Fraunhofer-Institut für Digitale Medientechnologie IDMT
Beschreibung und Projektziele
Idee für einen KI-Demonstrator
Steigende Energiekosten führen dazu, dass Unternehmen auf die Beleuchtung ihrer Firmengelände verzichten. Große, gewerbliche Areale liegen nun im Dunkeln; installierten Überwachungskameras fehlt das Nachtlicht für verwertbare Aufnahmen. Die Anschaffung einer flächendeckenden Überwachung mit Nachtsichtkameras ist kostspielig – der Einsatz energieintensiv. Mit der smarten akustischen Einbruchsüberwachung »Sound Surv:AI:llance« zeigen wir einen neuen Ansatz für den Einbruchsschutz - die kostengünstige und energieeffiziente Alternative zur Überwachung via Bild. Auch im Dunkeln.
Festlegen des Anwendungsfalls: smarter, energieeffizienter Einbruchschutz
In dem von der Fraunhofer-Allianz Big Data und Künstliche Intelligenz geförderten Projekt, wird ein Demonstrator angefertigt, der die Funktionsweise und das Potenzial von Künstlicher Intelligenz (KI) auf energieeffizienten Geräten für den Anwendungsfall »Einbruchsschutz in Gewerbegebieten« verdeutlicht. Ziel soll es sein, die beiden Forschungsthemen »KI-Modelle für akustische Daten« und »Konvertierung von KI-Modellen vom PC auf ressourcenbegrenzte Systeme« allgemeinverständlich und greifbar aufzubereiten. Hierfür werden die für Einbrüche typischen Geräusche »Glasbruch«, »Hebeln«, »Bohren« und »Fahrzeug« im Demonstrator – dem Modell eines Gewerbegebiets – als akustische Ereignisse verwendet, aufgenommen und analysiert.
Die Innovation bei der akustischen Einbruchsüberwachung
Gegenüber anderen Systemen zur akustischen Einbruchserkennung wird im Projekt Sound Surv:AI:llance ein Verfahren entwickelt, welches die für die Analyse eingesetzten Microcontroller bei Inaktivität in ein Standby versetzt und den Stromverbrauch reduziert. Dadurch ist das System 80 Prozent energieeffizienter als kamerabasierte Überwachung, und über 65 Prozent sparsamer im Vergleich zu herkömmlichen akustischen Überwachungssystemen. Zudem werden Fehlalarme wie beispielsweise verursacht von Tieren oder anderen Umweltgeräuschen durch den Einsatz von KI vermieden. Für eine verbesserte Vorhersagegenauigkeit kann Federated Learning als Teilforschungsthema von KI eingesetzt werden.