Gerd Blank

Autor, Text, Podcast, Moderation, Hamburg

1 Abo und 3 Abonnenten
Artikel

Automatische Bilderkennung: Graffiti-Jagd mit künstlicher Intelligenz

Die Frage „Ist das Kunst oder kann das weg?" stellt sich bei der Deutschen Bahn nicht: Wird auf einem Zug ein Graffiti entdeckt, muss dieses schnellstmöglich entfernt werden. Für den Konzern ist es vor allem ein hoher Kostenfaktor. So liegen die finanziellen Mittel für die Beseitigung von Graffitis im Jahr in einem fast zweistelligen Millionenbereich. Der Sicherheitsbericht der Deutschen Bahn beziffert für das Jahr 2017 die Zahl der Graffiti-Beschädigungen auf 18.120 Fälle - eine Steigerung von vier Prozent im Vergleich zum Vorjahr.

Auch bei der S-Bahn in Hamburg gehören Graffitis an den Zügen fast zur Tagesordnung. Das ist nicht nur ein Kostenfaktor. „Verschmutzte Schienenfahrzeuge führen zu einer verringerten Sicherheitswahrnehmung bei unseren Kunden", sagt Sven Krayl, Leiter IT und Security der S-Bahn. „Es ist auch ein Thema der subjektiven Sicherheit, nach dem die S-Bahn im Hamburger Verkehrsverbund (HVV) im Qualitätssteuerungsverfahren gemessen wird." In seiner Abteilung arbeiten auch die Security-Manager, die sich mit dem Thema Graffiti auseinandersetzen müssen und mit denen er sich ständig über das Problem austauscht und nach Lösungen sucht.

Vom Schnee zum Graffiti

Die Lösung kommt vom IoT/M2M Bereich der DB Systel. Auf Basis des Visual Recognition Service in der DB IoT Cloud wurde eine Formel entwickelt, die automatisch Graffitis erkennen kann. Schon in anderen Bereichen, zum Beispiel bei der Schneeerkennung an Bahnhöfen, leistet der Bilderkennungs-Service gute Dienste. Doch diesmal ist die Aufgabe komplexer, da ganz unterschiedliche Graffitis erfasst werden müssen - und das bei fahrenden Fahrzeugen. Damit dies gelingt, wird eine künstliche Intelligenz mit Bildern trainiert, um auch spezifische Dinge wie Objekte, Schilder, Strukturen, Texturen und jegliche Feinheiten in den Graffitis zu erkennen. Der DB IoT Cloud Visual Recognition Service nutzt hierzu Deep Learning-Algorithmen, um Bilder und Szenen, Objekte und andere Inhalte zu analysieren. Die Information, ob ein Schienenfahrzeug verschmutzt ist oder nicht, wird dann einem virtuellen Abbild, dem Digital Twin des Schienenfahrzeuges, zugeordnet. Auf diese zusätzlichen Informationen, zum Beispiel die Verschmutzung des Zuges, können dann alle an das System angeschlossenen Abteilungen zugreifen.

Zum Original