Công cụ tương tác mặt đất (GET) Chú thích hộp giới hạn
Shaip đã cung cấp 40,000 chú thích hộp giới hạn mỗi tháng trên 15 loại công cụ tiếp xúc với mặt đất — răng gầu, bộ chuyển đổi, tấm chắn, tấm chắn mép — trên hình ảnh gầu máy xúc, phân biệt mặt trong và mặt ngoài trong điều kiện thực tế như bụi bẩn, mảnh vụn, mờ do chuyển động và ánh sáng yếu, với độ chính xác trên 99% ở định dạng KITTI 1.0, trong suốt hợp đồng giám sát độ mài mòn bằng AI kéo dài 12 tháng.
Tổng Quan Dự Án
Khi bảo trì dự đoán và giám sát hao mòn được ứng dụng vào trí tuệ nhân tạo (AI) cho thiết bị hạng nặng, khách hàng cần một quy trình chú thích chuyên biệt có khả năng phát hiện và gắn nhãn các công cụ tiếp xúc mặt đất (GET) trên gầu máy xúc trong môi trường hình ảnh thực tế, nhiễu loạn và nhiều bụi bẩn.
Shaip đã xây dựng quy trình chú thích hoàn chỉnh từ đầu đến cuối, bao gồm việc đặt hộp giới hạn trên 15 lớp GET, xử lý các trường hợp ngoại lệ theo quy tắc vàng, kiểm thử chất lượng hai cấp và phân phối KITTI 1.0 hàng tuần — hỗ trợ chu kỳ sản xuất 12 tháng, 40 hình ảnh mỗi tháng với độ chính xác 99%.
Trạng thái chính
Hình ảnh mỗi tháng
40,000
NHẬN Lớp học
15
Ngưỡng chính xác
99%
Giao hàng hàng tuần
10,000
Những thách thức
- Chú thích 40,000 hình ảnh mỗi tháng với 9–10 hộp giới hạn trung bình mỗi hình ảnh
- Xử lý 15 lớp GET khác nhau với sự phân biệt khuôn mặt bên trong và bên ngoài
- Làm việc với hình ảnh cấp độ hiện trường — bụi bẩn, mảnh vụn, hiện tượng nhòe chuyển động, ánh sáng kém và góc quay khó.
- Duy trì Độ chính xác chú thích trên 99% dưới áp lực giao hàng hàng tuần khối lượng lớn
- Xuất khẩu sang Định dạng KITTI 1.0 Sẵn sàng cho việc tích hợp đào tạo mô hình trực tiếp
Dung dịch
Phân biệt lược đồ và lớp GET
Shaip đã cấu hình một hệ thống phân loại GET gồm 15 lớp, bao gồm cả các góc nhìn bên trong và bên ngoài của các nhóm linh kiện. Các chuyên gia chú thích đã được đào tạo để phân biệt giữa các mặt bên trong và bên ngoài của từng thành phần — một sự phân biệt đặc thù theo lĩnh vực, rất quan trọng đối với độ chính xác của việc giám sát hao mòn ở các khâu tiếp theo.
Nguyên tắc vàng khi chụp ảnh ngoài trời
Người chú thích tuân thủ nghiêm ngặt các quy tắc vàng để duy trì tính toàn vẹn dữ liệu. Không có chú thích nào được tạo ra ở những nơi các thành phần không hiển thị rõ ràng. Các GET bị che khuất bởi hơn 50% mảnh vụn đã bị bỏ qua. Các thành phần mờ hoặc tối đã bị loại trừ. Các lớp môi chỉ được gắn nhãn khi 100% đối tượng hiển thị rõ ràng. Chức năng thu phóng chỉ được sử dụng để điều hướng, không phải để đưa ra quyết định gắn nhãn.
Thư viện đào tạo các trường hợp đặc biệt
Mười bốn nghiên cứu trường hợp chi tiết đã được ghi lại để đào tạo người chú thích về các trường hợp ngoại lệ phổ biến — các thiết bị GET bị che khuất một phần, các thùng chứa đang di chuyển, nền tối và sự mơ hồ về ranh giới giữa các thành phần liền kề. Thư viện này đã làm cho các hướng dẫn chú thích trở thành một trong những hướng dẫn toàn diện nhất trong lĩnh vực trí tuệ nhân tạo dành cho thiết bị hạng nặng.
Kiểm soát chất lượng hai cấp độ & Cổng độ chính xác 99%
Sau khi hoàn tất chú thích cấp độ 1, tất cả hình ảnh được chuyển đến nhóm kiểm soát chất lượng chuyên trách để xem xét có cấu trúc. Các lỗi nhỏ được sửa chữa dựa trên phản hồi của người chú thích; các lỗi lớn dẫn đến việc phải làm lại và phân công lại. Bộ dữ liệu chỉ được phê duyệt khi độ chính xác chú thích đạt 99% trở lên. Tất cả kết quả kiểm soát chất lượng đều được ghi lại trong bảng theo dõi để đảm bảo tính minh bạch hoàn toàn.
Giao hàng hàng tuần theo định dạng KITTI 1.0
Mục tiêu giao hàng hàng tuần được duy trì nghiêm ngặt ở mức 10,000 hình ảnh, tất cả đều được xuất ở định dạng KITTI 1.0 và sẵn sàng để tích hợp trực tiếp vào quá trình huấn luyện mô hình. Hợp đồng 12 tháng đã duy trì nhịp độ này mà không có sự chậm trễ nào.
Phạm vi dự án
| Loại tập dữ liệu | Khối lượng hàng tháng | Các lớp học | Hộp trung bình / Hình ảnh | Định dạng | Hợp đồng |
|---|---|---|---|---|---|
| Chú thích hộp giới hạn GET | hình ảnh 40,000 | 15 lớp học GET | 9–10 hộp | KITTI 1.0 | 12 tháng |
Kết quả
- Đã thành lập một Quy trình xử lý ảnh 12 tháng, 40 hình ảnh mỗi tháng AI phát hiện hao mòn thiết bị hạng nặng
- Tiêu chuẩn hóa 15 lớp học GET với sự phân biệt mặt trong/ngoài
- Đã duy trì một Cổng có độ chính xác trên 99% trên mọi lô hàng dưới áp lực giao hàng hàng tuần
- Đã xây dựng một Thư viện 14 nghiên cứu trường hợp ngoại lệ để đào tạo và hướng dẫn người chú thích dữ liệu
- Giao Định dạng đầu ra KITTI 1.0 Sẵn sàng cho việc tích hợp đào tạo mô hình trực tiếp
Nhìn chung, Shaip đã giúp chuyển đổi yêu cầu phát hiện GET cấp độ hiện trường thành một quy trình chú thích có cấu trúc, sẵn sàng cho sản xuất — một quy trình có khả năng hỗ trợ giám sát hao mòn, bảo trì dự đoán và các sáng kiến AI về thiết bị xây dựng với tính nhất quán, khả năng truy vết và độ chính xác thực tế trong hiện trường.
Shaip đã xử lý những hình ảnh phức tạp nhất mà chúng tôi có — bụi bẩn, mảnh vụn, mờ nhòe do chuyển động, đủ loại — và vẫn đạt độ chính xác trên 99% theo chu kỳ 12 tháng, giao hàng hàng tuần. Kết quả đầu ra KITTI 1.0 của họ được đưa thẳng vào quá trình huấn luyện mô hình.
