Semantische Segmentierung im Kranbetrieb: Pixelgenaue Erkennung
📋 Kernzusammenfassung
Die Objekterkennung liefert dem Kran lediglich einen Begrenzungsrahmen und sagt: „Hier ist ein Objekt". Die semantische Segmentierung geht einen Schritt weiter: Sie ordnet jedes einzelne Pixel im Bild einer konkreten Klasse zu und beantwortet die Frage: „Welche Pixel gehören zur Last, und in welchem Bereich steht eine Person?" Für ein Bildverarbeitungssystem, dessen Kernanforderung die Sicherheitsüberwachung ist, hebt diese pixelgenaue Wahrnehmung die Erkennung von „Einrahmen eines Objekts" auf „präzises Erfassen von Grenzen" – eine direkte Grundlage für die Beurteilung von Eindringlingen im Gefahrenbereich und die Erkennung von Grenzüberschreitungen. Dieser Beitrag erläutert ausgehend von den in den einschlägigen Normen zur Sicherheitsüberwachung definierten Überwachungspunkten, welchen Mehrwert die semantische Segmentierung bietet, welche Genauigkeitskennwerte relevant sind und welche Schlussfolgerungen man nicht voreilig ziehen sollte.
Bevor wir uns der semantischen Segmentierung zuwenden, lohnt ein Blick auf den Ursprung der Überwachungsanforderungen. Die bildbasierte Erkennung am Kran muss sich letztlich an den Überwachungspunkten messen lassen, die in den Normen zum Sicherheitsüberwachungs- und Managementsystem festgelegt sind: Tragfähigkeit und Überlastbegrenzung, Hubhöhenbegrenzer, Fahrweg-Endschalter, Kollisionsschutz mehrerer Krane auf derselben Schiene sowie – als kritischster Punkt – das Eindringen von Personal in den Arbeitsbereich und Personen, die sich unter der Last aufhalten. Bei allen Überwachungspunkten, die „Bereiche", „Grenzen" oder die Frage „Hat eine Person die Gefahrenzone betreten?" betreffen, stößt ein einfacher rechteckiger Begrenzungsrahmen schnell an seine Grenzen – genau hier setzt die pixelbasierte Erkennung an.
Das zeigt sich unmittelbar in den Überwachungspunkten der Norm GB/T 28264 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge: Überwacht werden „Zustand", „Position" und „Grenzüberschreitung" – nicht „ob ein Rahmen im Bild vorhanden ist". Ebenso fordert die ISO 24621:2022 – KI-Fehlerdiagnose für Krane bei der bildbasierten Zustandserkennung, dass die Erkennungsergebnisse interpretierbar und einem konkreten Bereich zuordenbar sein müssen – nicht nur ein isoliertes Klassenlabel ausgegeben wird.
Welche Überwachungspunkte erfordern Pixelgenauigkeit statt Bounding-Box?
Die Objekterkennung liefert als Ergebnis einen rechteckigen Rahmen mit Klassenlabel – sie beantwortet „Was ist das und wo ungefähr?". Die semantische Segmentierung erzeugt eine Klassenmaske in Originalbildgröße, bei der jedes Pixel einer eindeutigen Klasse zugeordnet ist – sie beantwortet „Wem gehört jeder Bildbereich?". Erstere liefert Position und Klasse, Letztere liefert die geometrische Grenze.
Dieser Unterschied wird im Sicherheitsüberwachungskontext deutlich verstärkt. Am Beispiel „Person unter der Last": Die Objekterkennung erkennt, dass sich im Bild gleichzeitig ein Lastrahmen und ein Personenrahmen befinden – sie kann jedoch kaum beurteilen, ob die Pixel der Person tatsächlich direkt unter der Lastprojektion liegen. Die semantische Segmentierung hingegen kann sowohl den Projektionsbereich der Last als auch den Personenbereich pixelgenau erfassen und anschließend eine flächenbasierte Überlappungsprüfung durchführen.
Kelude Schwerindustrie hat bei der visuellen Sicherheitsaufrüstung von Brückenkranen beobachtet: Bei derselben Kamera und identischer Erfassungstechnik liegt die Fehlalarmrate der Objekterkennung bei der Erkennung von Personen im Gefahrenbereich deutlich höher als bei der regionsbasierten Beurteilung mittels Segmentierungsmaske. Der Grund: Die weißen Ränder um den Rahmen können Personen, die eigentlich außerhalb der Gefahrenzone stehen, mit in den Gefahrenbereich „einrahmen" – die Maske hingegen erkennt nur die Pixel, die tatsächlich in den Bereich eindringen.
Genauigkeit richtig lesen: mIoU und Randgenauigkeit statt mAP
Bei der Objekterkennung ist der mAP-Wert das gängige Qualitätsmaß. Bei der semantischen Segmentierung stehen zwei Kennwerte im Vordergrund: die Pixelgenauigkeit und der mittlere Intersection-over-Union (mIoU). Die Pixelgenauigkeit gibt den Anteil korrekt klassifizierter Pixel an der Gesamtpixelzahl an – eine eher globale Betrachtung. Der mIoU berechnet für jede Klasse das Verhältnis von Schnittmenge zu Vereinigungsmenge zwischen Vorhersage und Ground Truth und mittelt anschließend über alle Klassen – eine klassenbezogene Betrachtung, die empfindlicher auf kleine Objekte und Grenzbereiche reagiert.
Für Kraneinsätze ist die Randgenauigkeit oft relevanter als die globale Pixelgenauigkeit. Bei Aufgaben wie der Erkennung von Eindringlingen im Gefahrenbereich oder der Grenzüberschreitung treten Fehler typischerweise in den wenigen Pixelreihen nahe der Grenze auf. Ein Segmentierungsmodell mit hoher Pixelgenauigkeit, aber unscharfen Rändern ist bei der Beurteilung „überschreitet eine Person die Linie oder nicht" unzuverlässig.
| Vergleichskriterium | Objekterkennung（Objekte eingerahmt） | semantische Segmentierung（Jedes Pixel erkennen） |
|---|---|---|
| Ausgabeformat | Rechteckiger Begrenzungsrahmen + Klassenbezeichnung | Pixelweise Klassenmaske |
| Positioniergenauigkeit | Rahmenebene，Mit Randabstand | Pixelebene，RealitätsnahKontur |
| Verdeckung und Überlappung | Bei überlappenden Rahmen schwer zuzuordnen | Pixelzuordnung klar erkennbar |
| Kleine und schlanke Objekte | Leicht übersehbar | Besser geeignet für schlanke Anschlagmittel |
| Rechenaufwand | Relativ gering，EinfachEdge-Bereitstellung | Relativ hoch，PixelweiseInferenz |
| Typische Anwendungen | Erkennung、Zählung、Schnellwarnung | Zone、Grenze、Wegsicherheit |
Die Schlussfolgerung lautet also nicht „Semantische Segmentierung ist fortschrittlicher, also sollte sie eingesetzt werden“, sondern entscheidend ist, an welcher Stelle der Prozess tatsächlich hapert. Geht es nur um die Frage „Befindet sich eine Last im Bild? Soll ein Alarm ausgelöst werden?“, dann ist die Bounding-Box der Objekterkennung schnell und ressourcenschonend genug. Sobald jedoch die Beziehung zwischen „Lastprojektionsbereich, Gefahrenzone und Personenposition“ bewertet werden muss, ist eine Analyse auf Pixelebene unerlässlich.
Von der Überwachungsgröße zur Beurteilungsgrundlage: Prüfung des Bildsubsystems
Bevor ein Bilderkennungssubsystem vor Ort eingesetzt wird, darf sich die Inspektion nicht darauf beschränken, ob eine Bounding-Box oder eine Maske ausgegeben wird. Sinnvoller ist es, die Überwachungsgrößen in einen prüfbaren Szenarienkatalog zu zerlegen und jeden Punkt einzeln zu verifizieren. Die folgende Tabelle, die sich an den in der Norm für Sicherheitsüberwachung definierten Überwachungsgrößen orientiert und diese den Fähigkeiten der semantischen Segmentierung gegenüberstellt, kann als Beurteilungsgrundlage für die Abnahme dienen.
| ÜberwachungPunkt | NormanforderungenvonÜberwachungInhalt | semantische SegmentierungEntsprechende Fähigkeit | Technische Bewertungspunkte |
|---|---|---|---|
| ÜberlastmitTragfähigkeit | überschreitenNenntragfähigkeitAlarm bei | Nicht direkt korrespondierend，Bei überlappenden Rahmen schwer zuzuordnenLastsensor | basierend aufSensordatenmaßgeblich，Bild als Beleg |
| Hubhöhenbegrenzer | LastaufnahmemittelErreichen der GrenzeEndschalterAlarm bei Position | ErkennungHakenAnnäherung an die LastEndschalterZone | Maskenkante berührtEndschalterZone löst aus |
| Fahrweg-Endschalter | KranbrückeLaufkatzeÜberschreitenHubAlarm bei | SegmentierungSchieneGrenze und FahrzeugkörperKontur | Fahrzeugpixel außerhalb der Grenze = Übertretung |
| Mehrere Krane auf gleicher SchieneKollisionsschutz | MehrereKranAbstandFrühwarnung | Segmentierung der GeräteKonturAbstandsberechnung | KonturMindestabstand unterschrittenSchwellwertalarm |
| Personeneindringen in Arbeitsbereich | Person betrittGefahrenzoneAlarm bei | Personenbereich undGefahrenzoneÜberlappungserkennung | Überlappungspixelanteil überSchwellwertalarm |
| Person unter der Last | Alarm bei Person unter Lastprojektion | Überlappung von Lastprojektionszone und Personenbereich | Überlappung löst aus，Lieber Fehlalarm als verpasste Warnung |
| Bild- und Datenspeicherung | Bildbeweis bei Alarm speichern | Maskenüberlagerung mit Originalbild als Schnappschuss archivieren | SchnappschussrückverfolgbarÜberprüfbar |
| Alarmverknüpfung undFehlalarm | Präziser und kontrollierter AlarmFehlalarm | Zonenbasierte Bewertung reduziert RahmenebeneFehlalarm | Basierend auf tatsächlichenBetriebszustandWiedergabeauswertungFehlalarmrate |
In realen Projekten setzt Kelude Schwerindustrie diese Checkliste als verbindliche Abnahmeliste um – jeder Punkt muss durch Bildnachweise belegt werden. Ein Snapshot mit überlagerter Maske auf dem Originalbild dient dabei als rückverfolgbare Beurteilungsgrundlage. Entscheidend für die Abnahme ist, ob der überwachte Zustand tatsächlich erreicht wurde – nicht, ob das Modell technisch durchgelaufen ist.
Drei weitverbreitete Fehlannahmen: Segmentierung ist nicht gleichbedeutend mit höherer Genauigkeit – und schon gar nicht mit Universalität
Die erste Fehlannahme lautet: „Pixelgenau ist immer besser als Bounding-Box." Segmentierung liefert eine feinere geometrische Beschreibung, aber keine höhere Erkennungsgenauigkeit. Bei schlechter Annotationsqualität oder unscharfen Klassendefinitionen kann ein Segmentierungsmodell die Pixel von Seil, Haken und Last zu einem unentwirrbaren Knäuel vermischen – und ist dann deutlich schwerer zu handhaben als eine klare Bounding-Box.
Die zweite Fehlannahme: „Mit Segmentierung entfallen Kalibrierung und Deployment." Der Nutzen pixelgenauer Erkennung hängt stark vom Kamerawinkel, der Beleuchtung und der Entzerrung von Objektivverzeichnungen ab. Ein anderer Kamerastandort kann das Modell bereits degradieren lassen. Segmentierung ergänzt die Fähigkeit, Grenzen präzise zu erkennen – sie ersetzt jedoch nicht den Aufwand für das Deployment.
Die dritte Fehlannahme: „Pixelgenau bedeutet verlustfreie Echtzeitfähigkeit." Die Inferenzkosten der Segmentierung auf Edge-Geräten liegen in der Regel über denen der Objekterkennung. Hochauflösende, pixelweise Vorhersagen bedeuten spürbare Kosten bei Rechenleistung und Latenz. Ob Segmentierung zum Einsatz kommt, sollte sich danach richten, ob der überwachte Zustand eine flächenbasierte Beurteilung erfordert – nicht danach, ob „Segmentierung" fortschrittlicher klingt.
Die Schlussfolgerung ist daher eindeutig: Der Wert der semantischen Segmentierung liegt nicht darin, die Objekterkennung zu ersetzen, sondern sie zu ergänzen. Kelude Schwerindustrie setzt in der Praxis auf eine zweistufige Kombination: Die Objekterkennung übernimmt die schnelle Detektion und Zählung, die semantische Segmentierung prüft die Grenzen innerhalb der Kandidatenregion. Beide Verfahren ergänzen sich – sie stehen nicht in Konkurrenz zueinander.
📖 Weiterführende Literatur:Visuelle Erkennung und präzise Positionierung von Brückenkran-Lasten | KI-Vision und Erkennungssysteme für Brückenkrane im Überblick
Häufige Fragen
F: Worin unterscheiden sich semantische Segmentierung und Objekterkennung – und welches Verfahren ist geeigneter?
A: Die Objekterkennung liefert eine rechteckige Bounding-Box mit Klassenlabel und beantwortet die Frage „Was ist wo ungefähr?". Die semantische Segmentierung erzeugt eine Klassenmaske in Originalbildgröße und beantwortet die Frage „Zu welcher Klasse gehört jedes Pixel?". Geht es nur um Detektion und Zählung, ist die Objekterkennung schneller und ressourcenschonender. Sobald jedoch flächenbezogene Beurteilungen wie Gefahrenzonen-Eindringen, Grenzüberschreitung oder Personen unter der Last gefragt sind, ist eine pixelgenaue Grenzerkennung erforderlich. Beide Verfahren schließen sich nicht gegenseitig aus – in den Lösungen von Kelude Schwerindustrie übernimmt die Objekterkennung die schnelle Detektion, die semantische Segmentierung die Grenzprüfung.
F: Gibt es in den zugehörigen Normen zur Sicherheitsüberwachung eine zwingende Anforderung für bildbasierte Erkennung?
A: Die Normen definieren die zu überwachenden Zustände und die Überwachungsanforderungen – sie schreiben jedoch keine bestimmte Algorithmik vor. Maßgeblich ist die Norm zur Sicherheitsüberwachung: Überwachungspunkte wie Personeneindringen im Arbeitsbereich, Personen unter der Last oder Fahrweg-Endschalter müssen zuverlässig erkannt und dokumentiert werden. Bildbasierte Erkennung ist ein Mittel zur Erfüllung dieser Anforderungen. Ob eine pixelgenaue Segmentierung erforderlich ist, hängt davon ab, ob der jeweilige Überwachungspunkt eine flächenbezogene Beurteilung verlangt. Die Norm bewertet das Ergebnis – nicht den technischen Ansatz.
F: Wie lassen sich die Kosten für ein Bildverarbeitungssystem mit semantischer Segmentierung an einem Kran grob abschätzen?
A: Die Kosten setzen sich aus drei Hauptblöcken zusammen: Hardware wie Industriekamera und Recheneinheit, Engineering-Aufwand für Modelltraining und Deployment sowie laufende Wartung durch Annotation und Nachtraining. Segmentierungsmodelle stellen in der Regel höhere Anforderungen an die Rechenleistung auf dem Edge-Gerät als die Objekterkennung – hochauflösende, pixelweise Inferenz treibt die Hardware-Auswahl nach oben. Ein verbindliches Angebot hängt vom konkreten Betriebszustand vor Ort, der Anzahl der Kamerapositionen und den Genauigkeitsanforderungen ab. Einen pauschalen Standardpreis gibt es nicht. Kelude Schwerindustrie führt zunächst eine Vor-Ort-Inspektion durch und erstellt anschließend eine detaillierte Aufstellung.
F: Woran erkenne ich, ob ein bestehendes Erkennungssystem auf pixelgenaue Auswertung aufgerüstet werden sollte?
A: Zunächst sollte analysiert werden, bei welchen Überwachungspunkten Fehlalarme oder verpasste Alarme am häufigsten auftreten. Liegen die Probleme bei flächenbezogenen Beurteilungen wie „Befindet sich eine Person tatsächlich in der Gefahrenzone?" oder „Steht jemand unter der Lastprojektion?", stößt die Bounding-Box-basierte Auswertung an ihre Grenzen – eine Segmentierung ist dann sinnvoll. Handelt es sich dagegen um reine Zähl- und Detektionsaufgaben mit stabiler Genauigkeit, ist eine Aufrüstung nicht erforderlich. Entscheidend ist, ob der Überwachungspunkt eine präzise Grenzerkennung verlangt – nicht, ob Segmentierung fortschrittlicher klingt.
Von der „Bounding-Box um das Objekt" bis zur „Erkennung jedes einzelnen Pixels" – die semantische Segmentierung bedeutet für die Kranerkennung keinen bloßen Algorithmus-Tausch, sondern eine Aufrüstung der kognitiven Auflösung. Ob und in welchem Umfang aufgerüstet wird, muss letztlich anhand der konkreten Überwachungspunkte entschieden werden. Kelude Schwerindustrie legt bei der Konzeption von Bildverarbeitungssystemen Wert darauf, zunächst für jeden Überwachungspunkt zu klären, ob „Detektion" oder „Grenzerkennung" gefragt ist – und erst dann zu entscheiden, wie Erkennung und Segmentierung zusammenwirken. So wird Rechenleistung dort eingesetzt, wo sie tatsächlich benötigt wird.
