Yerle Temas Eden Aletler (GET) Sınır Kutusu Açıklaması
Shaip, 12 aylık bir aşınma izleme yapay zeka sözleşmesi kapsamında, KITTI 1.0 formatında, toprak, moloz, hareket bulanıklığı ve düşük ışık gibi saha koşullarında iç ve dış yüzeyleri ayırt ederek, 15 farklı zeminle temas eden alet sınıfı (kepçe dişleri, adaptörler, koruyucu kapaklar, dudak koruyucu kapaklar) için aylık 40,000 sınırlayıcı kutu açıklaması sağladı ve %99'un üzerinde doğruluk oranına ulaştı.
Projeye Genel Bakış
Tahmine dayalı bakım ve aşınma izleme, ağır ekipman yapay zekasına doğru ilerledikçe, müşteri, gürültülü, kirli, gerçek dünya saha görüntülerinde kazıcı kepçeler üzerindeki Toprakla Temas Eden Aletleri (GET'ler) tespit edip etiketleyebilecek, alana özgü bir açıklama hattına ihtiyaç duydu.
Shaip, 15 GET sınıfı genelinde sınırlayıcı kutu yerleşimini, altın kural uç durumlarının ele alınmasını, iki seviyeli kalite güvencesini ve haftalık KITTI 1.0 teslimatını kapsayan uçtan uca açıklama işlem hattını oluşturdu; bu da %99 doğruluk eşiğiyle 12 aylık, ayda 40 görüntü üretim temposunu destekliyor.
Anahtar Durumu
Aylık Görüntüler
40,000
GET Dersleri
15
Doğruluk Eşiği
99%
Haftalık Teslimat
10,000
Meydan Okumalar
- Açıklama Ayda 40,000 resim 'da 9–10 sınırlayıcı kutu görüntü başına ortalama
- kullanma 15 farklı GET sınıfı iç ve dış yüz farklılaşmasıyla
- Çalışma saha kalitesinde görüntüler — kir, toz, hareket bulanıklığı, yetersiz ışıklandırma ve zor açılar
- Bakımı %99'dan fazla açıklama doğruluğu yüksek hacimli haftalık teslimat baskısı altında
- İhracat KITTI 1.0 formatı Doğrudan model eğitim entegrasyonuna hazır
Çözüm
GET Şeması ve Sınıf Farklılaştırması
Shaip, hem iç hem de dış kova görünümlerini kapsayan 15 sınıflı bir GET ontolojisi yapılandırdı. Her bir bileşenin iç ve dış yüzlerini ayırt etmek üzere etiketleyiciler eğitildi; bu, sonraki aşamalardaki aşınma izleme doğruluğu için kritik öneme sahip, alana özgü bir farklılaştırmadır.
Arazi Görüntüleme İçin Altın Kurallar
Veri bütünlüğünü korumak için etiketleyiciler katı altın kurallara uydu. Bileşenlerin net bir şekilde görünmediği yerlerde hiçbir etiket oluşturulmadı. %50'den fazla kalıntı ile kaplı GET'ler atlandı. Bulanık veya koyu bileşenler hariç tutuldu. Dudak sınıfları yalnızca nesnenin %100'ü görünür olduğunda etiketlendi. Yakınlaştırma yalnızca gezinme için kullanıldı, etiketleme kararları için kullanılmadı.
Uç Durum Eğitim Kütüphanesi
Annotatörleri yaygın uç durumlar (kısmen gizlenmiş GET'ler, hareket halindeki kovalar, koyu arka planlar ve bitişik bileşenler arasındaki sınır belirsizliği) konusunda eğitmek için on dört ayrıntılı vaka çalışması belgelendi. Bu kütüphane, annotasyon yönergelerini ağır ekipman yapay zekası alanındaki en kapsamlı yönergelerden biri haline getirdi.
İki Aşamalı Kalite Güvence ve %99 Doğruluk Kapısı
Seviye 1 etiketleme işleminden sonra, tüm görüntüler yapılandırılmış bir inceleme için özel bir kalite kontrol ekibine iletildi. Küçük hatalar etiketleyicinin geri bildirimiyle düzeltildi; büyük hatalar ise yeniden çalışma ve yeniden görevlendirmeyi tetikledi. Veri setleri yalnızca etiketleme doğruluğu %99 veya üzerine ulaştığında onaylandı. Tüm kalite kontrol sonuçları, tam şeffaflık sağlamak için bir takip sayfasına kaydedildi.
KITTI 1.0 Formatında Haftalık Teslimat
Haftalık teslimat hedefleri, tamamı KITTI 1.0 formatında dışa aktarılan ve doğrudan model eğitim entegrasyonuna hazır olan 10,000 görüntü olarak titizlikle korunmuştur. 12 aylık sözleşme boyunca bu tempoda herhangi bir aksama yaşanmamıştır.
Proje kapsamı
| Veri Kümesi Türü | Aylık Hacim | Sınıflar | Ortalama Kutular / Görüntü | Format | Sözleşme |
|---|---|---|---|---|---|
| Sınır kutusu açıklamasını al | 40,000 görüntüleri | 15 GET dersi | 9-10 kutu | KITTI 1.0 |
Çıktıları
- Kurulmuş bir 12 aylık, ayda 40 görüntü işleme kapasitesine sahip üretim hattı ağır ekipman aşınma tespiti için yapay zeka
- Standardize 15 GET dersi iç/dış yüz farklılaşması ile
- Sürdürüldü %99+ doğruluk oranına sahip kapı haftalık teslimat baskısı altındaki her parti genelinde
- Bir 14 vaka incelemesi uç durum kütüphanesi açıklama ekleyici eğitimi ve işe alımı için
- teslim KITTI 1.0 format çıktıları Doğrudan model eğitim entegrasyonuna hazır
Genel olarak, Shaip, saha düzeyinde GET tespiti gereksinimini, aşınma izleme, öngörücü bakım ve inşaat ekipmanı yapay zeka girişimlerini tutarlılık, izlenebilirlik ve saha gerçekliğine uygun doğrulukla destekleyebilen, yapılandırılmış, üretime hazır bir açıklama hattına dönüştürmeye yardımcı oldu.
Shaip, elimizdeki en karmaşık görüntüleri (kir, toz, hareket bulanıklığı, her şey) bile ele aldı ve 12 aylık, haftalık teslimat temposunda %99'un üzerinde doğruluk oranı elde etti. KITTI 1.0 çıktıları doğrudan model eğitimine aktarıldı.
