README.md

🚆 Bahngleiserfassung – Video Frame Analyzer (Streamlit + HF + Ontologie)

Kurzerklärung: Dieses Projekt extrahiert Videoframes (Bahnsteigkamera) und bewertet die Szene ontologie-basiert – z. B. „Person befindet sich im Gleis“ ⇒ kritische Meldung.
Die Bewertung ist erklärbar (Regeln + RDF-artige Tripel).

📘 Detailseite (Extra-Tab): Ontologie & Regeln – Deep Dive

---

🧭 Inhalt

• 🚆 Bahngleiserfassung – Video Frame Analyzer (Streamlit + HF + Ontologie)
  • 🧭 Inhalt
  • ✨ Features
  • 🏗️ Projektstruktur
  • 🚀 Schnellstart
  • ⚙️ Konfiguration
  • 🖥️ Nutzung
  • 🧠 Was ist eine Ontologie?
  • 🧪 Tests & Tripel-Export
  • 🛡️ Sicherheit (Secrets)
  • 🧰 Troubleshooting
  • 📄 Lizenz
  • 🔌 Integration
  • 🧩 Erweiterung

---

✨ Features

• 📼 Video-Upload (MP4/AVI/MOV/MKV), auto-Frame-Extraktion
• 🤖 HF-Modelle (Vision/Language) zur Szeneninterpretation
• 🧩 Ontologie-Bewertung (Regeln wie befindetSichIn(Gleis))
• 🧾 Erklärungen (welche Regeln ausgelöst haben)
• 🧷 Tripel-Export (Turtle-ähnlich) zur Weiterverarbeitung

---

🏗️ Projektstruktur

.
├─ app.py                      # Streamlit-App (UI ohne Freitext-Prompts)
├─ ontology\_eval.py            # Regeln + Ontologie-Tripel-Export
├─ test\_ontology\_triples.py    # Mini-Test + Turtle-Ausgabe
├─ detect\_person\_on\_tracks.py  # Beispiel-Analyse (einbinden/erweitern)
├─ requirements.txt
├─ settings.json.example
├─ .env.example
└─ docs/
└─ ONTOLOGIE.md             # Detaildoku (Extra-Tab)

---

🚀 Schnellstart

python -m venv venv
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

python -m pip install --upgrade pip setuptools wheel
pip install -r requirements.txt

---

⚙️ Konfiguration

Hugging Face Token (nicht committen):

# Windows (Session)
$env:HF_TOKEN="hf_xxx_dein_token"
# Optional dauerhaft:
setx HF_TOKEN "hf_xxx_dein_token"

Optionale App-Settings:

cp settings.json.example settings.json

---

🖥️ Nutzung

streamlit run app.py

• 📤 Video hochladen → Analyse startet automatisch (keine Freitext-Prompts).

• 🧯 Ergebnis als Meldung mit Icon:

  • ✅ NONE / 🟢 LOW / 🟠 MEDIUM / ⚠️ HIGH / 🚨 CRITICAL

• 🔗 Button „Details im neuen Fenster“ öffnet die Ergebnisansicht in neuem Tab.

---

🧠 Was ist eine Ontologie?

Eine Ontologie beschreibt die Domäne formal (Klassen/Beziehungen/Eigenschaften), z. B.:

• Klassen: Person, Gleis, Bahnsteig, Zug, Gefahr, Sensor, Videoüberwachung, Alarmsystem, Maßnahme, Ereignis, Objekt
• Objekt-Properties: befindetSichIn, erkennt, stehtAuf, beobachtet, überwacht, löstAus, führtZu, meldet
• Daten-Properties: hatKonfidenz (xsd:float), hatZeitstempel (xsd:dateTime), hatPosition (xsd:string), hatBeschreibung (xsd:string)

So wird aus ML-Signalen bedeutungsvolle Logik: „Person im Gleis“ ⇒ Gefahr ⇒ Alarm ⇒ Maßnahme.

🔎 Mehr Details inkl. Regeln (R1–R6) und Turtle-Beispielen: docs/ONTOLOGIE.md

---

🧪 Tests & Tripel-Export

Schneller Test der Bewertung & Tripel:

python test_ontology_triples.py

Ausgabe: Severity/Score/Labels/Erklärungen + Turtle-Tripel.

---

🛡️ Sicherheit (Secrets)

• Keine Tokens/Passwörter in Code/Repo einchecken.
• .env ist ignoriert (.gitignore).
• Bei Leak: Token sofort revoken/rotieren (HF-Settings).

---

🧰 Troubleshooting

• ❗ Kein HF_TOKEN gefunden → Token setzen (s. o.).
• 🧩 FFmpeg fehlt → installieren und zum PATH hinzufügen (für robuste Video-Extraktion).
• 🔁 Zeilenende-Warnungen (CRLF/LF) → harmlos; ggf. git config --global core.autocrlf true.

---

📄 Lizenz

tbd (z. B. MIT)

---

### `docs/ONTOLOGIE.md`

```markdown
# 📘 Ontologie & Regeln – Deep Dive

Diese Seite beschreibt die Ontologie, das Regelwerk und die erzeugten Tripel.

## 🧠 Ontologie (Auszug)
**Klassen:** `Person`, `Gleis`, `Bahnsteig`, `Zug`, `Gefahr`, `Sensor`, `Videoüberwachung`, `Alarmsystem`, `Maßnahme`, `Ereignis`, `Objekt`  
**Objekt-Properties:** `befindetSichIn`, `erkennt`, `überwacht`, `beobachtet`, `stehtAuf`, `löstAus`, `führtZu`, `meldet`  
**Daten-Properties:** `hatKonfidenz (xsd:float)`, `hatZeitstempel (xsd:dateTime)`, `hatPosition (xsd:string)`, `hatBeschreibung (xsd:string)`

## ⚖️ Bewertungslogik (R1–R6)
- **R1 – Person im Gleis** → `CRITICAL`  
  `on_track_person ≥ Schwelle` ⇒ Tripel: `ex:person ex:befindetSichIn ex:gleis`
- **R2 – Nahe Kante + Zug** → `HIGH`  
  `distance_to_edge ≤ 0.5m` ∧ `train_approaching ≥ Schwelle`
- **R3 – Gestürzte Person nahe Kante/auf Gleis** → `HIGH/CRITICAL`
- **R4 – Objekt im Gleis** → `MEDIUM`
- **R5 – Rauch/Feuer** → `HIGH`
- **R6 – Menschenmenge im Gleisbereich** → `CRITICAL`

**Recall-Bias:** Standard-Schwelle `0.35` (Sicherheitsdomäne → lieber einmal zu viel melden).

## 🧾 Tripel-Export (Turtle-ähnlich)
Beispielauszug:
```turtle
ex:person42 rdf:type ex:Person .
ex:gleis_3   rdf:type ex:Gleis .
ex:person42  ex:befindetSichIn ex:gleis_3 .
ex:gef1      rdf:type ex:Gefahr .
ex:gef1      ex:löstAus ex:alarm_4711 .
ex:alarm_4711 ex:führtZu ex:massnahme_stop .
ex:event_utc ex:hatZeitstempel "2025-09-06T14:32:10Z"^^xsd:dateTime .

🔌 Integration

Im Code (Beispiel):

from ontology_eval import Observation, evaluate, OntologyContext, decision_to_triples, triples_to_turtle

obs = Observation(on_track_person=0.88, distance_to_edge_m=0.3, train_approaching=0.9)
dec = evaluate(obs)

ctx = OntologyContext(person_id="person42", track_id="gleis_3", platform_id="bahnsteig_3")
print(triples_to_turtle(decision_to_triples(dec, obs, ctx)))

🧩 Erweiterung

• Neue Klassen/Properties ergänzen (z. B. Kinderwagen, Warnweste)
• Weitere Regeln (z. B. „Sperrbereich aktiv“ ⇒ höhere Schwere)
• Export als TTL/JSON-LD/CSV für Downstream-Systeme

test