← Indumia Lab

Vigie IRVE

Eine Videoüberwachung, die analysiert, was sie filmt, und bei Kabeldiebstahl oder Beschädigung einer Ladesäule alarmiert.

Typ
POC · Vision-KI (LVLM)
Status
◐ Edge-Prototyp
Jahr
2026
Lizenz
Open Source
Für
Ladestationen für E-Autos
Code
Bald auf GitHub

Das Problem

Kabeldiebstahl und beschädigte Ladesäulen, oft nachts.

Eine defekte Ladesäule ist teuer in der Reparatur und ärgert die Nutzer. Klassische Videoüberwachung zeichnet auf, aber niemand schaut live zu, und Bewegungserkennung erzeugt viele Fehlalarme.

Der Ansatz

Zwei Analyseebenen.

Ein Mini-PC an den vorhandenen IP-Kameras erkennt und verfolgt Personen vor Ort. Nur verdächtige Szenen gehen an ein LVLM, das den Kontext bewertet (Kapuze, kein Fahrzeug, manipuliertes Kabel, offener Schaltschrank …) und seine Entscheidung begründet.

Keine Kamera muss ersetzt werden.

Pipeline

So wird ein Bild verarbeitet.

IP-Kameras

RTSP-Streams H.264 / H.265, mehrere Kameras, im laufenden Betrieb hinzufügbar.

Erkennung

Feinabgestimmtes YOLO26 + Identitätsverfolgung mit BoT-SORT und ReID.

Zonen & Trigger

Polygone um die Ladesäulen, neue Person, Timer, Duplikatschutz.

Unkenntlichmachung

Gesichter werden vor jeder Übertragung vor Ort verpixelt (YuNet).

LVLM-Analyse

Gemini oder Mistral: Beschreibung, Urteil und Konfidenzwert als JSON.

Alarm

Aufnahme in der Überwachungsoberfläche als „ALARM“ markiert.

0,89mAP50 des feinabgestimmten YOLO26s-Modells
0,90Präzision auf 8.821 Validierungsbildern
10Sicherheitsklassen: Sturmhaube, Werkzeug, beschädigtes Kabel, Vandalismus …
20FPSAufnahme auf CPU, an echter Kamera validiert

Was anders ist

Weniger Fehlalarme.

Kontext

Eine Analyse des Kontexts

Das LVLM unterscheidet einen normalen Ladevorgang von einem Angriff. In den getesteten Szenen hat die normale Nutzung einer Ladesäule keinen Alarm ausgelöst.

Spezialisiert

Ein Vision-Modell speziell für Ladeinfrastruktur

YOLO26s, trainiert auf zusammengeführten Datensätzen, die auf 10 Klassen für die Sicherheit von Ladesäulen abgebildet wurden.

Datenschutz

Schutz der Privatsphäre

Gesichter werden vor jeder Übertragung vor Ort verpixelt. Mistral kann als europäische Alternative genutzt werden.

Nacht

Automatischer IR-Modus

Automatische Erkennung des Nacht- / Infrarotmodus und Anpassung der Aufnahme.

Flexibel

Ein Prompt pro Kamera

Modellwahl und Analyseanweisungen lassen sich in der Oberfläche pro Kamera anpassen.

Bestand

Ihre Kameras reichen aus

Kompatibel mit RTSP-IP-Kameras. Ein Edge-Mini-PC vor Ort (Apple Silicon oder AMD64) erledigt die Arbeit.

Roadmap

Die erste Phase vor Ort ist validiert.

  • Multi-Kamera-Aufnahme, YOLO-Erkennung + ReID-Verfolgung
  • Trigger, Polygonzonen, Unkenntlichmachung, Nachtmodus
  • LVLM-Analyse an echter Kamera validiert
  • Mehrkanal-Alarmierung: E-Mail, SMS, Teams, Telegram …
  • Multi-Standort-Cloud-Plattform und Dashboard
  • Aktoren vor Ort: Sirene, Beleuchtung

Stack

  • Python 3.12
  • OpenCV
  • GStreamer
  • Ultralytics YOLO26
  • BoT-SORT ReID
  • YuNet
  • Gemini
  • Mistral
  • Flask
  • TimescaleDB
  • Redis
Nächstes Projekt
Audit Ascenseur