Fallstudie Smart Tunnel
Um die Genauigkeit ihrer automatischen Ereigniserkennung (Automatic Incident Detection, AID) zu verbessern, stellte das Unternehmen ISSD sein System auf einen Deep-Learning-Ansatz um. fortiss unterstützte diesen Übergang durch technisches Coaching und half ISSD dabei, die Robustheit der neuronalen Netze gegenüber realen Störfaktoren zu analysieren und zu optimieren. Das Ergebnis ist eine Lösung, die Fehlalarme halbiert, die Erkennungsgeschwindigkeit erhöht und gleichzeitig die Hardwarekosten pro Videostream senkt.
Herausforderung
Herkömmliche AID-Systeme, die auf klassischer Computer Vision basieren, stoßen zunehmend an ihre Grenzen. Tunnelbetreiber stehen oft vor einer kognitiven Überlastung, da sie dutzende Kamera-Feeds gleichzeitig überwachen müssen, während das System häufig Fehlalarme auslöst. ISSD wollte Deep Learning integrieren, um die Erkennungsgenauigkeit zu steigern. Dabei bestand die Herausforderung darin, die Robustheit, Interpretierbarkeit und Kosteneffizienz in einer produktiven, sicherheitskritischen Umgebung zu garantieren. Faktoren wie Wetterkapriolen, Bildrauschen oder Lichtwechsel mussten zuverlässig verarbeitet werden, ohne die Hardwareanforderungen massiv in die Höhe zu treiben.
Lösung
fortiss bot tiefgehendes technisches Coaching im Bereich neuronaler Netze an. Das Team unterstützte ISSD dabei, die Entscheidungswege des Objekterkennungsmodells zu analysieren und dessen Zuverlässigkeit unter schwierigen Bedingungen (z. B. Bildstörungen oder Sensorrauschen) zu bewerten. Gemeinsam wurden Performance-Evaluierungen hinterfragt und gezielte Modellverbesserungen erarbeitet, um die Robustheit weiter zu erhöhen.
Die finale Lösung wurde auf Basis der Intel Myriad-X-VPU in einer hochskalierbaren Hardwarekonfiguration implementiert. Dies ermöglichte eine hocheffiziente Echtzeit-Videoverarbeitung direkt "at the edge", was die Kosten pro Stream deutlich reduzierte.
Ergebnis
- Signifikante Fehlerreduktion: Senkung der Fehlalarmrate um rund 50 % im Vergleich zur Vorgängerlösung bei gleichzeitig vollständiger Ereigniserfassung.
- Erhöhte Performance: Deutliche Verbesserung der Erkennungszeiten für sicherheitskritische Vorfälle.
- Kosteneffizienz: Reduktion der Hardwarekosten pro Videostream trotz gestiegener Rechenanforderungen durch optimierte VPU-Nutzung.
- Validierte Robustheit: Erfolgreicher Testlauf der verbesserten Engine in einer realen Tunnelüberwachungsumgebung.
- Wissenstransfer: Aufbau interner Kompetenzen bei ISSD zur Analyse und Optimierung der Interpretierbarkeit von KI-Modellen.
Fazit
Ein Deep-Learning-basiertes AID-System kann herkömmliche Ansätze sowohl hinsichtlich der Genauigkeit als auch der Kosteneffizienz deutlich übertreffen. Durch die gezielte Unterstützung von fortiss konnte ISSD die Verlässlichkeit seines KI-Modells unter realen Einsatzbedingungen massiv steigern. Das Projekt verdeutlicht, wie entscheidend die enge Kooperation zwischen Forschung und Industrie für die skalierbare Einführung von KI in sicherheitskritischen Bereichen der Infrastruktur ist.
Projektpartner
