Automatisierung von Brandtests
Wie wir die Videoanalyse von Brandtests stabilisiert haben, um nachvollziehbare Messwerte und eine multi-site-fähige Plattform zu liefern.
Kurzüberblick. Ein europäischer Industriekonzern musste die Videoanalyse seiner Brandtests verlässlicher machen. Wir haben eine instabile Legacy-Pipeline übernommen, eine instrumentierte QA-Rezeptur aufgebaut und anschließend eine industrialisierte, erklärbare V2 für den Einsatz in mehreren Laboren konzipiert.
Kontext
Ein internes Industrielabor führt normative Brandverhaltensprüfungen durch. Jeder Versuch wird mehrere Minuten aufgezeichnet, und zwei Phänomene müssen Frame für Frame gemessen werden:
- Flammendynamik (Höhe, Persistenz, Aufspaltungen);
- glühende Tropfen, die sich vom Prüfkörper lösen.
Die bestehende Lösung war nur noch eingeschränkt nutzbar:
- häufige False Positives auf Reflexionen und hellen Bereichen;
- fragmentierte Trajektorien (ein Tropfen mehrfach gezählt);
- schwach kontrastierte Tropfen wurden nicht erkannt;
- starre Analysezonen passten schlecht zur realen Streuung;
- schwer lesbare CSV-Ausgaben;
- wenig dokumentierter Legacy-Code mit geringer Erweiterbarkeit.
Der fachliche Bedarf war keine "magische KI", sondern stabile, erklärbare und auditierbare Messungen.
Unser Ansatz
Unsere Intervention wurde in zwei Phasen umgesetzt.
1) Instrumentierte Qualitätsanalyse
Zuerst haben wir die vollständige, von Fachexperten dokumentierte Testrezeptur reproduziert, um jede Abweichung nachzustellen, zu charakterisieren und nach zwei Kriterien zu priorisieren: Messkritikalität und Häufigkeit.
Für jede Abweichungsfamilie haben wir geliefert:
- eine präzise technische Ursache (Schwellwert, Parameter, Logik);
- mehrere Korrekturoptionen nach Aufwand/Risiko priorisiert;
- Hinweise auf Wechselwirkungen, um Seiteneffekte zu vermeiden.
So wurde aus einem diffusen Befund ("Ergebnisse sind unzuverlässig") ein konkreter, priorisierter Maßnahmenplan.
2) Gezielter Redesign-Rahmen für Skalierung
Parallel haben wir mit dem Kunden eine industrialisierte V2 entlang von drei komplementären Achsen definiert:
- Techniker-UX: Bedienoberfläche, Offline-Modus, CSV-Import/-Export;
- Mehrwert für Endkunden: bessere Videoqualität und sichere Ergebnisfreigabe;
- Wissenschaftliche Schicht: Multi-Front-Tracking, Parallaxekorrektur, Tropfenkartierung und -dimensionierung.
Die Zielarchitektur besteht aus zwei Ebenen:
- ein autonomer Labor-Workstation-Stack (Linux + Docker Compose), echtzeitfähig und netzwerkunabhängig;
- eine zentrale Cloud-Plattform für laborübergreifende Vergleiche und fortgeschrittene Analysen.
Was sich verbessert hat
- Nachvollziehbare Entscheidungen. Jeder ein- oder ausgeschlossene Tropfen wird über ein explizites Kriterium begründet, was die Auditfestigkeit erhöht.
- Lesbare Lieferobjekte. Die CSV-Ausgaben wurden neu strukturiert (klare Spalten, Trennung roh/validiert, Ausschlussgrund).
- Mehr Zuverlässigkeit ohne Black Box. Die Lösung kombiniert klassische Computer-Vision mit versionierten Fachregeln statt eines vollständigen Wechsels zu einem undurchsichtigen Modell.
- Rollout über mehrere Standorte. Ein gemeinsames Docker-Image plus standortspezifische Konfiguration erleichtert die Skalierung.
Warum dieser Ansatz funktioniert
Der Mehrwert beruht auf drei Engineering-Entscheidungen:
- strikte Testrezeptur vor jeder Refaktorierung;
- expliziter Umgang mit dem Trade-off Sensitivität vs. False Positives;
- Design entlang industrieller Randbedingungen (Auditierbarkeit, Degraded Mode, Wartbarkeit im Feld).
Eingesetzte Kompetenzen
- angewandte Computer Vision (Detektion, Tracking, Segmentierung);
- Legacy-Übernahme und schrittweise Refaktorierung;
- hybride Edge- und Cloud-Architektur;
- Software-Qualitätssicherung (Tests, Meilensteine, Fachvalidierung);
- Multi-Site-Industrialisierung und Betrieb.