Begrenzingskaderannotatie voor grondbewerkingsgereedschap (GET)
Shaip leverde maandelijks 40,000 bounding box-annotaties voor 15 categorieën grondbewerkingsgereedschap – baktanden, adapters, kappen en lipkappen – op beelden van graafbakken. Hierbij werden interne en externe vlakken onderscheiden onder realistische omstandigheden zoals vuil, puin, bewegingsonscherpte en weinig licht, met een nauwkeurigheid van meer dan 99% in KITTI 1.0-formaat, gedurende een AI-contract van 12 maanden voor slijtagebewaking.
project Overzicht
Naarmate voorspellend onderhoud en slijtagebewaking hun weg vonden naar AI voor zware machines, had de klant behoefte aan een domeinspecifieke annotatiepipeline die in staat was om grondbewerkingsgereedschap (GET's) op graafbakken te detecteren en te labelen in ruisrijke, vuile en realistische veldbeelden.
Shaip bouwde de complete annotatiepipeline, inclusief het plaatsen van bounding boxes in 15 GET-klassen, het afhandelen van uitzonderlijke gevallen volgens de gouden regel, kwaliteitscontrole op twee niveaus en de wekelijkse levering van KITTI 1.0. Dit ondersteunt een productiecyclus van 12 maanden met 40 afbeeldingen per maand en een nauwkeurigheidsdrempel van 99%.
Sleutelstatus
Afbeeldingen per maand
40,000
GET-lessen
15
Nauwkeurigheidsdrempel
99%
Wekelijkse levering
10,000
Challenges
- annoteren 40,000 afbeeldingen per maand with 9–10 begrenzingskaders per afbeelding gemiddeld
- Behandeling 15 verschillende GET-klassen met onderscheid tussen interne en externe gezichtscontouren
- Werken met veldkwaliteit beeldmateriaal — vuil, puin, bewegingsonscherpte, slechte belichting en lastige camerahoeken
- Het handhaven Annotatienauwkeurigheid van meer dan 99% onder hoge wekelijkse leveringsdruk
- Exporteren in KITTI 1.0-formaat klaar voor directe integratie in modeltraining
Het resultaat
GET-schema en klassedifferentiatie
Shaip heeft een GET-ontologie met 15 klassen geconfigureerd, die zowel interne als externe bucket-weergaven omvat. Annotatoren werden getraind om onderscheid te maken tussen de interne en externe zijden van elk component – een domeinspecifieke differentiatie die cruciaal is voor de nauwkeurigheid van de daaropvolgende slijtagemonitoring.
Gouden regels voor veldfotografie
De annotatoren volgden strikte gouden regels om de data-integriteit te waarborgen. Er werden geen annotaties gemaakt waar componenten niet duidelijk zichtbaar waren. GET's die voor meer dan 50% bedekt waren door objecten werden overgeslagen. Wazige of donkere componenten werden uitgesloten. Lipklassen werden alleen gelabeld wanneer 100% van het object zichtbaar was. Zoom werd alleen gebruikt voor navigatie, niet voor het bepalen van labels.
Trainingsbibliotheek voor grensgevallen
Veertien gedetailleerde casestudies werden gedocumenteerd om annotatoren te trainen op veelvoorkomende randgevallen, zoals gedeeltelijk verborgen GET's, bewegende emmers, donkere achtergronden en onduidelijke grenzen tussen aangrenzende componenten. Deze verzameling maakte de annotatierichtlijnen tot een van de meest uitgebreide in het domein van AI voor zware machines.
Kwaliteitsborging op twee niveaus en een nauwkeurigheidsgrens van 99%
Na de annotatie op niveau 1 werden alle afbeeldingen doorgestuurd naar een speciaal kwaliteitscontroleteam voor een gestructureerde beoordeling. Kleine fouten werden gecorrigeerd met feedback van de annotator; grote fouten leidden tot herwerk en hertoewijzing van de betreffende afbeelding. Datasets werden alleen goedgekeurd als de annotatienauwkeurigheid 99% of hoger was. Alle resultaten van de kwaliteitscontrole werden vastgelegd in een overzicht voor volledige transparantie.
Wekelijkse levering in KITTI 1.0-formaat
De wekelijkse leveringsdoelstellingen van 10,000 afbeeldingen werden strikt nageleefd. Alle afbeeldingen werden geëxporteerd in KITTI 1.0-formaat en waren direct klaar voor integratie in de modeltraining. Gedurende het 12-maandencontract werd dit tempo zonder vertraging gehandhaafd.
Project bereik
| Gegevenssettype | Maandelijks volume | Klassen | Gemiddelde dozen / afbeelding | Formaat | Contract |
|---|---|---|---|---|---|
| Haal de bounding box-annotatie op. | 40,000 beelden | 15 GET-lessen | 9–10 dozen | KITTI 1.0 | 12 maanden |
Resultaten
- Opgericht een Een pipeline van 12 maanden met 40 afbeeldingen per maand. AI voor slijtagedetectie van zwaar materieel
- Gestandaardiseerde 15 GET-lessen met interne/externe gezichtsdifferentiatie
- Onderhouden een Nauwkeurigheidspoort van 99%+ bij elke batch onder wekelijkse leveringsdruk
- Gebouwd een 14 casestudy's, grensgevallenbibliotheek voor de training en inwerkprocedure van annotatoren
- Geleverd KITTI 1.0-formaat uitvoer klaar voor directe integratie in modeltraining
Al met al heeft Shaip geholpen om een GET-detectievereiste voor gebruik in het veld om te zetten in een gestructureerde, productiegereed annotatiepipeline. Deze pipeline is in staat om initiatieven op het gebied van slijtagebewaking, voorspellend onderhoud en AI voor bouwmachines te ondersteunen met consistentie, traceerbaarheid en realistische nauwkeurigheid voor gebruik in het veld.
Shaip verwerkte de meest rommelige beelden die we hadden – vuil, puin, bewegingsonscherpte, noem maar op – en behaalde desondanks een nauwkeurigheid van meer dan 99% met een wekelijkse leveringscyclus van 12 maanden. Hun KITTI 1.0-output werd direct gebruikt voor modeltraining.
