EdgeGuardian: Edge-AI-Sicherheitszone fuer Maschinenueberwachung
Entwickelt einen Raspberry-Pi-5- und Hailo-8L-Edge-AI-Prototyp, der kamerabasierte Personenerkennung mit Hokuyo-LiDAR-Distanzmessung kombiniert und lokal SAFE-, WARNING- und ALERT-Zustaende entscheidet.
Ueberblick
EdgeGuardian nutzt einen Schreibtisch als repraesentative Maschinen-Gefahrenzone und erzeugt darum eine lokale AI-Sicherheitszone. Das System kombiniert Hailo-beschleunigte YOLO-Personenerkennung, LiDAR-Distanzbestaetigung, Raspberry-Pi-Sensorfusion, ESP32-Serial-Aktuatorik, Browser-Dashboard, Telegram-Alerting und CSV-Evidenzlogs.
Problem
Maschinenbereiche werden gefaehrlich, wenn Personen in den Arbeitsbereich beweglicher Teile gelangen. Eine reine Cloud-Kamera-Pipeline wuerde Latenz, Datenschutzrisiken und Netzabhaengigkeit erzeugen; reine Kameraerkennung bestaetigt zudem keine physische Distanz.
Loesung
Ich habe die Entscheidungslogik auf einem Raspberry Pi 5 umgesetzt. Die Kamera-Pipeline erkennt die Klasse Person mit YOLO auf dem Hailo-8L-Beschleuniger, der Hokuyo-LiDAR liefert die gemessene Distanz, und das Fusionsskript nutzt Confidence-Schwellen, Stale-Data-Pruefung und Hysterese, bevor ESP32-Kommandos und Dashboard-Updates erzeugt werden.
Architektur
Sensorik und Aktuatorik
Raspberry-Pi-Kamera / AI Camera, Hokuyo URG-04LX-UG01 LiDAR und ESP32-S3-Serial-Endpunkt liefern visuelle Erkennung, physische Distanzbestaetigung und Aktuatornachweis.
Edge-Fusion
Der Raspberry Pi 5 fuehrt die Fusion aus, verarbeitet Hailo-Erkennungsdaten, liest LiDAR-Distanzen, wendet SAFE/WARNING/ALERT-Schwellen an und protokolliert jede Entscheidung.
Evidenz-Ausgaben
Die Sicherheitsentscheidung bleibt lokal; Evidenz wird ueber Browser-Dashboard, optionales Telegram-Modul, Terminalausgabe und finale CSV-Logs sichtbar gemacht.
Sicherheit
Das Design haelt Kamera-Inferenz und Sicherheitsentscheidungen lokal auf dem Edge-Geraet, statt Videodaten an einen Cloud-Dienst zu senden. Beispielkonfigurationen vermeiden private Telegram-Secrets, und das Dashboard liest Logs ohne Kamera-Streaming.
Zuverlaessigkeit
Confidence-Filter, LiDAR-Stale-Data-Schutz, 3-Frame-ALERT-Hysterese, 5-Frame-SAFE-Recovery, Telegram-Cooldown und CSV-Event-Logs machen den Prototyp stabiler und in der Live-Demo nachvollziehbar.
Wesentliche Merkmale
- Hailo-8L-beschleunigte YOLO-Personenerkennung auf Raspberry Pi 5
- Hokuyo-LiDAR-Distanzbestaetigung fuer Kamera-LiDAR-Sensorfusion
- SAFE/WARNING/ALERT-State-Machine mit Hysterese und Stale-Data-Pruefung
- ESP32-S3-Serial-Kommandos als Aktuatornachweis
- Dark-Mode-Browser-Dashboard mit Live-CSV-Logs, Update-Alter und Event-Tabelle
- Finales Evidenzpaket mit Hailo-, LiDAR-, Fusion-, Dashboard-, ESP32- und Telegram-Logs
Ergebnisse und Wirkung
- End-to-End lokale Edge-AI-Sicherheitsueberwachung mit Kamera, LiDAR, Embedded-Aktuatorik, Dashboard und Logs demonstriert
- Demo-Evidenz mit SAFE -> WARNING -> ALERT -> SAFE-Uebergaengen bei etwa 30 FPS erfasst
- Real-Mode-Evidenz mit kontinuierlichen Raspberry-Pi-Entscheidungen aus Hardware-Inputs protokolliert
- Systemverhalten ueber Dashboard-Reason-Cards und reproduzierbare CSV-Evidenz nachvollziehbar gemacht
Tech-Stack
Artefakte
Verwandtes Projekt
Die angrenzende Fallstudie zeigt, wie dieses Projekt in die groessere Portfolio-Story passt.
TinyML-Vibrationsanomalie-Erkennung auf Arduino Nano 33 BLE Sense Rev2
Deployt einen leichtgewichtigen Softmax-Klassifikator auf einem Arduino Nano 33 BLE Sense Rev2, um NORMAL-, ANOMALY- und ALERT-Vibrationszustaende aus Onboard-IMU-Daten in Echtzeit zu erkennen.