En Raspberry Pi 4 med 4 GB RAM kan tælle mennesker gennem en dør i realtid uden problemer. Det ved enhver, der har prøvet. Det, der vælter projekter, er ikke hardwaren — det er antagelsen om, at en tællesensor og en push-besked er det samme som et pålideligt belægningssystem. En prototype, der viser "23 personer i lokalet" på et dashboard i weekenden, er noget helt andet end et system, som en facility manager tør basere ventilation eller adgangsbeslutninger på mandag morgen.
Denne guide handler om at bygge belægningsalarmer på Raspberry Pi, der faktisk holder — og om hvornår du bør erstatte din egen kode med et produkt, der allerede har løst de svære dele.
De fleste DIY-projekter starter med en PIR-sensor. Det er en fejl til belægningstælling. PIR registrerer bevægelse, ikke tilstedeværelse — sidder folk stille ved skriveborde, forsvinder de fra din optælling. Til reelle alarmer skal du vælge mellem:
Kameraløsninger giver den højeste præcision, men koster mest i beregningskraft. En Raspberry Pi kan køre lette modeller, men til reel AI-tælling ved høj trafik er en Pi ofte underdimensioneret — du ender med billeddropping i myldretiden, præcis når tallene betyder mest.
Her er den detalje, mange springer over. Et hjemmebygget system, der rammer 90 % under gode forhold, driver hurtigt bort fra det sande tal, fordi små fejl akkumulerer. Tæller du én person for meget hvert tiende minut, står dit dashboard 40 personer forkert ved fyraften.
Til sammenligning arbejder Vemcos sensorer med en kontraktlig minimumsnøjagtighed på 96 %, og typisk 98–99 % når forholdene — belysning, layout og besøgsadfærd — tillader det. Bemærk formuleringen: ingen seriøs leverandør bør garantere et fast 99 % uafhængigt af miljøet. Dårlig baggrundsbelysning, folk der går tæt sammen gennem en dør, og reflekterende gulve trækker alle nedad. Vil du selv nærme dig det niveau, skal du planlægge kalibrering per installation, ikke per model.
Selve alarmen er den enkleste del, og alligevel den, der oftest generer irriterede beskeder. Strukturér den sådan:
En praktisk detalje, som først bider dig efter go-live: ekskludér personale. Rengøringspersonale, der går ind kl. 05, og teknikere, der arbejder efter lukketid, forurener både dine alarmer og dine udnyttelsesrapporter. Vemco løser det med staff exclusion i sensorlaget; bygger du selv, skal du håndtere det med tidsvinduer eller badge-korrelation — og det er sværere, end det lyder.
Den egentlige gevinst ligger sjældent i selve alarmen. Den ligger i at koble belægningstallet til noget, der forbruger energi. Et lokale, der står tomt fra 14 til 17, behøver ikke fuld ventilation og køling. Det er her, always-on-systemer brænder budget af hver eneste dag.
Med en Raspberry Pi eksponerer du typisk tallet via BACnet/IP eller Modbus, så dit BMS kan reagere. Det virker, men du vedligeholder selv hver protokoladapter, hver firmware-opdatering og hvert netværkssegment. Det er præcis den lim, VemFusion er bygget til at fjerne — den forbinder belægningsdata direkte til HVAC, BMS og sikkerhedssystemer, mens VemSpace tager de samme tal og omsætter dem til pladsudnyttelse og facility-optimering. Kontor, universitet eller offentlig bygning — mønstret er det samme: dataen skal ud af sensoren og ind i en beslutning, ellers er den kun et tal på en skærm.
En Raspberry Pi-opsætning er fremragende til et enkelt lokale, en proof-of-concept eller et sted, hvor et par procents afvigelse ikke koster noget. Regnestykket ændrer sig, når du skalerer.
Vemco har arbejdet med real-time belægning siden 2005, og den erfaring ligger primært i kanttilfældene: det lokale med modlys, den dør folk holder åben, den weekend hvor tælleren driver. Det er dem, du ikke ser i en demo, men som afgør, om systemet stadig er troværdigt efter tre måneder.
Bygger du en prototype på Raspberry Pi og overvejer, hvordan den skalerer til hele bygningen med dokumenteret nøjagtighed og direkte HVAC- og BMS-integration? Kontakt