AB Archiv des Badewesens April 2022

248 | BÄDERBETRIEB | Ertrinkenden-Erkennungssysteme
AB 04/2022
Das „Testteam“ in Lippstadt (von links):
Omer Bar-Ilan, Stefan Schneider, Michael Weilandt,
Florian Grojer, Prof. Dr. Christian Kuhn; Foto: Tobias Göbel
An 96 Positionen in den untersuchten
Becken wurden im Non-Live-Test
innerhalb von 15 Sekunden 41 %, innerhalb
von 30 Sekunden 81 % Erkennungen
registriert. In den Ecken
sank die Erkennungsrate innerhalb
von 30 Sekunden auf 52 %. Die Alarmierungszeit
war ein großer Streitpunkt
in der Normungsarbeit, und
in der DGfdB R 94.15 sind aus gutem
Grund 30 Sekunden festgelegt. Dies
wird durch die Ergebnisse zunächst
bestätigt.
Auch den Machern dieser Studie
waren die Vorgaben der ISO 20380
nicht weitgehend genug, sie versuchten
diese Testverfahren daher
zu verbessern, in Richtung der
deutschen Richtlinie. Es wurde mit
Dummies, etwa in der Größe eines
Kindes, gearbeitet, mit dunklem
und hellem Hautton sowie jeweils
mit einer dunklen oder hellen Badehose.
Auch diese Tests wurden als
Non-Live-Tests an 192 Positionen
durchgeführt. Die Erkennungsraten
lagen hier im Schnitt bei 69,5 %
(15 Sekunden) und bei 85 % (30 Sekunden),
wobei der dunkle Hauttyp
mit der dunklen Badehose und
der helle Hauttyp mit der hellen
Badehose die besten Ergebnisse
erzielten.
Abschließend wurden die Tests als
Live Tests an 92 Positionen durchgeführt,
also mit aktiven Schwimmer:innen
im Becken. Hier liegen die
Erkennungsraten nun bei 33 % (15
Sekunden) und bei 66 % (30 Sekunden),
wobei der dunkle Hauttyp mit
der dunklen Badehose mit 92 % das
beste Ergebnis erzielte.
Die Tests der AG Aufsicht wurden unter
realen Betriebsbedingungen mit
„echten“ Menschen durchgeführt.
Die Ergebnisse lagen bei allen untersuchten
Systemen im Schwimmerbereich
bei etwa 80 %, in der Spitze
bei gut 90 %, also etwas besser als
in der britischen Untersuchung. Das
sind gute Ergebnisse, aber für einen
Ersatz der menschlichen Wasseraufsicht
nicht genug. Die spannende
Frage ist also, ob die Systeme in der
Zwischenzeit verbessert wurden.
Die technische Entwicklung
geht weiter
Mittlerweile sind gut vier Jahre vergangen
und es hat natürlich technische
Weiterentwicklungen gegeben.
Es ist daher an der Zeit, erneut auf
diese Systeme zu schauen. Die Arbeitsgruppe
hatte die Systeme von
SwimEye, Poseidon und AngelEye
betrachtet, sie sind auch jetzt noch
im Fokus.
Künstliche Intelligenz oder Deep
Learning?
Die wesentliche Entwicklung ist, dass
alle Hersteller für sich in Anspruch
nehmen, in ihren Systemen mit
Künstlicher Intelligenz zu arbeiten.
Das ist immer noch ein sehr schwammiger
Begriff, und es wird darauf ankommen,
herauszufinden, was sich
bei jedem System dahinter verbirgt.
Wahrscheinlich sind die gewählten
Lösungen besser mit dem Begriff
„Deep Learning“ umschrieben, denn
es geht darum, dass die Software mit
einer Vielzahl von Bildern gefüttert
wird und daraus Handlungen ableitet.
Im Betrieb kommen nun weitere
Bilder hinzu und die Software kann
sich eigenständig verbessern. Fast
alle Hersteller nutzen eine Kombination
von Überwasser- und Unterwasserkameras
und geben an, die
Bewegungen der Schwimmer:innen
bereits an der Oberfläche analysieren
zu können. Der Schwerpunkt der
Erkennung liegt aber bei den herkömmlichen
Systemen immer noch
in der Unterwassersituation, wenn
ein ertrinkender Mensch auf dem
Beckenboden angekommen ist.
Aus dem Campusbad Sursee in der
Schweiz erreichten uns Testberichte
mit dem System des Herstellers
SwimEye, in denen Erkennungsraten
zwischen 95 und 99 % erreicht
werden. Diese Tests wurden
mit menschlichen „Prüfkörpern“ und
unter den Rahmenbedingungen der
Anforderungen der DGfdB R 94.15
durchgeführt. Dieses Beispiel zeigt,
dass erstklassige Erkennungsraten
möglich sind, und diese Systeme
einer verbreiteten Verwendung mit
Einsparpotenzialen im Personaleinsatz
deutlich näher kommen.