Die Überwachung mithilfe von Videokameras nimmt immer mehr zu. Egal ob in der S-Bahn oder der Bankfiliale, die Daten von Videokameras werden zuerst auf dem Gerät gesammelt und danach an einen entfernten Speicherort übertragen. Dies erfordert eine leistungsstarke zentrale Instanz, um eine große Menge an Rohdaten zu verarbeiten, sowie eine leistungsstarke Verbindung, um die Daten von den Sensorgeräten an das zentrale System zu senden.

Edge Computing ist eine moderne Architektur, die die Verarbeitung von Daten aus den Rechenzentren dorthin verlagert, wo die Daten von Sensoren erfasst werden. Da von den Edge-Knoten nur Interpretationen der Sensorwerte und nicht die Rohdaten gesendet werden, kann eine enorme Verringerung der erforderlichen Bandbreite erreicht werden, oder die Knoten können sogar autonom arbeiten. Darüber hinaus kann die Skalierbarkeit des Gesamtnetzes erreicht und der Datenschutz verbessert werden, da die Daten bei den Knoten verbleiben.

Das Projekt Smart Workers Safety, das im Leistungszentrum Digitale Vernetzung (LZDV) bearbeitet wird, besteht aus zwei Phasen. In beiden Phasen wird ein Edge-Computing-Projekt vom Data Analytics Center (DANA) bei Fraunhofer FOKUS durchgeführt. Dabei werden zwei Lösungen für intelligente Edge Nodes entwickelt. Die Knoten bestehen aus verschiedenen Sensoren und TPUs (Tensor Processing Units), die die von den Sensoren kommenden Daten lokal verarbeiten. Unter Verwendung modernster Computer-Vision-Algorithmen arbeiten diese autonomen Systeme unabhängig von einer zentralen Instanz, ohne dass eine Netzwerkanbindung erforderlich ist.

Phase 1: Edge-basierte Public Surveilance

Die Digitalisierung der Verkehrsinfrastruktur nimmt immer weiter zu. Immer mehr Straßen und Parkhäuser werden »intelligent« und vernetzt. Ziel ist es, die Sicherheit und den Komfort aller Verkehrsteilnehmer zu erhöhen. Im Leistungszentrum Digitale Vernetzung entwickelt das Data Analytics Center (DANA) von Fraunhofer FOKUS eine »Edge Intelligence« für eine intelligente Verkehrsinfrastruktur.

Das Überwachungssystem erfasst Video-, Thermo- sowie Audiodaten und verarbeitet diese Daten in Echtzeit direkt auf dem Gerät vor Ort. Erfasste Video- oder Audiodaten verlassen nicht das Gerät und werden dort auch nicht gespeichert, so dass das System unabhängig von einer zentralen Instanz oder einer Netzwerkverbindung ist.

Mithilfe von TPUs wird der Einsatz modernster Deep-Learning-Techniken mit minimalem Energieaufwand in der Nähe der Datenquelle möglich. Es findet eine Objekterkennung für den Videostrom und eine Tonklassifizierung für den Audiostrom statt. Wenn ein Ereignis erkannt wird, können vordefinierte Aktionen ausgelöst werden, beispielsweise ertönt ein Alarm. 

Wenn für die Edge Nodes eine Netzwerkverbindung besteht, können weitere Benachrichtigungen erfolgen, beispielsweise die Benachrichtigung des Sicherheitsdienstes oder das Rufen der Polizei oder des Krankenwagens. Das Überwachungssystem ist so konzipiert, dass es tragbar ist und möglichst wenig Energie verbraucht. Es kann sogar mit Batterien betrieben werden, so dass es auch dann funktioniert, wenn keine konstanten Stromquellen zur Verfügung stehen.

Vorteile gegenüber herkömmlichen Überwachungssystemen:

• Einsatz der Überwachung zur Verbrechensverhütung statt nur zur Aufklärung eines begangenen Verbrechens
• Einhaltung der Datenschutzgesetze, da datenschutzrelevante Daten das Gerät nie verlassen müssen
• Verarbeitung von Videos in Echtzeit
• Minimaler zusätzlicher Energieverbrauch