Анотація обмежувальної рамки інструментів для взаємодії з землею (GET)
Компанія Shaip щомісяця надавала 40 000 анотацій обмежувальних рамок для 15 класів інструментів для взаємодії з землею — зубів ковша, адаптерів, кожухів, кожухів кромок — на зображеннях ковша екскаватора, розрізняючи внутрішні та зовнішні поверхні в польових умовах бруду, сміття, розмиття руху та слабкого освітлення з точністю понад 99% у форматі KITTI 1.0 протягом 12-місячного контракту на моніторинг зносу зі штучним інтелектом.
Огляд проекту
Оскільки прогнозне технічне обслуговування та моніторинг зносу перейшли у штучний інтелект для важкої техніки, клієнту знадобився специфічний для предметної області конвеєр анотацій, здатний виявляти та маркувати інструменти для взаємодії з землею (GET) на ковшах екскаватора на шумних, брудних зображеннях реального поля.
Shaip створив комплексний конвеєр анотацій, що охоплює розміщення обмежувальних рамок у 15 класах GET, обробку крайових випадків за золотим правилом, дворівневу перевірку якості та щотижневу доставку KITTI 1.0 — підтримуючи 12-місячний каденс виробництва 40 тис. зображень на місяць з точністю 99%.
Ключовий статус
Зображення на місяць
40,000
GET-класи
15
Поріг точності
99%
Щотижнева доставка
10,000
Виклики
- Анотування 40,000 зображень на місяць з 9–10 обмежувальних рамок в середньому на одне зображення
- Обробка 15 різних GET-класів з диференціацією внутрішнього та зовнішнього обличчя
- Працювати з зображення польового рівня — бруд, сміття, розмиття рухів, погане освітлення та складні ракурси
- Підтримка Точність анотацій понад 99% під тиском великих обсягів щотижневих поставок
- Експорт у Формат KITTI 1.0 готовий до прямої інтеграції з навчанням моделей
Рішення
Схема GET та диференціація класів
Шайп налаштував онтологію GET з 15 класів, що охоплює як внутрішні, так і зовнішні вигляди корзини. Анотатори були навчені розрізняти внутрішні та зовнішні грані кожного компонента — специфічне для предметної області розмежування, критично важливе для точності моніторингу зносу на наступних етапах.
Золоті правила польової зйомки
Анотатори дотримувалися суворих золотих правил для збереження цілісності даних. Анотації не створювалися там, де компоненти не були чітко видимими. GET-запити, покриті більш ніж 50% сміття, пропускалися. Розмиті або темні компоненти виключалися. Класи губ позначалися лише тоді, коли було видно 100% об'єкта. Масштаб використовувався лише для навігації, а не для рішень щодо маркування.
Бібліотека навчання з периферійних випадків
Було задокументовано чотирнадцять детальних тематичних досліджень для навчання анотаторів поширеним граничним випадкам — частково перекриті GET-випадки, рухомі відра, темний фон та неоднозначність меж між суміжними компонентами. Ця бібліотека зробила рекомендації щодо анотацій одними з найповніших у галузі штучного інтелекту важкого обладнання.
Дворівневий контроль якості та 99% точність гейту
Після анотації 1-го рівня всі зображення передавалися до спеціальної команди контролю якості для структурованого перегляду. Незначні помилки виправлялися з урахуванням зворотного зв'язку анотатора; значні помилки призводили до перепризначення зображень. Набори даних затверджувалися лише тоді, коли точність анотації досягала 99% або вище. Усі результати контролю якості реєструвалися у списку відстеження для повної прозорості.
Щотижнева доставка у форматі KITTI 1.0
Щотижневі цільові показники поставок суворо дотримувалися на рівні 1.0 000 зображень, усі з яких експортувалися у форматі KITTI 1.0 та були готові до прямої інтеграції з навчанням моделі. 12-місячний контракт підтримував цю частоту без жодних збоїв.
Обсяг проекту
| Тип набору даних | Щомісячний обсяг | Класи | Середні поля / зображення | сформований | Контракт |
|---|---|---|---|---|---|
| ОТРИМАЙТЕ анотацію обмежувальної рамки | Зображення 40,000 | 15 курсів GET | 9-10 коробки | КІТТІ 1.0 | 12 місяців |
Результати
- Створений a 12-місячний конвеєр, 40 тис. зображень на місяць для виявлення зносу важкого обладнання зі штучним інтелектом
- Стандартизований 15 курсів GET з внутрішньою/зовнішньою диференціацією обличчя
- Підтримував Ворота з точністю понад 99% для кожної партії під щотижневим тиском поставок
- Побудований а Бібліотека граничних випадків з 14 тематичними дослідженнями для навчання та адаптації анотаторів
- Доставлений Виходи формату KITTI 1.0 готовий до прямої інтеграції з навчанням моделей
Загалом, Shaip допоміг перетворити вимогу до виявлення GET польового рівня на структурований, готовий до виробництва конвеєр анотацій, здатний підтримувати моніторинг зносу, прогнозне обслуговування та ініціативи штучного інтелекту для будівельного обладнання з узгодженістю, відстежуваністю та реалістичною точністю.
Shaip впорався з найбруднішими зображеннями, які у нас були — бруд, уламки, розмиття руху, всякі роботи — і все одно забезпечив точність понад 99% з 12-місячною щотижневою частотою постачання. Їхні результати KITTI 1.0 одразу ж були використані для навчання моделі.
