Verfahren für ein

Stand der Technik

Es ist bereits ein Verfahren für ein Detektionsgerät, wobei das Detektionsgerät dazu vorgesehen ist, ein Detektionssignal von einem innerhalb eines Untersuchungsuntergrunds angeordneten Objekts zerstörungsfrei zu erfassen, vorgeschlagen worden.

Offenbarung der Erfindung

Die Erfindung geht aus von einem Verfahren für ein Detektionsgerät, wobei das Detektionsgerät dazu vorgesehen ist, ein Detektionssignal von einem innerhalb eines Untersuchungsuntergrunds angeordneten Objekts zerstörungsfrei zu erfassen.

Es wird vorgeschlagen, dass das Detektionssignal in zumindest einem Verfahrensschritt des Verfahrens auf Basis eines maschinellen Lernprozesses einem Detektionsresultat zugeordnet wird, um das Detektionsresultat auszugegeben und/oder zu einem Einstellen des Detektionsgeräts zu nutzen. Das Verfahren umfasst vorzugsweise eine Anwendungsphase. In der Anwendungsphase wird in zumindest einem Erfassungsschritt des Verfahrens das Detektionssignal von einer Sensoreinheit des Detektionsgeräts erfasst. In der Anwendungsphase wird in zumindest einem Auswerteschritt des Verfahrens das Detektionssignal von einer Auswerteeinheit ausgewertet. Die Auswerteeinheit ist bevorzugt eine Recheneinheit des Detektionsgeräts oder alternativ eine externe Rechenanlage, welche eine, insbesondere funkwellengebundene, Datenverbindung mit dem Detektionsgerät aufweist, insbesondere ein Internet-Server. In der Anwendungsphase wird das Detektionsresultat vorzugsweise von einer Ausgabeeinheit des Detektionsgeräts und/oder von einem externen Ausgabegerät, beispielsweise einem Smartphone, einem Tablet oder dergleichen, an einen Benutzer des Detektionsgeräts ausgegeben. Zusätzlich oder alternativ wird in der Anwendungsphase das Detektionsresultat von der Recheneinheit des Detektionsgeräts in einem Einstellschritt des Verfahrens genutzt, um eine Einstellung des Detektionsgeräts zu ändern, insbesondere um den Erfassungsschritt mit einer auf das Objekt und/oder den Hintergrund abgestimmten Einstellung des Detektionsgeräts, insbesondere der Sensoreinheit, zu wiederholen.

Das Verfahren umfasst vorzugsweise eine Einlernphase. In der Einlernphase werden in einem Datenbeschaffungsschritt des Verfahrens Beispielwerte (sogenannte Trainingsdaten) für das Detektionssignal gesammelt. Die Beispielwerte können von der Sensoreinheit des Detektionsgeräts erfasst werden, von einer Sensoreinheit eines weiteren Detektionsgeräts erfasst werden, von einer Simulation erzeugt werden, aus protokollierten Datenbeständen ausgelesen werden und/oder dergleichen. In einem Lernschritt der Einlernphase werden die Beispielwerte von dem maschinellen Lernprozess zu einem Modell verarbeitet, welches das Detektionssignal auf das Detektionsresultat abbildet. Der maschinelle Lernprozess wird vorzugsweise von einer Lerneinheit durchgeführt. Die Lerneinheit ist vorzugsweise eine, insbesondere die bereits genannte, externe Rechenanlage, alternativ die Recheneinheit des Detektionsgeräts oder eine weitere externe Rechenanlage, beispielsweise ein privater Server. Optional umfasst das Verfahren einen Bereitstellungschritt, in welchem nach der Einlernphase das mit dem maschinellen Lernprozess erzeugte Modell auf das Detektionsgerät übertragen und in einem Speicher der Auswerteeinheit, insbesondere der Recheneinheit des Detektionsgeräts, hinterlegt wird. Vorzugsweise verwendet die Auswerteeinheit in der Anwendungsphase das mit dem maschinellen Lernprozess erzeugte Modell, um den Auswerteschritt auszuführen. Die Einlernphase kann vor der Anwendungsphase abgeschlossen sein oder mit der Anwendungsphase zeitlich überlappen, wobei die dem Modell zugrundeliegenden Beispielwerte insbesondere durch die in der Anwendungsphase erfassten Messwerte des Detektionssignals ergänzt werden. Der maschinelle Lernprozess ist ein Algorithmus aus dem Bereich des maschinellen Lernens, um vorzugsweise ausgehend von den Beispielwerten das Modell zu erstellen. Der maschinelle Lernprozess umfasst vorzugsweise ein neuronales Netz und/oder ein Klassifikationsverfahren. Der maschinelle Lernprozess kann ein überwachtes Lernen und/oder ein unüberwachtes Lernen umfassen. Das Verfahren umfasst vorzugsweise einen Zuordnungsschritt, bei welchem Beispielwerten des Detektionssignals zumindest ein Auswerteparameter zugeordnet wird. Das Detektionsresultat kann identisch mit einem Auswerteparameter sein, mehrere Auswerteparameter umfassen oder in Abhängigkeit der Auswerteparameter ermittelt werden. Der Auswerteparameter, insbesondere die Gesamtheit an Auswerteparametern, zu einem Beispielwert gibt bei einem überwachten Lernen während des Lernprozesses an, auf welches Detektionsresultat das Modell diesen Beispielwert abbilden soll. Bei einem unüberwachten Lernen wird der Auswerteparameter im Nachhinein einer durch den Lernprozess ermittelten Struktur in den Beispielswerten zugeordnet. Der Zuordnungsschritt kann manuell durchgeführt werden oder im Zuge des Datenbeschaffungsschritts automatisiert durchgeführt werden. Der Auswerteparameter kann beispielsweise eine Beschaffenheit des Untersuchungsuntergrunds, einen Typ des Objekts, eine Größe des Objekts, eine Tiefe des Objekts in dem Untersuchungsuntergrund oder dergleichen beschreiben. Der Auswerteparameter kann beispielsweise bekannt sein, wenn ein Beispielwert für das Detektionssignal an einem bekannten Untersuchungsuntergrund mit einem bekannten Objekt erfasst wird. Der Untersuchungsuntergrund und/oder das Objekt können beispielsweise durch ein Nachstellen einer Erfassungssituation mit dem Detektionsgerät in einem Labor oder durch ein computerbasiertes Simulieren der Erfassungssituation festgelegt sein und/oder aus einem Bauplan entnommen werden. Der Auswerteparameter kann beispielsweise von einer externen Sensorvorrichtung erfasst werden, welche andere, insbesondere invasive und/oder aufgrund eines beschränkten Bauraums des Detektionsgeräts nicht in das Detektionsgerät integrierbare, und/oder präzisere Sensoren umfasst als die Sensoreinheit des Detektionsgeräts.

Das Detektionsgerät ist während der Anwendungsphase insbesondere dazu vorgesehen, an dem Untersuchungsuntergrund angelegt und/oder verfahren zu werden, um das Objekt zu detektieren. Unter „zerstörungsfrei“ soll insbesondere ohne permanente Veränderung, insbesondere ohne Beschädigung, des Untersuchungsuntergrunds und des Objekts verstanden werden. Insbesondere erfasst das Detektionsgerät das Objekt nicht-invasiv. Vorzugsweise erzeugt die Sensoreinheit in dem Erfassungsschritt ein Signal und sendet dieses in den Untersuchungsuntergrund aus, insbesondere als elektromagnetische Welle oder als elektromagnetisches Feld, wobei die Sensoreinheit eine Veränderung, insbesondere eine Rückstreuung, des Signals durch den Untersuchungsuntergrund und/oder das Objekt als Detektionssignal erfasst. Alternativ oder zusätzlich ist das Detektionsgerät dazu vorgesehen, ein von dem Objekt ausgehendes Signal als Detektionssignal zu erfassen. Das Detektionsgerät ist beispielsweise dazu vorgesehen, einen metallenen Gegenstand, einen nicht-metallenen Gegenstand, eine elektrische Leitung, insbesondere eine Niederspannungsleitung, eine Leitung mit einphasigem Wechselstrom oder eine Drehstromleitung, einen Holzbalken, einen Metallträger oder ein Plastikrohr, insbesondere ein wassergefülltes Plastikrohr oder ein nicht-wassergefülltes Plastikrohr, oder dergleichen als Objekt zu detektieren. Der Untersuchungsuntergrund ist beispielsweise eine Wand, eine Decke, ein Boden oder ein Einrichtungsgegenstand eines Gebäudes.

Durch die erfindungsgemäße Ausgestaltung kann das Detektionssignal vorteilhaft detailliert ausgewertet werden. Insbesondere können in dem Detektionssignal enthaltene Zusatzinformationen, die über ein bloßes Vorhandensein oder nicht Vorhandensein des Objekts hinausgehen, vorteilhaft zuverlässig aus dem Detektionssignal extrahiert werden. Durch die Nutzung der Zusatzinformation kann eine Bedienung des Detektionsgeräts vorteilhaft einfach gehalten werden und/oder ein Benutzer des Detektionsgeräts mit einer vorteilhaft großen Informationsmenge mit insbesondere nur einer einzelnen Messung mit dem Detektionsgerät versorgt werden. Darüber hinaus kann eine vorteilhaft zuverlässige Wiederholbarkeit des Detektionsresultats erzielt werden und insbesondere eine Abhängigkeit des Detektionsergebnisses von einem Verfahr-Weg des Detektionsgeräts an dem Untersuchungsuntergrund vorteilhaft gering gehalten werden.

Weiter wird vorgeschlagen, dass in einer, insbesondere der bereits genannten, Einlernphase des maschinellen Lernprozesses Beispielwerte für das Detektionssignal in Abhängigkeit einer Clusterbildung der Beispielwerte in unterschiedliche Gruppen eingeteilt werden. Vorzugsweise umfasst die Einlernphase einen Vorverarbeitungsschritt, in welchem die Lerneinheit die Beispieldaten vor dem Lernschritt aufbereitet In dem Vorverarbeitungsschritt führt die Lerneinheit bevorzugt ein unüberwachtes Lernen durch um die Beispielwerte in die Gruppen einzuteilen. Bevorzugt teilt die Lerneinheit in dem Vorverarbeitungsschritt die Beispielwerte in zumindest zwei unterschiedliche Gruppen ein. Die Lerneinheit bestimmt die Gruppen sowie eine Zugehörigkeit der Beispielwerte zu diesen Gruppen vorzugsweise mittels eines Cluster-Verfahrens. Vorzugsweise extrahiert die Lerneinheit in dem Vorverarbeitungsschritt zumindest ein Merkmal, bevorzugt mehrere Merkmale, aus jedem zu verarbeitenden Beispielwert. Das Merkmal kann beispielsweise eine physikalische Größe, eine statistische Größe oder eine abstrakte Kennzahl des Beispielwerts sein. Weisen Beispielwerte ähnliche Werte für das Merkmal/alle Merkmale auf, ordnet die Lerneinheit die Beispielwerte vorzugsweise derselben Gruppe zu. Weisen Beispielwerte unterschiedliche Werte für das Merkmal/eines der Merkmale auf, weist die Lerneinheit die Beispielwerte vorzugsweise unterschiedlichen Gruppen zu. Ob Werte der Merkmale ähnlich oder unterschiedlich sind, wird dabei durch das verwendete Cluster-Verfahren definiert. Durch die erfindungsgemäße Ausgestaltung können Beispielwerte zusammengefasst und gemeinsam verarbeitet werden, die gemessen an den extrahierten Merkmalen einander ähnlich sind. Insbesondere können mit vorteilhaft niedrigem Fehlerrisiko allen Beispielwerten innerhalb derselben Gruppe dieselben Auswerteparameter zugeordnet werden. Insbesondere kann eine Zeitdauer für die Ausführung des Zuordnungsschritts vorteilhaft kurz gehalten werden. Insbesondere kann einem Beispielwert, der in einer unbekannten Erfassungssituation erfasst wurde, ein Auswerteparameter eines Beispielwerts derselben Gruppe zugeordnet werden, der in einer bekannten Erfassungssituation erfasst wurde.

Ferner wird vorgeschlagen, dass der maschinelle Lernprozess, insbesondere in dem Vorverarbeitungsschritt, eine Nächste-Nachbarn-Klassifikation verwendet, um eine Einteilung in unterschiedliche Gruppen durchzuführen. Besonders bevorzugt verwendet die Lerneinheit einen K-Nearest-Neighbor-Algorithmus (KNN), um die Einteilung in die unterschiedlichen Gruppen durchzuführen. Insbesondere ordnet die Lerneinheit einen Beispielwert einer Gruppe zu und zwar in Abhängigkeit davon, welcher Gruppe die Mehrheit der benachbarten Beispielwerte zugeordnet wurden. Als benachbarte Beispielwerte gelten eine festgelegte Anzahl von Beispielwerten, die in einem von den Merkmalen aufgespannten Parameterraum den geringsten Abstand zu dem einzuteilenden Beispielwert aufweisen. Der Abstand zweier Beispielwerte in dem von den Merkmalen aufgespannten Parameterraum kann anhand der euklidischen Metrik, der Manhatten-Metrik oder einer anderen Metrik ermittelt werden. Die Anzahl der verwendeten benachbarten Beispielwerte kann von einem Bediener der Lerneinheit festgelegt werden und/oder mittels eines Optimierungsalgorithmus ermittelt werden. Optional wird bei einem Mehrheitsentscheid der benachbarten Beispielwerte ein Stimmanteil der Beispielwerte gewichtet, insbesondere mit dem jeweiligen Abstand der benachbarten Beispielwerte von dem einzuteilenden Beispielwert. Alternativ werden die Beispielwerte mittels eines Quader- Klassifikators, eines Abstandsklassifikators, eines Polynomklassifikators oder eines anderen Klassifikators in unterschiedliche Gruppen eingeteilt. Durch die erfindungsgemäße Ausgestaltung kann eine vorteilhaft zuverlässige Einteilung der Beispielwerte in die Gruppen erreicht werden.

Weiterhin wird vorgeschlagen, dass in einer Einlernphase des maschinellen Lernprozesses, insbesondere den bereits genannten, Beispielwerten für das Detektionssignal gruppenweise ein, insbesondere der/die bereits genannte/n, Auswerteparameter zugeordnet wird. Vorzugsweise wird von jeder Gruppe zumindest ein Beispielwert als Repräsentant für die Gruppe ausgewählt. Der Repräsentant ist ein Beispielwert, dessen Auswerteparameter durch Nachstellen, Simulieren oder aus anderen Quellen bekannt ist/sind. Vorzugsweise ordnet die Lerneinheit allen Beispielwerten innerhalb der Gruppe des Repräsentanten den Auswerteparameter oder die Auswerteparameter, welche dem Repräsentanten zugeordnet werden, zu. Der Repräsentant kann in dem Datenbeschaffungsschritt den übrigen Beispielwerten hinzugefügt werden oder nach einer Einteilung der übrigen Beispielwerte in die Gruppen ermittelt werden. Optional nutzt die Lerneinheit die Repräsentanten und/oder Domänenwissen als Stützstellen für die Nächste-Nach- barn- Klassifikation. Alternativ wird die Anzahl an Gruppen, beispielsweise durch Variation an Initialclusterzentren und minimalen Summenabständen, automatisch bestimmt. Durch die erfindungsgemäße Ausgestaltung kann eine Zeitdauer des Zuordnungsschritts vorteilhaft klein gehalten werden. Insbesondere können eine vorteilhaft große Anzahl an Beispielwerten für den maschinellen Lernprozesses verwendet werden, deren Auswerteparameter nicht im Einzelnen erfasst wurden. Darüber hinaus wird vorgeschlagen, dass in einer, insbesondere der bereits genannten, Einlernphase des maschinellen Lernprozesses ein Datensatz aus Beispielwerten für das Detektionssignal zumindest im Wesentlichen aus Benutzerdaten besteht Unter „im Wesentlichen“ soll insbesondere zu mehr als 30°%, bevorzugt zu mehr als 60 %, besonders bevorzugt zu mehr als 90 %, überaus bevorzug zu mehr als 99 %, verstanden werden. Vorzugsweise umfasst der Datensatz zusätzlich zu den Benutzerdaten die Repräsentanten der Gruppen. Unter „Benutzerdaten“ sollen insbesondere Detektionssignale verstanden werden, die in der Anwendungsphase mit dem Detektionsgerät oder einem weiteren Detektionsgerät von einem Benutzer, insbesondere in einer realen, d.h. nicht nachgestellten oder simulierten, Erfassungssituation, erfasst werden. Bevorzugt werden Benutzerdaten von einer Vielzahl von Detektionsgeräten gesammelt, um den Datensatz zu bilden. Insbesondere werden die Benutzerdaten von einer Datenschnittstelle des Detektionsgeräts automatisch an die Lerneinheit übertragen. Durch die erfindungsgemäße Ausgestaltung kann ein Zeitaufwand und ein Kostenaufwand für ein Nachstellen und/oder Simulieren von Erfassungssituationen vorteilhaft gering gehalten werden. Ferner umfassen die Beispielwerte vorteilhaft viele reale und nicht nur ideale Erfassungssituationen, die insbesondere in ihrer Komplexität und/oder Mannigfaltigkeit im Labor nicht nachstellbar sind. Insbesondere kann ein vorteilhaft robustes Modell mit dem maschinellen Lernprozess erstellt werden.

Des Weiteren wird vorgeschlagen, dass in zumindest einem Verfahrensschritt ein Betriebsmodus des Detektionsgeräts in Abhängigkeit von dem maschinellen Lernprozess automatisch ausgewählt wird. Das Detektionsgerät, insbesondere die Sensoreinheit, umfasst zumindest einen Betriebsmodus, der für eine bestimmte Erfassungssituation vorgesehen ist, und zumindest einen weiteren Betriebsmodus, der für eine weitere Erfassungssituation vorgesehen ist. Erfassungssituationen unterscheiden sich beispielsweise aufgrund unterschiedlicher Materialen oder Bauweisen des Untersuchungsuntergrunds und/oder aufgrund unterschiedlicher Arten des detektierten Objekts. Die Betriebsmodi unterscheiden sich beispielsweise durch ein von der Sensoreinheit verwendetes Sensorelement und/oder durch einen Signalparameter des ausgesandten Signals, beispielsweise Intensität, Frequenz, Dauer oder dergleichen. Vorzugsweise erfasst die Sensoreinheit in einer Erfassungssituation ein Anfangsdetektionssignal, welches von der Auswerteeinheit zu einem Anfangsresultat ausgewertet wird. Vorzugsweise wählt die Auswerteeinheit, insbesondere die Recheneinheit des Detektionsgeräts, einen der Betriebsmodi anhand des Anfangsresultats aus, um alle nachfolgenden Erfassungsschritte in derselben Erfassungssituation in dem ausgewählten Betriebsmodus durchzuführen. Vorzugsweise ist in einem Speicher der Auswerteeinheit, insbesondere der Recheneinheit des Detektionsgeräts, eine Tabelle hinterlegt, welche die Betriebsmodi dem Anfangsresultat zuordnet und von der Auswerteeinheit zu einer Auswahl des Betriebsmodus ausgelesen wird. Alternativ umfasst das Detektionsresultat den für die Erfassungssituation vorgesehenen Betriebsmodus als Auswerteparameter und wird im Zuge des maschinellen Lernprozesses erlernt. Durch die erfindungsgemäße Ausgestaltung kann eine vorteilhaft einfache und intuitive Bedienung des Detektionsgeräts erreicht werden. Insbesondere kann auf ein Einstellen des Detektionsgeräts durch einen Benutzer verzichtet werden. Insbesondere kann eine Anzahl an notwendigen Bedienelementen des Detektionsgeräts und/oder Menüpunkten einer graphischen Oberfläche des Detektionsgeräts vorteilhaft gering gehalten werden. Insbesondere kann ein Risiko einer Fehlbedienung des Detektionsgeräts durch einen Benutzer vorteilhaft gering gehalten werden.

Ferner wird vorgeschlagen, dass in zumindest einem Verfahrensschritt eine Nullreferenz für das Detektionssignal in Abhängigkeit von dem maschinellen Lernprozess automatisch ausgewählt wird. Die Nullreferenz ist ein Messwert des Detektionssignals, wenn der Untersuchungsuntergrund frei von detektierbaren Objekten ist. Vorzugsweise wertet die Auswerteeinheit eine Differenz zwischen den Detektionssignal und der Nullreferenz aus, um zu ermitteln, ob ein Objekt in dem Untersuchungsuntergrund vorhanden ist oder nicht. Die Nullreferenz hängt im Normalfall von Material und Bauweise des Untersuchungsuntergrunds ab. Insbesondere weisen die unterschiedlichen Betriebsmodi des Detektionsgeräts unterschiedliche Nullreferenzen auf. Die Nullreferenz/en ist/sind vorzugsweise Teil des von dem maschinellen Lernprozess erstellten Modells. Insbesondere wird in dem Zuordnungsschritt jedem Beispielwert, insbesondere jeder Gruppe von Beispielwerten, eine Nullreferenz zugeordnet. Alternativ sind die Nullreferenzen als Tabelle in einem Speicher der Recheneinheit hinterlegt und werden von der Recheneinheit in Abhängigkeit des gewählten Betriebsmodus ausgelesen. Durch die erfindungsgemäße Ausgestaltung kann auf eine gesonderte Bestimmung der Nullreferenz durch einen Benutzer des Detektionsgeräts verzichtet werden. Insbesondere kann das Detektionsgerät nach einem Einschalten vorteilhaft schnell zu einem Detektieren eines Objekts verwendet werden. Insbesondere kann ein Risiko einer Fehlbedienung des Detektionsgeräts vorteilhaft gering gehalten werden.

Weiter wird vorgeschlagen, dass das Detektionsgerät in zumindest einem Verfahrensschritt einen, insbesondere den bereits genannten, Auswerteparameter einer, insbesondere der bereits genannten, Gruppe von Beispielwerten des Detektionssignals ausgibt, wenn ein Messwert des Detektionssignals dieser Gruppe zugeordnet wird. Die Auswerteeinheit ordnet dem Messwert mittels des Modells vorzugsweise den Auswerteparameter zu. Die Ausgabeeinheit gibt vorzugsweise zumindest aus, ob ein Objekt detektiert wird oder ob kein Objekt detektiert wird. Die Ausgabeeinheit gibt den Auswerteparameter vorzugsweise zusätzlich zu der Information aus, ob ein Objekt detektiert wird oder nicht. Beispielsweise gibt die Ausgabeeinheit als Auswerteparameter ein Material oder eine Bauweise des Untersuchungsuntergrunds aus. Beispielsweise gibt die Ausgabeeinheit als Auswerteparameter die Art des detektierten Objekts, die Größe des detektieren Objekts, insbesondere eine zu einer Oberfläche des Untersuchungsuntergrunds parallel maximale Erstreckung des detektierten Objekts, einen Abstand des detektierten Objekts von der Oberfläche des Untersuchungsuntergrunds, einen, insbesondere zu der Oberfläche des Untersuchungsuntergrunds parallelen, Abstand eines Rands des detektierten Objekts zu einem aktuellen Messpunkt des Detektionsgeräts, und/oder dergleichen aus. Durch die erfindungsgemäße Ausgestaltung können einem Benutzer mit insbesondere einer einzigen Messung vorteilhaft viele Informationen zur Verfügung gestellt werden.

Ferner wird ein Detektionsgerät mit zumindest einer, insbesondere der bereits genannten, Sensoreinheit zu einer Erfassung eines, insbesondere des bereits genannten Detektionssignals und mit zumindest einer, insbesondere der bereits genannten, Recheneinheit zu einem Durchführen eines erfindungsgemäßen Verfahrens vorgeschlagen. Die Sensoreinheit umfasst zumindest ein Sensorelement. Optional umfasst die Sensoreinheit mehrere, insbesondere unterschiedlich ausgebildete, Sensorelemente. Beispiele für Sensorelemente der Sensoreinheit umfassen ein Radar, insbesondere einen Schmalbandradar, insbesondere in einem Frequenzbereich von 2,4 GHz bis 2,4835 GHz, und/oder einen Ultraweitbandradar, einen induktiven Sensor, einen kapazitiven Sensor, einen Wechselstrom-Sensor, insbesondere einen 50 Hz-Wechselstromsensor und/oder einen 60 Hz-Wechselstromsensor, oder dergleichen. Unter einer „Recheneinheit“ soll insbesondere eine Einheit mit einem Informationseingang, einer Informationsverarbeitung und einer Informationsausgabe verstanden werden. Vorteilhaft weist die Recheneinheit zumindest einen Prozessor, einen Speicher, Ein- und Ausgabemittel, weitere elektrische Bauteile, ein Betriebsprogramm, Regelroutinen, Steuerroutinen und/oder Berechnungsroutinen auf. Vorzugsweise sind die Bauteile der Recheneinheit auf einer gemeinsamen Platine angeordnet und/oder vorteilhaft in einem gemeinsamen Gehäuse angeordnet. Vorzugsweise umfasst das Detektionsgerät die Ausgabeeinheit zu einer Ausgabe des Detektionsresultats. Die Ausgabeeinheit umfasst beispielsweise ein Display, ein Mikrofon, einen Vibrationsalarm oder dergleichen, um das Detektionsresultat auszugeben. Vorzugsweise umfasst das Detektionsgerät die Datenschnittstelle. Die Datenschnittstelle kann ein leitungsgebundenes und/oder funkwellengebundenes Schnittstellenelement, insbesondere eine Bluetooth-Schnittstelle, eine WLan-Schnittstelle, eine Ethernet-Schnittstelle oder dergleichen aufweisen. Die Datenschnittstelle ist zu einer Ausgabe des Detektionsresultats auf dem externen Ausgabegerät, zu einer Weiterleitung des Detektionssignals an die externe Rechenanlage und/oder zu einem Empfang des Modells von der externen Rechenanlage vorgesehen. Durch die erfindungsgemäße Ausgestaltung kann ein Detektionsgerät zur Verfügung gestellt werden, das vorteilhaft einfach zu bedienen ist und/oder das vorteilhaft viele Informationen zur Verfügung stellt.

Das erfindungsgemäße Verfahren und/oder das erfindungsgemäße Detektionsgerät sollen/soll hierbei nicht auf die oben beschriebene Anwendung und Ausführungsform beschränkt sein. Insbesondere kann das erfindungsgemäße Detektionsgerät und/oder das erfindungsgemäße Verfahren zu einer Erfüllung einer hierin beschriebenen Funktionsweise eine von einer hierin genannten Anzahl von einzelnen Elementen, Bauteilen und Einheiten sowie Verfahrensschritten abweichende Anzahl aufweisen. Zudem sollen bei den in dieser Offenbarung angegebenen Wertebereichen auch innerhalb der genannten Grenzen liegende Werte als offenbart und als beliebig einsetzbar gelten. Zeichnungen

Weitere Vorteile ergeben sich aus der folgenden Zeichnungsbeschreibung. In den Zeichnungen ist ein Ausführungsbeispiel der Erfindung dargestellt. Die Zeichnungen, die Beschreibung und die Ansprüche enthalten zahlreiche Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen.

Es zeigen:

Fig. 1 eine schematische Darstellung eines erfindungsgemäßen Detektionsgeräts,

Fig. 2 ein schematisches Flussdiagramm eines erfindungsgemäßen Verfahrens und

Fig. 3 eine schematische Einteilung eines Datensatzes von Beispieldaten im Zuge eines maschinellen Lernprozesses des erfindungsgemäßen Verfahrens.

Beschreibung des Ausführungsbeispiels

Figur 1 zeigt ein Detektionsgerät 12. Das Detektionsgerät 12 ist an einer Oberfläche eines Untersuchungsuntergrunds 14, beispielsweise einer Wand, angeordnet dargestellt. Das Detektionsgerät 12 ist dazu vorgesehen, ein Detektionssignal von einem innerhalb des Untersuchungsuntergrunds 14 angeordneten Objekt 16 zerstörungsfrei zu erfassen. Das Detektionsgerät 12 ist vorzugsweise handhaltbar ausgebildet, vorzugsweise mit einer Hand haltbar und insbesondere mit derselben Hand bedienbar. Besonders bevorzugt weist das Detektionsgerät ein Gesamtvolumen von weniger als 7000 cm ³ , bevorzugt von weniger als 5000 cm ³ , besonders bevorzugt von weniger als 3000 cm ³ auf. Das Detektionsgerät 12 umfasst eine Sensoreinheit 24 zu einer Erfassung des Detektionssignals. Die Sensoreinheit 24 umfasst vorzugsweise zumindest ein Sensorelement, das dazu vorgesehen ist, ein elektromagnetisches Signal in den Untersuchungsuntergrund 14 auszusenden und einen von dem Objekt 16 zurückgestreuten Anteil des ausgesandten Signals als Detektionssignal zu erfassen. Alternativ oder zusätzlich umfasst die Sensoreinheit 24 einen kapazitiven Sensor und/oder einen induktiven Sensor zu einer Erfassung des Detektionssignals. Das Detektionsgerät 12 umfasst eine Recheneinheit 26 zu einem Auswerten des Detektionssignals zu einem Detektionsresultat.

Das Detektionsgerät 12 umfasst vorzugsweise eine Ausgabeeinheit 28 zu einer Ausgabe des Detektionsresultats. Die Ausgabeeinheit 28 umfasst vorzugsweise ein Display zu einem Anzeigen des Detektionsresultats. Vorzugsweise umfasst das Detektionsgerät 12 zumindest eine Datenschnittstelle 32 zu einem Datenaustausch mit einer externen Rechenanlage und/oder einem externen Ausgabegerät. Das Detektionsgerät 12 umfasst vorzugsweise eine Energieversorgungseinheit 34 zu einer Versorgung der Sensoreinheit 24, der Recheneinheit 26, der Ausgabeeinheit 28 und/oder der Datenschnittstelle 32 mit elektrischer Energie. Die Energieversorgungseinheit 34 ist insbesondere zu einer Aufnahme zumindest einer Batterie und/oder eines Akkumulators vorgesehen. Das Detektionsgerät 12 umfasst bevorzugt zumindest ein Bedienelement 30, beispielsweise einen Schalter, eine Taste, einen Schieberegler oder dergleichen, zu einer Bedienung des Detektionsgeräts 12, insbesondere zu einem Auslösen einer Erfassung mit dem Detektionsgerät 12. Das Detektionsgerät 12 umfasst ein Gehäuse 36, innerhalb dessen zumindest die Sensoreinheit 24 angeordnet ist. Vorzugsweise ist in dem Gehäuse 36 die Recheneinheit 26, die Datenschnittstelle 32 und/oder die Energieversorgungseinheit 34 angeordnet. Vorzugsweise ist die Ausgabeeinheit 28 und/oder das Bedienelement 30 an dem Gehäuse 36 angeordnet oder in das Gehäuse 36 eingelassen. Die externe Rechenanlage und/oder das externe Ausgabegerät sind/ist vorzugsweise unabhängig von dem Detektionsgerät 12 ausgebildet (hier nicht dargestellt).

Figur 2 zeigt ein Flussdiagramm eines Verfahrens 10 für das Detektionsgerät 12. Das Verfahren 10 umfasst vorzugsweise einen Erfassungsschritt 40, in welchem die Sensoreinheit 24 das Detektionssignal erfasst. Das Verfahren 10 umfasst einen Auswerteschritt 42, in welchem das Detektionssignal in Abhängigkeit von einem maschinellen Lernprozess zu dem Detektionsresultat ausgewertet wird. Das Verfahren 10 umfasst insbesondere einen Ausgabeschritt 44, in dem das Detektionsresultat ausgegeben wird. Das Verfahren 10 umfasst vorzugsweise einen Einstellschritt 46, in welchem die Recheneinheit 26 eine Einstellung des Detektionsgeräts 12, insbesondere der Sensoreinheit 24 und/oder der Recheneinheit 26, in Abhängigkeit von dem Detektionsresultat verändert

Das Verfahren 10 umfasst vorzugsweise eine Anwendungsphase 38. Die Anwendungsphase 38 wird bevorzugt vollständig, alternativ teilweise, mittels des Detektionsgeräts 12 ausgeführt Die Anwendungsphase 38 umfasst vorzugsweise den Erfassungsschritt 40, den Auswerteschritt 42, den Ausgabeschritt 44 und/oder den Einstellschritt 46. Insbesondere wird der Auswerteschritt 42 von der Recheneinheit 26 ausgeführt. Alternativ wird der Auswerteschritt 42 von einer, insbesondere der bereits genannten oder einer weiteren, externen Rechenanlage durchgeführt. Der Ausgabeschritt 44 wird vorzugsweise von der Ausgabeeinheit 28 ausgeführt. Alternativ wird der Ausgabeschritt 44 von dem externen Ausgabegerät ausgeführt. Insbesondere übermittelt die Datenschnittstelle 32 in den alternativen Ausgestaltungen das Detektionssignal an die weitere externe Rechenanlage, empfängt das Detektionsresultat von der externen Rechenanlage und/oder sendet das Detektionsresultat an das externe Ausgabegerät.

Das Verfahren 10 umfasst vorzugsweise eine Einlernphase 18. Die Einlernphase 18 wird bevorzugt von der externen Rechenanlage, alternativ von der Recheneinheit 26, durchgeführt. In der Einlernphase 18 wird mittels des maschinellen Lernprozesses ein Modell erstellt, welches das Detektionssignal auf das Detektionsresultat abbildet. Das Modell wird in einem Bereitstellungsschritt 58 in einem Speicher der Recheneinheit 26 des Detektionsgeräts 12 hinterlegt. Insbesondere wendet die Recheneinheit 26 in dem Auswerteschritt 42 das Modell an, um einen von der Sensoreinheit 24 erfassten Messwert des Detektionssignals in das Detektionsergebnis zu überführen.

Die Einlernphase 18 umfasst vorzugsweise einen Datenbeschaffungsschritt 48. In dem Datenbeschaffungsschritt 48 werden Beispielwerte 22 (vgl. Fig. 3) erfasst, welche zu einer Erstellung des Modells verarbeitet werden. Bevorzugt umfasst das Verfahren 10 einen Sammelschritt 56, in welchem von der Sensoreinheit 24 erfasste Messwerte des Detektionssignals als Beispielwerte 22 gesammelt werden. Vorzugsweise überträgt die Datenschnittstelle 32 die von der Sensoreinheit 24 erfassten Messwerte, insbesondere gesammelt oder einzeln, in dem Sammelschritt 56 an die externe Rechenanlage. Besonders bevorzugt sammelt die externe Rechenanlage Messwerte von einer Vielzahl an Detektionsgeräten, insbesondere im Rahmen eines Internet-of-Things (loT)-Konzepts. Ein Datensatz aus den Beispielwerten 22 für das Detektionssignal besteht zumindest im Wesentlichen aus Benutzerdaten. Benutzerdaten sind Messwerte des Detektionssignals, die von Benutzern in der Anwendungsphase 38 mittels des Detektionsgeräts 12 erfasst werden. Vorzugsweise werden in dem Datenbeschaffungsschritt 48 vom Hersteller des Detektionsgeräts 12 zusätzlich Beispielwerte 22 als Repräsentanten ermittelt. Die Repräsentanten werden beispielsweise durch eine Erfassung mit dem Detektionsgerät 12 an einem Nachbau verschiedener Untersuchungsuntergründe 14 inklusive unterschiedlicher Objekte 16 ermittelt und/oder durch ein Simulieren von Erfassungsschritten 40 an verschiedenen Untersuchungsuntergründen 14 inklusive unterschiedlicher Objekte 16 erstellt. Vorzugsweise umfasst der Datensatz zumindest 10 mal, bevorzugt zumindest 100 mal, besonders bevorzug zumindest 1000 mal, mehr Benutzerdaten als Repräsentanten.

Die Einlernphase 18 umfasst vorzugsweise einen Vorverarbeitungsschritt 50. In dem Vorverarbeitungsschritt 50 werden die Beispielswerte 22 bezüglich zumindest eines Merkmals 60, 62, vorzugsweise mehrerer Merkmale 60, 62, ausgewertet (vgl. Fig 3). Das zumindest eine Merkmal 60, 62 ist vorzugsweise als Unterscheidungskriterium vorgesehen, anhand dessen die externe Rechenanlage bewertet, ob zwei Beispielswerte 22 gleich oder unterschiedlich sind. Merkmale 60, 62 der Beispielwerte können beispielsweise eine Intensität des Detektionssignals sein, ein Verhältnis von zurückgestreutem Anteil zu ausgesandtem Anteil des Detektionssignals, ein Mittelwert des Detektionssignals, ein Extremwert des Detektionssignals, eine Zeitdauer einer durch das Objekt verursachten Amplitudenmodulation des Detektionssignals, eine Schwankungsbreite des Detektionssignals oder dergleichen. Die Beispielwerte 22 für das Detektionssignal werden von der externen Rechenanlage in Abhängigkeit einer Clusterbildung der Beispielwerte 22 in unterschiedliche Gruppen 20 eingeteilt. Die externe Rechenanlage wertet die Clusterbildung der Beispielwerte 22 vorzugsweise anhand der ermittelten Merkmale 60, 62 aus. Insbesondere ermittelt die externe Rechenanlage, ob eine Verteilung der Beispielwerte 22 innerhalb eines von dem zumindest einen Merkmal 60, 62 aufgespannten Parameterraums Cluster aufweist. Eine Di- mensionalität des Parameterraums ist gleich der Anzahl an unterschiedlichen Merkmalen 60, 62 pro Beispielwert 22. Eine Verteilung der Beispielwerte 22 in einem von einem Merkmal 60 und einem weiteren Merkmal 62 aufgespannten zweidimensionalen Parameterraum ist beispielhaft in Figur 3 dargestellt. Vorzugsweise ordnet die externe Rechenanlage die einen Cluster bildenden Beispielwerte 22 derselben Gruppe 20 zu. Vorzugsweise ordnet die externe Rechenanlage Beispielwerte 22, die unterschiedliche Cluster bilden, unterschiedlichen Gruppen 20 zu. In Figur 3 wurden die Beispielwerte 22 beispielhaft in zehn Gruppen 20 unterteilt. Die externe Rechenanlage verwendet eine Nächste-Nachbarn- Klassifikation, um eine Einteilung der Beispielwerte 22 in die unterschiedliche Gruppen 20 durchzuführen.

Das Verfahren 10 umfasst vorzugsweise einen Zuordnungsschritt 52. In dem Zuordnungsschritt 52 wird den Beispielwerten 22 für das Detektionssignal gruppenweise zumindest ein Auswerteparameter zugeordnet. Vorzugsweise wird jeder Gruppe 20 zumindest ein Au swerte para meter zugeordnet. Optional werden zumindest einer Gruppe 20 mehrere Auswerteparameter zugeordnet. Zwei unterschiedliche Gruppen 20 unterscheiden sich durch zumindest einen der ihnen zugeordneten Auswerteparameter voneinander. Der zumindest eine Auswerteparameter wird von dem maschinellen Lernprozess insbesondere als zu erlernendes Zwischenergebnis oder als zu erlernendes Endergebnis verarbeitet. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Untergrundparameter zugeordnet, der den Untersuchungsuntergrund 14 beschreibt oder charakterisiert. Der Untergrundparameter umfasst beispielsweise die Werte: Beton, Leichtbau, Trockenbau, insbesondere Dicke und/oder Anzahl von Gipskarton-Platten und/oder von Holz-Platten des Leichtbaus oder Trockenbaus, gemauerte Wand, insbesondere Steinart der gemauerten Wand, Vorhandensein einer Fußbodenheizung oder einer Wandbeheizung, oder dergleichen. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Objektartparameter zugeordnet, der die Art des Objekts 16 beschreibt oder charakterisiert. Der Objektartparameter umfasst beispielsweise die Werte: Metall, Nicht-Metall, stromführend, nicht-stromführend, magnetisch, nicht-magnetisch, Kabel mit Niederspannung, Kabel mit einphasigem Wechselstrom, insbesondere zwischen 110 V und 230 V, Kabel mit mehrphasigem Wechselstrom, Drehstromkabel, Holzbalken, Metallträger, Plastikrohr, wassergefülltes Rohr, insbesondere Frischwasserrohr, nicht wassergefülltes Rohr, insbesondere Abwasserrohr. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Tiefenparameter zugeordnet, der einen Abstand des Objekts 16 von einer Oberfläche des Untersuchungsuntergrunds 14 beschreibt oder charakterisiert Der Tiefenparameter kann den Abstand kontinuierlich oder bereichsweise angeben. Vorzugsweise wird den Gruppen 20 als Auswerteparameter ein Formparameter zugeordnet, der eine Form oder Ausdehnung des Objekts 16 beschreibt oder charakterisiert. Der Formparameter gibt beispielsweise einen Durchmesser des Objekts 16 an. Der Zuordnungsschritt 52 wird von der externen Rechenanlage mittels der Repräsentanten durchgeführt. Die Au swerte para meter der Repräsentanten können von dem Hersteller des Detektionsgeräts 12 beispielsweise mit einer von dem Detektionsgerät 12 unabhängigen Sensorvorrichtung an den Nachbauten erfasst werden, aus Datenblättern zu den Nachbauten ausgelesen werden oder aus einem Simulationsprogramm ausgelesen werden und in einem Speicher der externen Rechenanlage hinterlegt werden. Vorzugsweise ermittelt die externe Rechenanlage zu jeder Gruppe 20 zumindest einen Repräsentanten, liest dessen Auswerteparameter aus dem Speicher der externen Rechenanlage aus und ordnet diese Auswerteparameter allen Beispielwerten 22 in derselben Gruppe 20 wie der Repräsentant zu. Befinden sich mehrere Repräsentanten mit unterschiedlichen Auswerteparametern in derselben Gruppe 20, führt die externe Rechenanlage optional eine weitere Unterteilung dieser Gruppen 20 in Subgruppen durch.

Die Einlernphase 18 umfasst insbesondere einen Lernschritt 54. In dem Lernschritt 54 erstellt die externe Rechenanlage mittels des maschinellen Lernprozesses das Modell. Insbesondere verwendet die externe Rechenanlage die Beispielwerte 22 als Eingangswerte des Modells und die den Beispielwerten 22 zugeordneten Auswerteparameter als Ausgabewert des Modells. Das Detektionsergebnis setzt sich insbesondere aus der Gesamtheit der Auswerteparameter zusammen oder wird in Abhängigkeit der Auswerteparameter ermittelt. In dem Bereitstellungsschritt 58 übermittelt die externe Rechenanlage das Modell über die Datenschnittstelle 32 an die Recheneinheit 26 des Detektionsgeräts 12.

In der Anwendungsphase 38 nutzt die Recheneinheit 26 des Detektionsgeräts 12 das Modell, um einen Betriebsmodus des Detektionsgeräts 12 automatisch auszuwählen. Vorzugsweise erfasst die Sensoreinheit 24 in dem Erfassungsschritt 40 ein Anfangsdetektionssignal, welches in dem Auswerteschritt 42 zu einem Anfangsresultat ausgewertet wird. Die Recheneinheit 26 ermittelt in Abhängigkeit von dem Anfangsdetektionssignal mittels des Modells insbesondere den Untergrundparameter, um in dem Einstellschritt 46 eine Nullreferenz für das Detektionssignal in Abhängigkeit von dem maschinellen Lernprozess automatisch aus- zuwählen. Die Recheneinheit 26 ermittelt in Abhängigkeit von dem Anfangsdetektionssignal mittels des Modells insbesondere den Objektartparameter, den Tiefenparameter und/oder den Formparameter, um in dem Einstellschritt 46 eine Empfindlichkeit der Sensoreinheit 24 für das Objekt 16 zu erhöhen und/oder eine Übersättigung der Sensoreinheit 24 zu vermeiden.

Das Detektionsgerät 12 gibt in der Anwendungsphase 38 in dem Ausgabeschritt 44 den zumindest einen Auswerteparameter derjenigen Gruppe 20 von Beispielwerten 22 des Detektionssignals aus, wenn das Modell einen Messwert des Detektionssignals dieser Gruppe 20 zuordnet. Die Ausgabeeinheit 28 gibt vorzugs- weise aus, ob das Objekt 16 detektiert wurde. Die Ausgabeeinheit 28 gibt vorzugsweise den Objektartparameter und den Untergrundparameter aus. Die Ausgabeeinheit 28 gibt optional den Tiefenparameter und/oder den Formparameter aus.