Аннотирование ограничивающей рамки для инструментов геофизического воздействия (GET).
Компания Shaip ежемесячно предоставляла 40 000 аннотаций ограничивающих рамок для 15 классов наземных инструментов — зубья ковша, адаптеры, кожухи, кромочные кожухи — на изображениях ковшей экскаватора-погрузчика, различая внутренние и внешние поверхности в полевых условиях: грязь, мусор, размытие от движения и низкая освещенность, с точностью более 99% в формате KITTI 1.0, в рамках 12-месячного контракта на мониторинг износа с использованием искусственного интеллекта.
Обзор проекта
По мере того, как прогнозирование технического обслуживания и мониторинг износа стали применяться в системах искусственного интеллекта для тяжелой техники, клиенту потребовался специализированный конвейер аннотирования, способный обнаруживать и маркировать навесное оборудование (GET) на ковшах экскаваторов-погрузчиков на зашумленных, загрязненных изображениях реальных полевых условий.
Компания Shaip разработала комплексный конвейер аннотирования, охватывающий размещение ограничивающих рамок для 15 классов GET, обработку граничных случаев в соответствии с золотым правилом, двухуровневый контроль качества и еженедельную поставку KITTI 1.0 — обеспечивая 12-месячный цикл производства, обрабатывая 40 000 изображений в месяц, с точностью 99%.
Ключевой статус
изображений в месяц
40,000
GET-классы
15
Порог точности
99%
Еженедельная доставка
10,000
Задачи
- Аннотирование 40,000 изображений в месяц с 9–10 ограничивающих прямоугольников в среднем на изображение
- Управляемость 15 различных классов GET с внутренней и внешней дифференциацией лица
- Работая с изображения полевого качества — грязь, мусор, размытие изображения из-за движения, плохое освещение и сложные ракурсы.
- Сохранение Точность аннотирования более 99%. под давлением высоких объемов еженедельных поставок
- Экспорт в формат KITTI 1.0 готов к прямой интеграции в обучение моделей.
Решение
Схема GET и дифференциация классов
Компания Shaip разработала онтологию GET из 15 классов, охватывающую как внутренние, так и внешние аспекты конструкции. Аннотаторы были обучены различать внутренние и внешние грани каждого компонента — специфическое для данной области различие, критически важное для точности последующего мониторинга износа.
Золотые правила полевой фотосъемки
Аннотаторы следовали строгим золотым правилам для обеспечения целостности данных. Аннотации не создавались там, где компоненты были плохо видны. GET-запросы, покрытые более чем 50% мусора, пропускались. Размытые или темные компоненты исключались. Классы губ маркировались только тогда, когда был виден весь объект. Масштабирование использовалось только для навигации, а не для принятия решений о маркировке.
Библиотека обучающих материалов по нестандартным ситуациям
Было задокументировано четырнадцать подробных примеров для обучения аннотаторов работе с распространенными граничными случаями — частично перекрытыми GET-объектами, движущимися сегментами, темным фоном и неоднозначностью границ между соседними компонентами. Эта библиотека сделала рекомендации по аннотированию одними из самых полных в области искусственного интеллекта для тяжелой техники.
Двухуровневая система контроля качества и проверка точности на уровне 99%.
После аннотирования первого уровня все изображения передавались в специальную группу контроля качества для структурированной проверки. Мелкие ошибки исправлялись с учетом отзывов аннотаторов; серьезные ошибки приводили к переназначению задачи по доработке. Наборы данных утверждались только тогда, когда точность аннотирования достигала 99% или выше. Все результаты контроля качества регистрировались в таблице отслеживания для обеспечения полной прозрачности.
Еженедельная доставка в формате KITTI 1.0
Еженедельные целевые показатели по предоставлению данных строго соблюдались и составляли 1.0 000 изображений, все экспортированные в формате KITTI 1.0 и готовые для непосредственной интеграции в обучение модели. В рамках 12-месячного контракта этот темп выполнения был соблюден без каких-либо сбоев.
Объем проекта
| Тип набора данных | Ежемесячный объем | Классы | Среднее значение ячеек / Изображение | Формат | контракт |
|---|---|---|---|---|---|
| Получить аннотацию ограничивающей рамки | 40,000 изображений | 15 занятий GET | 9–10 коробки | КИТТИ 1.0 | 12 месяцев. |
Результаты
- Создал 12-месячный конвейер обработки 40 000 изображений в месяц для обнаружения износа тяжелой техники с помощью ИИ
- Стандартизированный 15 занятий GET с внутренним/внешним различением лиц
- Поддерживал контроль точности 99%+ по каждой партии в условиях еженедельного давления со стороны поставщиков.
- Построен 14 примеров из практики: библиотека нестандартных ситуаций для обучения и адаптации аннотаторов
- Сдан Выходные данные в формате KITTI 1.0 готов к прямой интеграции в обучение моделей.
В целом, компания Shaip помогла преобразовать требования к обнаружению GET-данных в полевых условиях в структурированный, готовый к использованию конвейер аннотирования, способный поддерживать мониторинг износа, прогнозируемое техническое обслуживание и инициативы в области искусственного интеллекта для строительной техники, обеспечивая согласованность, отслеживаемость и точность, соответствующую реальным условиям эксплуатации.
Компания Shaip справилась с самыми сложными изображениями, которые у нас были — грязь, обломки, размытие от движения и всё такое — и всё же обеспечила точность более 99% при еженедельной доставке данных в течение 12 месяцев. Результаты их работы с KITTI 1.0 сразу же были использованы для обучения модели.
