwendet werden kann, um ein neuronales Netzwerk zu trainieren, welches in der Lage ist, Gesundheits- und Sicherheitskennzeichnungen in realen Situationen zu erkennen. Dabei soll die Sicherheitskennzeichnung durch eine Bounding-Box im Bild lokalisiert werden.

2. Erkennung von Prüfplaketten-Aufkleber

Ziel dieses Dienstes ist die automatisierte Erkennung von Prüfplaketten-Aufklebern, welche auf einem Feuerlöscher angebracht sind mittels Bounding-Box.

Beispielhaftes Detektionsergebnis (Klasse 0 = Herstellerinformationen, Klasse 1 = Prüfplakette)

3. Erkennung von Prüfplaketteninformationen

Mithilfe dieses Dienstes werden die Monats- und Jahresangaben auf den einzelnen Prüfplaketten-Aufklebern eines Feuerlöschers, mittels Bounding-Boxen automatisch erkannt.

Beispielhaftes Detektionsergebnis (Monat 5 = Mai wird detektiert, Jahr 24 = 2024 wird detektiert)

4. Erkennung von Löschmittelart mit Expertenwissen

Dieser Dienst erkennt die abgebildeten Brandklassensymbole auf einem Feuerlöscher mittels Expertenwissen und Bounding-Boxen.

Beim Löschen eines Feuers spielt der brennende Stoff eine entscheidende Rolle, denn das Abbrennen von beispielsweise Papier birgt andere Risiken als ein in Flammen stehender Herd. Daher erfordern unterschiedliche Brände auch unterschiedliche Löschmittel. Jeder Brand kann einer bestimmten Brandklasse zugeordnet werden, von A bis F – wobei die Klasse E ausgenommen ist. Insgesamt gibt es also fünf solcher Brandklassen. Manche Löschmittel sind in der Lage, mehrere Brandklassen gleichzeitig abzudecken, während andere speziell für eine bestimmte Klasse entwickelt wurden.

Integration von Expertenwissen. Falsches KI-Ergebnis zeigt eine nicht mögliche Kombination von Brandklassen (Löschmittel AACD) => Post Processing Dienst integriert Expertenwissen und das Ergebnis wird berichtigt (Löschmittel ABC)
Detektionsergebnis korrigiert mittels Expertenwissen (rechts)

Daten für alle oben genannten KI-Services:

  • Qualität: Die Dokumentationsbilder sollten eine gute Qualität haben und möglichst keine Unschärfe aufweisen. Das Bild kann sowohl im horizontalen oder vertikalen Format vorliegen. Das Verarbeiten von Bildern schlechter Qualität ist natürlich auch möglich, führt aber tendenziell zu schlechteren Ergebnissen.
  • Eingabedatenformat:
    • JPG
  • Trainingdaten vorhanden:
    • Eigener Datensatz
    • FireNet
  • Ausgabedatenformat:
    • ZIP-Datei:
      • JSON-Datei
        • Liste aller erkannten Bounding-Boxes (je Bounding-Box: Koordinaten für 2 Punkte in 2D)
      • JPG-Datei
        • Original-Datei zur Weiterverarbeitung
        • Visualisierung der Deketion auf der Original-Datei

Ansprechpartnerin:
Angelina Aziz, M. Sc., Lehrstuhl für Informatik im Bauwesen, Ruhr-Universität Bochum