Flammenerkennung mit KI-Kameras: was vor dem ersten Rauch funktioniert

Eine Flamme ist bereits ein Signal mit Geschichte, der Rauchmelder dagegen nur ihr verspäteter Zeuge. Wer Brandschutz ernsthaft denkt, verlagert den Erkennungspunkt nach vorne, dorthin, wo eine offene Flamme noch keinen detektierbaren Rauch erzeugt hat, aber bereits ein optisches und thermisches Muster aussendet, das eine Kamera mit hinreichend trainiertem Modell zuverlässig auswerten kann.

Diese Verschiebung ist keine technische Spielerei. Sie verändert die Zeitachse der Brandbekämpfung in einer Weise, die für Industrie, Logistik und Baustellen messbare Konsequenzen hat. Klassische Punktmelder reagieren auf Rauchpartikel oder Temperaturanstieg in ihrer unmittelbaren Umgebung. Sie sind langsam, sie sind ortsgebunden, und sie sind in offenen, durchlüfteten oder hohen Räumen oft am Rand ihrer Wirksamkeit. KI-gestützte Flammenerkennung über Kameras hebt diese Beschränkung auf. Sie sieht weiter, sie sieht früher, und sie sieht in Szenarien, in denen eine herkömmliche Sensorik gar nicht erst auslöst.

Boswau + Knauer hat diese Technologie nicht aus einem Laborinteresse aufgenommen, sondern aus Beobachtungen an realen Standorten. Lithium-Ionen-Batterien in Logistikhallen, Späneabsaugungen in metallverarbeitenden Betrieben, Wärmedämmverbundsysteme an Baustellen, offene Lagerflächen mit brennbaren Materialien. In all diesen Anwendungen ist der Zeitraum zwischen einer ersten Flamme und einem detektierbaren Rauch ein Fenster, in dem entschieden wird, ob ein Vorfall zum Schaden wird oder zur Episode in einem Logbuch.

Was eine Flamme optisch verrät

Eine Flamme ist kein einheitliches Phänomen, sondern ein dynamisches Muster aus mehreren überlagerten Signalen. Sie strahlt Licht in einem charakteristischen Spektrum ab, sie flackert in einer Frequenz, die sich von künstlichen Lichtquellen unterscheidet, sie erzeugt einen Wärmegradienten in ihrer Umgebung, und sie hat eine Form, die sich von festen Objekten in nachvollziehbarer Weise abhebt. Jedes dieser Merkmale für sich genommen ist auswertbar. In Kombination werden sie zu einer Signatur, die ein gut trainiertes Modell mit hoher Trefferquote von ihren Verwechslungspartnern unterscheidet.

Das emittierte Lichtspektrum einer Kohlenwasserstoffflamme hat Maxima im nahen Infrarot und im ultravioletten Bereich, die in der Industrie seit Jahrzehnten in dedizierten Flammendetektoren genutzt werden. Diese klassischen Detektoren arbeiten punktuell und auf einer engen spektralen Bandbreite. KI-gestützte Kameras erweitern dieses Prinzip auf eine flächige Erkennung. Eine Kamera mit erweitertem Spektralbereich nimmt nicht nur das sichtbare Bild auf, sondern auch die spektralen Anteile, die für die menschliche Wahrnehmung jenseits der Schwelle liegen. Die Auswertung dieser Daten erfolgt nicht durch eine starre Schwelle, sondern durch ein Modell, das gelernt hat, wie sich eine Flamme von einer Schweißnaht, einer Glühlampe, einem reflektierenden Blech oder dem Lichtkegel einer Taschenlampe unterscheidet.

Die Flackerfrequenz ist eine weitere Achse der Unterscheidung. Eine offene Flamme flackert in einem Bereich, der bei den meisten organischen Bränden zwischen einigen wenigen und etwa fünfzehn Hertz liegt. Diese Frequenz lässt sich aus einer Bildfolge mit hinreichender Bildwiederholrate extrahieren. Künstliche Lichtquellen flackern entweder gar nicht oder in einer Frequenz, die durch das Stromnetz vorgegeben ist und sich deutlich von der natürlichen Flackerfrequenz einer Flamme abhebt. Wer beide Signale gemeinsam auswertet, das Spektrum und die Frequenz, kommt zu einer Klassifikation, die in der Praxis robust gegen die häufigsten Falschauslöser ist.

Hinzu kommt die geometrische Beobachtung. Eine Flamme hat keine feste Außenkontur. Sie verformt sich in einer Art, die ein Modell als Flamme erkennt, weil die Verformung selbst Teil der gelernten Signatur ist. Ein Sonnenreflex auf einer Glasfläche verändert seine Form, wenn die Sonne wandert, aber er verändert sie nicht in der Geschwindigkeit und im Muster einer Flamme. Diese Differenz ist für einen Menschen intuitiv, für ein Modell wird sie zur expliziten Klassifikationsgröße.

Vergleich mit klassischer IR-Sensorik

Die klassische Infrarotsensorik in der Brandschutztechnik arbeitet entweder als Punktmelder oder als linearer Detektor. Punktmelder erfassen die Strahlung eines definierten Sichtfeldes, lineare Detektoren prüfen eine Strahlachse zwischen Sender und Empfänger. Beide Bauformen haben sich in der Industrie bewährt, sie sind durch VdS, durch den BSI in seinen IT-Grundschutzempfehlungen für Rechenzentren und durch eine ganze Reihe von Versicherungsleitlinien anerkannt. Sie sind aber auch durch zwei Eigenschaften begrenzt, die in modernen Anwendungen zunehmend stören.

Die erste Begrenzung ist die räumliche Auflösung. Ein klassischer IR-Flammenmelder meldet, dass im Sichtfeld eine Flamme aufgetreten ist. Er meldet nicht, wo im Sichtfeld. In einer dreißig Meter langen Halle mit zwanzig Lagerregalen bedeutet diese Information, dass das Sicherheitspersonal eine Fläche absuchen muss, deren Größe die Reaktionszeit erheblich verlängert. KI-gestützte Kameras liefern eine Lokalisation auf Pixelebene. Die Information lautet nicht mehr, dass es brennt, sondern wo es brennt, in welchem Regal, in welcher Höhe, an welcher Wand. Diese Lokalisation ist die Voraussetzung für eine gezielte Reaktion, die nicht mehr als Suche organisiert ist, sondern als direkter Anlauf.

Die zweite Begrenzung ist die Inflexibilität in der Konfiguration. Ein IR-Flammenmelder hat einen festen Schwellwert, eine feste Empfindlichkeit und eine feste Sichtwinkelcharakteristik. Wer ihn an eine neue Umgebung anpassen will, muss ihn ersetzen oder hardwareseitig nachjustieren. Eine KI-gestützte Kamera arbeitet mit Modellen, die sich auf neue Bedingungen einstellen lassen, ohne dass die Hardware getauscht wird. Eine Halle, in der saisonal mit unterschiedlichen Lagerprofilen gearbeitet wird, ein Außenbereich mit wechselnden Lichtverhältnissen, eine Baustelle mit fortschreitendem Bauzustand. In allen diesen Fällen passt sich die Software an, während die Sensorik stehen bleibt.

Boswau + Knauer empfiehlt diese Verschiebung nicht als Ersatz, sondern als Ergänzung. In hochsensiblen Bereichen, in denen die klassische Sensorik durch ihre einfache Funktionsweise eine prüfungsfähige Grundlage bildet, bleiben Punkt- und Liniendetektoren Teil des Gesamtkonzepts. Die KI-gestützte Kamera setzt sich darüber, als zweite Schicht, die früher meldet und genauer lokalisiert. Diese Mehrschichtigkeit ist die Architektur, die in der Brandschutzpraxis trägt. Eine einzige Erkennungstechnologie ist immer angreifbar. Zwei oder drei voneinander unabhängige Technologien, die im selben Vorgang anschlagen, bilden eine Aussage, die im Versicherungsfall und im behördlichen Verfahren standhält.

Das Frühwarnfenster und seine Ökonomie

Das entscheidende Argument für KI-gestützte Flammenerkennung ist nicht ihre technische Eleganz, sondern das Zeitfenster, das sie öffnet. Zwischen dem ersten Auftreten einer offenen Flamme und der Detektion durch einen klassischen Rauchmelder liegt in den meisten Anwendungen ein Zeitraum, der je nach Raumgeometrie, Belüftung und Brandlast zwischen wenigen zehn Sekunden und mehreren Minuten variieren kann. Eine KI-gestützte Kamera kann eine offene Flamme typischerweise innerhalb weniger Sekunden nach ihrem Auftreten klassifizieren, vorausgesetzt die Flamme befindet sich im Sichtfeld und die Lichtverhältnisse erlauben eine sichere Auswertung.

Dieser Vorsprung von Minuten klingt in der Beschreibung unspektakulär. In der Schadensökonomie ist er der Unterschied zwischen einem gelöschten Entstehungsbrand und einem ausgebrannten Lagerbereich. Die Brandlast in modernen Logistikhallen wächst exponentiell mit der Zeit. Eine Flamme, die nach zwei Minuten erkannt wird, ist in den meisten Fällen mit einem Handfeuerlöscher zu bekämpfen. Eine Flamme, die nach acht Minuten erkannt wird, hat sich bereits in eine Lage entwickelt, in der die Feuerwehr alarmiert, eingerückt und mit erheblicher Wassermenge arbeitet. Der Unterschied im finanziellen Endschaden bewegt sich nicht in einer Verdoppelung, sondern in mehreren Größenordnungen.

Die BG BAU, der GDV und die einschlägigen Brandschutzverbände dokumentieren seit Jahren, dass die mittlere Schadenssumme bei Bränden in industriellen und gewerblichen Liegenschaften kontinuierlich steigt. Die Gründe sind bekannt. Wertdichtere Lager, komplexere Produktionsketten, höhere Anteile an Elektronik, längere Wiederbeschaffungszeiten. Wer in diesem Umfeld die Detektionszeit halbieren oder dritteln kann, verändert die Schadenserwartung in einer Weise, die in der Versicherungskalkulation sichtbar wird. Erste Versicherer beginnen, dokumentierte KI-Frühwarnsysteme als prämienrelevant zu bewerten, allerdings noch nicht flächendeckend und nicht in standardisierter Form. Diese Entwicklung wird sich im Markt fortsetzen, weil sie auf einer einfachen Beobachtung beruht: was den Schaden reduziert, reduziert die Prämie.

Wo das System klassische Melder nicht ersetzt

Die nüchterne Position eines Herstellers verlangt, auch die Grenzen der eigenen Technologie zu benennen. KI-gestützte Flammenerkennung ist eine Sichtlinientechnologie. Sie funktioniert dort, wo die Kamera die Flamme sehen kann. Sie funktioniert nicht in verdeckten Bereichen, nicht in geschlossenen Schaltschränken, nicht in Hohlräumen hinter Verkleidungen, nicht in Zwischendecken. In diesen Bereichen bleibt der Rauchmelder, der Wärmemelder oder die Linienmelder das Mittel der Wahl. Wer KI-Kameras als Universallösung verkauft, verkauft ein Versprechen, das die Physik nicht hält.

Hinzu kommt die Frage des schwelenden Brandes. Ein Brand, der über längere Zeit ohne sichtbare Flamme schwelt, etwa in einer überhitzten Kabelisolierung oder in einer beginnenden Selbstentzündung organischer Stoffe, erzeugt Rauch, bevor er Flamme erzeugt. In diesem Fall ist der Rauchmelder im Vorteil, und die Kamera kommt erst zum Tragen, wenn die offene Verbrennung einsetzt. Eine seriöse Architektur des Brandschutzes nutzt deshalb beide Detektionsprinzipien parallel. Die Kamera für den schnellen Flammenbrand, der Rauchmelder für den langsamen Schwelbrand. Beide Welten ergänzen sich, sie schließen sich nicht aus.

Eine weitere Grenze liegt in den Umgebungsbedingungen. Starker Nebel, dichter Staub, intensiver Wasserdampf oder direkte Sonneneinstrahlung in das Kameraobjektiv können die Detektionsleistung beeinträchtigen. Eine professionelle Installation berücksichtigt diese Bedingungen in der Standortwahl der Kameras und in der Modellkonfiguration. Wer eine Kamera in eine staubige Schleifhalle hängt, ohne die Staubcharakteristik in das Training einfließen zu lassen, erntet Fehlalarme. Wer dieselbe Kamera mit einem auf die Halle abgestimmten Modell betreibt, erntet eine zuverlässige Detektion. Die Differenz liegt nicht in der Hardware, sondern in der Sorgfalt der Inbetriebnahme.

In der TÜV-Begleitung und in den VdS-anerkannten Brandmeldekonzepten ist KI-gestützte Flammenerkennung heute noch nicht durchgängig als alleinige Detektionstechnologie zugelassen. Sie ist als ergänzende Ebene anerkannt und gewinnt in der normativen Behandlung an Bedeutung. Wer ein Konzept aufbaut, das in der Abnahme bestehen soll, plant die KI-Erkennung deshalb als Zusatz, nicht als Ersatz der zertifizierten Grundsicherung.

Trainingsdaten, Falschalarmlogik und die Frage des Vertrauens

Die Qualität einer KI-gestützten Flammenerkennung entscheidet sich an den Daten, mit denen das Modell trainiert wurde. Ein Modell, das auf saubere Laborflammen trainiert wurde, erkennt Laborflammen. In einer realen Industrieumgebung, in der Funken, Schweißlichter, reflektierende Oberflächen und mobile Lichtquellen das visuelle Rauschen erzeugen, scheitert ein solches Modell. Die Datenbasis muss die Verwechslungspartner enthalten, gegen die das Modell bestehen soll. Sie muss Schweißarbeiten enthalten, Schleiffunken, Sonnenreflexionen, Fahrzeugscheinwerfer, Warnleuchten, Lagerfeuerszenen aus Außenbereichen, künstliche Beleuchtung in Hallen.

Boswau + Knauer hat diese Datenbasis über mehrere Jahre aufgebaut, in Zusammenarbeit mit Pilotkunden, die Aufzeichnungen aus ihren Standorten zur Verfügung gestellt haben. Diese Aufzeichnungen werden in einem dokumentierten Verfahren annotiert, in den Trainingsprozess eingespeist und gegen Validierungsdatensätze geprüft, die nicht im Training enthalten waren. Aus dieser Praxis ist eine Modellgeneration entstanden, deren Falschalarmrate in den überwachten Anwendungen in einem Bereich liegt, der im operativen Betrieb tragbar ist. Konkrete Zahlen variieren mit dem Standort, der Bildqualität und der Modellkonfiguration. Eine seriöse Angabe ist nur im konkreten Anwendungsfall möglich, nicht in der allgemeinen Werbeaussage.

Zur Falschalarmlogik gehört außerdem die Mehrkanalprüfung. Eine Klassifikation als Flamme löst in einer professionell konfigurierten Anlage nicht sofort eine Räumung oder eine automatische Löschauslösung aus. Sie löst eine Vorprüfung aus, in der die Kamera selbst über mehrere aufeinanderfolgende Bilder bestätigt, dass die Detektion stabil ist, dass die Frequenzcharakteristik passt, dass die räumliche Ausdehnung mit einer realen Flamme vereinbar ist. Erst wenn diese Prüfung positiv ausgeht, geht die Meldung an den Operator oder in die Leitstelle. Die menschliche Verifikation bleibt als Stufe erhalten, vor allem dort, wo automatische Folgeaktionen ausgelöst werden könnten, die im Falle eines Irrtums einen eigenen Schaden verursachen.

Dieses architektonische Prinzip, das Boswau + Knauer in seinem Buch zur Sicherheitstechnologie als kontrollierte Autonomie beschreibt, gilt für die Flammenerkennung in besonderer Weise. Eine automatische Sprinkleranlage, die durch einen Falschalarm ausgelöst wird, kann einen Wasserschaden verursachen, der den vermiedenen Brandschaden übersteigt. Wer die Auslösung an die KI-Klassifikation koppelt, ohne eine zweite Bestätigungsebene vorzusehen, baut ein System, das im ersten Vorfall versagt, durch Überreaktion statt durch Untätigkeit.

Integration in bestehende Brandmeldeanlagen

Die Frage, wie KI-gestützte Flammenerkennung in eine bestehende Brandmeldeanlage eingebunden wird, ist in der Praxis oft die entscheidende Hürde. Eine zertifizierte Brandmeldeanlage hat klare normative Vorgaben, sie unterliegt der Wartungspflicht, sie ist mit der Feuerwehr verschaltet, und sie ist in den Verträgen mit Versicherern, Mietern und Aufsichtsbehörden verankert. Eine neue Detektionsebene in dieses Gefüge einzubauen, verlangt Sorgfalt.

Der saubere Weg führt über eine getrennte Ebene, die als Frühwarnsystem deklariert ist und die in den ersten Stufen ihrer Meldung nicht in die zertifizierte Brandmeldeanlage eingreift, sondern parallel zu ihr läuft. Eine Detektion durch die Kamera löst eine Meldung an den Operator oder an einen technischen Verantwortlichen aus, der die Lage prüft und gegebenenfalls die manuelle Auslösung der zertifizierten Anlage einleitet oder die Feuerwehr direkt informiert. In dieser Konstruktion bleibt die normative Sicherheit der Brandmeldeanlage unangetastet, während die KI-Erkennung ihren Geschwindigkeitsvorteil ausspielen kann.

In einer zweiten Ausbaustufe lässt sich die KI-Erkennung als zertifizierte Komponente in das Gesamtkonzept einbinden, sofern die Anlage und das Modell die normativen Anforderungen erfüllen und in einem entsprechenden Verfahren geprüft werden. Diese Stufe ist im Markt heute noch die Ausnahme, sie wird sich in den nächsten Jahren ausweiten, weil die normativen Gremien beginnen, KI-Komponenten in ihre Regelwerke aufzunehmen. Wer heute investiert, sollte mit dem Hersteller klären, in welchem Tempo dessen Modelle in die normative Anerkennung gebracht werden, und wie die vorhandene Hardware bei einer Anerkennung weiter verwendet werden kann.

Die Schnittstellen zur bestehenden Anlage sind in der Regel standardisiert. Trockenkontakte, Bus-Schnittstellen, Netzwerkprotokolle. Boswau + Knauer arbeitet mit offenen Schnittstellen, die eine Integration in die führenden Brandmeldesysteme erlauben, ohne dass der Kunde an einen einzelnen Anbieter gebunden wird. Diese Offenheit ist im Brandschutz besonders wichtig, weil die Lebensdauer einer Brandmeldeanlage typischerweise zwei Jahrzehnte überschreitet und in dieser Zeit mehrere Generationen ergänzender Technologie kommen und gehen.

Was bleibt

Flammenerkennung mit KI-Kameras ist keine Ablösung des klassischen Brandschutzes. Sie ist seine Vorlagerung in einen Zeitraum, in dem klassische Sensorik systembedingt nichts sehen kann. Wer diese Vorlagerung sauber in eine bestehende Architektur einbaut, verschiebt die Schadenserwartung in einer Weise, die in der Bilanz sichtbar wird, ohne die zertifizierte Grundsicherung anzutasten. Wer sie als Ersatz verkauft, baut ein Versprechen, das die Physik nicht hält. Beide Positionen sind im Markt zu finden. Die seriöse ist die erste.

Boswau + Knauer empfiehlt Unternehmen, die ihre Brandfrüherkennung neu bewerten wollen, einen strukturierten Einstieg. Das vertrauliche Gespräch von sechzig Minuten klärt, ob die eigenen Standorte überhaupt für KI-gestützte Flammenerkennung geeignet sind, an welchen Stellen sie den größten Hebel hätte, und welche Vorarbeiten in der vorhandenen Infrastruktur sinnvoll sind. Aus diesem Gespräch ergibt sich entweder ein klarer nächster Schritt oder die Erkenntnis, dass die vorhandene Architektur für den Moment trägt. Beides ist ein Ergebnis. Die ausführliche Darstellung der drei Wege findet sich im Buch BOSWAU + KNAUER, Vom Bau zur Sicherheitstechnologie, in dem auch die zugrundeliegende Plattformlogik im Detail beschrieben ist.

Die nächste Generation der Brandfrüherkennung wird sich nicht durch lautere Werbung durchsetzen, sondern durch belegbare Vorfälle, in denen sie früher gemeldet hat als das, was vorher im Einsatz war. Diese Belege entstehen in den nächsten Jahren in den Standorten derjenigen, die jetzt beginnen.

Häufige Fragen

Wie schnell erkennt eine KI-Kamera Flammen?

Unter geeigneten Bedingungen, in denen die Flamme im Sichtfeld liegt und die Lichtverhältnisse eine saubere Auswertung erlauben, klassifiziert ein gut konfiguriertes Modell eine offene Flamme typischerweise innerhalb weniger Sekunden nach ihrem Auftreten. Dazu addiert sich eine kurze Bestätigungsphase, in der die Detektion über mehrere Bilder stabilisiert wird, um Fehlalarme zu vermeiden. Im operativen Ergebnis liegt das Frühwarnfenster meist im Bereich von wenigen Sekunden bis unter einer Minute, deutlich vor einer rauchbasierten Detektion in vergleichbaren Räumen.

Welche Falschalarmquote ist realistisch?

Eine seriöse Angabe ist nur im konkreten Anwendungsfall möglich, weil die Falschalarmquote von Standort, Beleuchtung, Bewegungsmustern und Modellkonfiguration abhängt. In gut eingerichteten Anwendungen mit auf den Standort abgestimmten Modellen und Mehrkanalprüfung lässt sich die Quote in einen Bereich bringen, der im operativen Betrieb tragbar ist und die Aufmerksamkeit der Operatoren nicht abstumpft. Standorte mit hoher visueller Komplexität, etwa Schweißbetriebe oder Bereiche mit starker Sonneneinstrahlung, verlangen eine aufwendigere Einrichtung als gleichmäßig beleuchtete Lagerhallen.

Kann das System klassische Melder ersetzen?

Nein, und genau diese Ehrlichkeit gehört zur seriösen Bewertung. KI-gestützte Flammenerkennung ist eine Sichtlinientechnologie. Sie erfasst keine verdeckten Bereiche, keine Hohlräume, keine geschlossenen Schaltschränke, und sie sieht einen Schwelbrand erst, wenn er in eine offene Flamme übergeht. Sie ergänzt die klassische Brandmeldeanlage als zusätzliche, schnellere Detektionsebene, ersetzt sie aber nicht. Wer eine zertifizierte Anlage betreibt, behält sie und baut die KI-Erkennung darüber. Die Mehrschichtigkeit ist die Architektur, die normativ und versicherungstechnisch trägt.

Welche Versicherer akzeptieren es?

Eine pauschale Liste existiert nicht, weil die Bewertung individuell durch die jeweilige Risikoabteilung erfolgt und sich der Markt in dieser Frage bewegt. Erste Versicherer berücksichtigen dokumentierte KI-Frühwarnsysteme bereits in der Risikoeinstufung, andere fordern weiterhin ausschließlich VdS-zertifizierte Komponenten als Grundlage der Prämienberechnung. Der pragmatische Weg führt über die direkte Abstimmung mit dem eigenen Versicherer, idealerweise begleitet durch eine technische Dokumentation des Herstellers, die Erkennungsleistung, Falschalarmlogik und Wartungskonzept transparent darstellt. In dieser Form ist die Akzeptanz in den letzten Jahren spürbar gewachsen.