KI-basierte Erkennung von Minentunneln

Ein kamerabasierter Machbarkeitsnachweis (Proof of Concept), der allein anhand von Kamerabildern erkennt, in welchem Tunnelabschnitt sich eine Maschine oder ein Mitarbeiter befindet.

KI-basierte Erkennung von Minentunneln hero background

Über unseren Kunden

Unser Kunde suchte nach einer alternativen Methode zur Ortung von Mitarbeitern und Maschinen in unterirdischen Minen.

Herkömmliche Ortungssysteme nutzen oft Funk-Tags, Beacons oder kabelgebundene Infrastruktur. Mit dem Ausbau der Stollen steigt dadurch der Aufwand für Installation und Wartung.

Wir entwickelten einen Proof of Concept (PoC), der unterirdische Standorte anhand von Kamerabildern erkennt.

Dazu werden die Minenbereiche in vordefinierte Zellen unterteilt, etwa Stollen, Rampen und Kreuzungen. Das System ordnet jedes Bild der passenden Zellen-ID zu.

  • Branche: Bergbau und Rohstoffgewinnung
  • Projekttyp: KI/ML-Proof of Concept
  • Anwendungsbereich: Ortung unter Tage
Über unseren Kunden

Herausforderung

Die größte Herausforderung bestand darin, Objekte unter Tage allein anhand von Kamerabildern zu orten – ohne Satellitennavigation oder zusätzliche Ortungstechnik.

Dafür teilten wir die Aufgabe in fünf Teilbereiche auf:

  • Minenabschnitte als separate Klassen für die Klassifizierung definieren
  • Zellen-IDs den auf Kamerabildern erfassten Bereichen zuordnen
  • Optisch ähnliche Tunnelbereiche unterscheiden
  • Eine Pipeline entwickeln, die Kamerabilder den passenden Minenzellen zuordnet
  • Die Erkennungsgenauigkeit für jede Zelle einzeln messen
Herausforderung

Hauptziele

Für den PoC legten wir folgende Ziele fest:

  • Ein Computer-Vision-Modell zur Erkennung unterirdischer Minenabschnitte entwickeln
  • Mit Zellen-IDs versehene Minenbilder
  • Jedes Kamerabild der passenden Minenzelle zuordnen
  • Modellvorhersagen mit bekannten Zellen-IDs vergleichen
  • Die Grundlage für Tests mit Helm- und Fahrzeugkameras schaffen
Hauptziele

Projektübersicht

Wir entwickelten den PoC auf Basis einer überwachten Bildklassifizierung. Als Trainingsgrundlage diente ein Datensatz mit Bildern aus unterirdischen Minen, die nummerierten Zellen zugeordnet waren. Jede Zellen-ID stand für einen bestimmten Minenabschnitt.

Das Modell analysierte die Bilder, extrahierte visuelle Merkmale und sagte die passende Zellen-ID voraus.

Da es um die Erkennung von Minenabschnitten und nicht um exakte Koordinaten ging, eignete sich ein Klassifizierungskopf besser als eine punktgenaue Positionsbestimmung.

So entstand ein Konzept zur visuellen Standorterkennung auf Ebene einzelner Tunnelabschnitte statt einer Positionsangabe auf einer Karte.

Projektübersicht

Lösung

Wir entwickelten eine Pipeline, die Kamerabilder aus unterirdischen Minen analysiert und den passenden Tunnelabschnitt vorhersagt.

Kernfunktionen

  • Bildvorverarbeitung: Bereitet Bilder in einem einheitlichen Format für das Modell auf.
  • Visuelle Merkmalsextraktion: Lernt Bildmerkmale, um verschiedene Minenzellen zu unterscheiden.
  • Zellenklassifizierung: Ordnet erkannte Merkmale vordefinierten Zellen-IDs zu.
  • Standortvorhersage: Ermittelt die wahrscheinlichste Zelle für jedes Bild.
  • Modellbewertung: Vergleicht Vorhersagen mit den korrekten Zellen-IDs und erkennt Klassifizierungsfehler.

Nutzer-Workflow

  • Datenvorbereitung: Minenbilder und Zellen-IDs in Trainings-, Validierungs- und Testdatensätze aufteilen.
  • Bildverarbeitung: Bilder skalieren und normalisieren, damit sie den Eingabeanforderungen des Modells entsprechen.
  • Modelltraining: Den Bildklassifikator trainieren, visuelle Merkmale den nummerierten Zellen zuzuordnen.
  • Vorhersage: Ein neues Bild analysieren und die vorhergesagte Zellen-ID ausgeben.
  • Bewertung: Die Modellleistung anhand von Genauigkeit, Precision und Recall je Klasse sowie einer Konfusionsmatrix messen.
Lösung

Technologie-Stack

Für die Entwicklung des PoC zur Erkennung von Minenabschnitten wählten wir einen Python-basierten Technologie-Stack. Er unterstützt die Bildvorverarbeitung, das Training von Deep-Learning-Modellen und die Bewertung der Klassifizierungsleistung.

  • Programmiersprache: Python
  • Machine Learning: PyTorch, Torchvision
  • Modellarchitektur: ViT-B/16 mit einem Klassifizierungskopf für Minenzellen
  • Datenverarbeitung: NumPy, Pillow
  • Modellbewertung: scikit-learn, Matplotlib
  • Entwicklungsumgebung: Jupyter Notebook
  • Versionsverwaltung: Git
Technologie-Stack

Kernteam

  • Solution Architect: Definierte die Systemarchitektur und den Ablauf zur Erkennung von Minenzellen.
  • Machine Learning Engineer: Implementierte Modelltraining, Vorhersagen und Bewertung der Klassifizierungsleistung.
  • Computer Vision Engineer: Entwickelte die Bildvorverarbeitung und Komponenten zur visuellen Erkennung.
  • Data Engineer: Bereitete Bilddatensätze auf und verwaltete die Zuordnung der Zellen-IDs.
  • QA Engineer: Prüfte die Konsistenz der Vorhersagen und analysierte Klassifizierungsfehler.
Kernteam

Zugehörige Fallbeispiele