The Doppler Quarterly (DEUTSCHE) Sommer 2018 | Page 17
der Verwendung des so genannten Lerntransfers. Dabei
starten wir mit einem vortrainierten Modell und extra-
hieren Bildmerkmale, um einen neuen Graphen zu trai-
nieren 1 . Das vortrainierte Modell für diese Lösung hat
den Namen Inception-v3 und ist ein tiefes CNN (Convo-
lutional Neural Network). Es wurde für die „ImageNet
Large Visual Recognition Challenge“ mit Daten aus dem
Jahr 2012 und 1.000 Bildklassen wie „Zebra“, „Dalmati-
ner“ und „Geschirrspüler“ trainiert. Davon ausgehend
konnten wir spezifische Klassifizierungen für Rauch,
Feuer und Messwerte in unserer Demo definieren.
Ein Modell von Grund auf neu zu erstellen, kann selbst
mit Unterstützung hochqualifizierter Analysten
Monate dauern. Bei Einsatz des Lerntransfers ist ein
neues Modell in einigen Stunden erstellt. Dabei rei-
chen für den Anfang oft ein paar Dutzend Bilder und
Programmierkenntnisse in Python oder C++ aus.
an den lokalen TensorFlow Serving-Prozessor über-
tragen, um Rauch und Feuer zu erkennen bzw. den
Zustand der analogen Messuhr (grün, gelb oder rot)
abzulesen.
Bei der Edge-Echtzeitverarbeitung der Videoanalyse
werden zwei Streams ausgegeben (Abbildung 1):
1. Ein Echtzeit-Dashboard, das den aktuellen
Zustand und Zeitrahmen für die Verarbeitung
aufzeigt. Das Dashboard wird von einem Bedie-
ner in der Produktionshalle überwacht und gibt
Warnungen aus, wenn Probleme auftreten.
2. Ein echtzeitnaher Stream mit Warnbenachrichti-
gungen über ein IoT-Gateway, der via Cloud IoT
Core über MQTT an GCP gesendet wird. Die
Benachrichtigungen werden an ein in der Cloud
gehostetes Dashboard sowie an Stackdriver
Monitoring weitergeleitet, wo sie schwellenwert-
basiert weiterverarbeitet werden können.
Public Cloud-Ressourcen bieten optimale Vorausset-
zungen für das Trainieren von
STATUS
Modellen, da die Bildverarbeitung
auf Ressourcen für die Parallelverar-
beitung wie GPUs oder TPUs 2 verteilt
FIRE
werden kann, die nach der Verarbei-
tung freigegeben werden. Wir haben
SMOKE
die Google Cloud Platform (GCP) und
Cloud ML Engine zum Erstellen und
Trainieren des Graphen verwendet,
RPM
der dann exportiert und am Edge
ausgeführt wurde – in unserem Fall
eine simulierte Produktionshalle. Die
Cloud ML Engine nutzt eine Open
Source-Technologie für maschinel-
les Lernen, die TensorFlow genannt
wird (und auch von Google entwi-
Anomalous Alert Timeline
ckelt wurde). Dieselbe TensorFlow
All
Serving-Technologie wurde für die
Edge-Verarbeitung des Videostreams
HMI Danger Detected on Video
ausgeführt.
4/9/2018 3:09:50 PM EDT
Eine auf die Demobox gerichtete
IP-Kamera erzeugt mit einer Abtas-
trate von 3 Bildern pro Sekunde
einen Videostream. Jedes Bild wird
Smoke Detected on Video
4/9/2018 3:09:50 PM EDT
Fire Detected on Video
4/9/2018 3:09:50 PM EDT
Acknowledge
Acknowledge
Acknowledge
In Progress Resolved
Assign Details Acknowledge
Assign Details Acknowledge
Assign Details Acknowledge
Abbildung 1: Dashboard für Feuer-, Rauch- und Drehzahlwarnungen
SOMMER 2018 | THE DOPPLER | 15