IoT · Computer Vision und Edge-KI
Personen an der Tür gezählt, ohne dass etwas in die Cloud geht
Betreiber von Gebäuden und öffentlichen Verkehrsmitteln brauchen die Belegung in Echtzeit, für Sicherheitsvorschriften, Kapazitätsmanagement und Betriebsplanung. Von Hand zu zählen ist an mehreren Eingängen nicht machbar, und Drehkreuze sind teuer oder baulich unmöglich. Mit RapidLab haben wir kompakte Geräte gebaut, die automatisch zählen, aus Sensordaten und Computer Vision, und alles direkt auf dem Gerät verarbeiten.
Ergebnisse
Kunde: RapidLab
Spezialist für intelligente Elektronik und IoT-Prototyping, mit Fokus auf Gebäudebetreiber und Anbieter im öffentlichen Personenverkehr.
- Branche
- IoT, Gebäude- und Verkehrsbetrieb
- Anwendungsfall
- Automatische Personenzählung
- KI-Ansatz
- Zeitreihen-ML und Computer Vision
- Hardware
- Time-of-Flight-Sensoren und Videokameras
- Bereitstellung
- Edge Computing, auf dem Gerät
- Umgebung
- Gebäude, Busse, Züge
Kurz gefasst
Eine einfach klingende Frage, die schwer zu beantworten ist
- Wie viele Menschen gerade drin sind, klingt einfach. In der Praxis haben Gebäude mehrere Eingänge, und Busse und Bahnen öffnen an jeder Haltestelle alle Türen gleichzeitig.
- Von Hand zählen skaliert nicht, und Drehkreuze und Schranken sind teuer und in bestehenden Gebäuden oft nicht einbaubar.
- Das Gerät zählt Ein- und Ausgänge in zwei Varianten: ein schlankes Time-of-Flight-Modell für einfache Türen und Computer Vision, wo viel los ist und das Licht wechselt.
- Die gesamte Inferenz läuft auf dem Gerät, also funktioniert es ohne Internet, ohne Verzögerung und ohne dass je ein Video die Tür verlässt.
Die Ausgangslage
Die Aufgabe
Die Belegung in Echtzeit zu erfassen, war entweder manuell und in großem Maßstab unbrauchbar, schrankenbasiert und teuer, oder es fand schlicht nicht statt. Betreiber entschieden über Kapazität und Sicherheit ohne verlässliche Daten.
Zu wissen, wie viele Menschen sich gerade in einem Gebäude oder Fahrzeug befinden, klingt einfach und ist es nicht. Gebäude haben mehrere Ein- und Ausgänge. Busse und Bahnen öffnen an jeder Haltestelle alle Türen gleichzeitig.
Von Hand zu zählen ist in nennenswertem Umfang nicht praktikabel, und Zählschranken, also Drehkreuze und Schrankenanlagen, sind teuer im Einbau und in bestehenden Gebäuden oft baulich nicht umsetzbar.
Besonders deutlich wurde der Bedarf in der Pandemie, als Belegungsgrenzen in Echtzeit durchgesetzt werden mussten. Das Problem bleibt aber bestehen: Gebäudebetreiber, Verkehrsbehörden und Facility Manager brauchen genaue Belegungsdaten für Sicherheit, Kapazitätsplanung und effizienten Betrieb, und ein manueller Prozess kann sie nicht liefern.
Der Bau
Was wir gebaut haben
Gemeinsam mit den IoT-Hardware-Ingenieuren von RapidLab haben wir die KI-Schicht für ein kompaktes Gerät entwickelt, das Personen beim Betreten und Verlassen automatisch zählt, montiert an einer Tür im Gebäude oder am Einstieg eines Busses oder Zugs.
Zwei Ansätze für zwei Arten von Türen
Wir haben zwei Varianten gebaut. Die erste nutzt Time-of-Flight-Sensordaten mit Machine Learning auf Zeitreihenmustern, schlank und für einfache Umgebungen ausreichend. Die zweite nutzt Video mit Deep-Learning-basierter Computer Vision und hält, wo mehrere Personen gleichzeitig durchgehen oder das Licht wechselt.
Nichts verlässt das Gerät
Die gesamte Inferenz läuft auf dem Gerät selbst, weder Video- noch Sensordaten gehen in die Cloud. Das war Absicht, aus drei Gründen: Reaktion in Echtzeit ohne Netzwerkverzögerung, Einsatz auch ohne Internet und Datenschutz, weil keine Aufnahme einer Person die Tür verlässt.
Die Architektur finden, die zur Hardware passt
Das Projekt umfasste die Festlegung der Datenerfassung, die Analyse der Sensormuster und schnelles Durchprobieren verschiedener neuronaler Netzarchitekturen, um die Balance zwischen Genauigkeit und dem zu finden, was Edge-Hardware tatsächlich rechnen kann.
Klein genug für jeden Einbauort
Das Ergebnis ist ein kleines Gerät, das sich an nahezu jeder Tür montieren lässt, ohne Bauarbeiten, ohne Drehkreuze, ohne bauliche Änderung. Genau das macht den Einsatz an Hunderten Standorten oder in ganzen Fahrzeugflotten wirtschaftlich.
Was sich geändert hat
Das Ergebnis
Vorher
Manuelle Zählungen, teure Schranken oder gar keine Belegungsdaten. Kein Echtzeitbild davon, wie viele Menschen gerade in einem Raum sind.
Nachher
Automatische Zählung in Echtzeit auf kompakten Edge-Geräten. Keine Cloud-Abhängigkeit, keine baulichen Änderungen, einsetzbar in Gebäuden und ganzen Verkehrsflotten.
Betreiber haben genaue Belegungsdaten in Echtzeit, ohne die Kosten und Einschränkungen einer physischen Zählinfrastruktur.
Gezählt wird fortlaufend und automatisch: ohne Personal, ohne Internetverbindung und ohne Datenschutzfrage, weil das Video das Gerät nie verlässt.
Über Sicherheit und Compliance hinaus fließen die Daten in die Betriebsplanung: Spitzenzeiten erkennen, Personal einplanen und Kapazitäten nach echten Zahlen statt nach Schätzungen festlegen.
Fragen zu diesem Projekt
Automatische Personenzählung. Die Belegung in Echtzeit zu erfassen, war entweder manuell und in großem Maßstab unbrauchbar, schrankenbasiert und teuer, oder es fand schlicht nicht statt. Betreiber entschieden über Kapazität und Sicherheit ohne verlässliche Daten.
Die gesamte Verarbeitung auf dem Gerät, ohne Cloud und ohne Internet: Edge-KI. Time-of-Flight-Sensoren mit ML und Computer Vision mit Deep Learning: 2 Modi. Live-Belegung an allen Ein- und Ausgängen: Echtzeit. Ein kleines Gerät für Gebäude und Fahrzeuge: Kompakt.
Zeitreihen-ML und Computer Vision. Eingesetzte Technik: Computer Vision, Deep Learning, Time-of-Flight-Sensoren, Zeitreihen-ML, Edge-KI, Optimierung neuronaler Netze, IoT-Integration.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Fertigung und IoT · Predictive Maintenance
Wissen, was ein Aufzug gerade tut, ohne nachsehen zu müssen
Mehr lesen
Energie und Gebäudetechnik · IoT
Sensordaten, die gesammelt und nie ausgewertet wurden
Mehr lesen
HealthTech · Computer Vision und Rehabilitation