Contexto del Proyecto y Límite de Publicación
El proyecto abordó la simulación de datos visuales para patios ferroviarios de carga y operaciones portuarias. El caso público elimina cliente, ubicación e identificadores de activos y comunica solo cantidades, métodos, controles y límites verificables en los archivos entregados. La entrada incluía imágenes de pórticos y zonas de trabajo y una lista con forklift, cone, bollard y person. No había cajas delimitadoras ni máscaras para aprendizaje supervisado.
Este lote es una entrega de generación y organización en el nivel de imagen. No constituye entrenamiento terminado de un detector ni aceptación en campo. No se entregaron cajas, máscaras o puntos clave y tampoco existía un conjunto de verdad congelado para afirmar una mejora de rendimiento.
Objetivo de Ingeniería
El objetivo fue crear variaciones reproducibles de noche, lluvia, niebla, contraluz, desenfoque de movimiento, oclusión y compresión de vigilancia, preparando una base para anotación, entrenamiento y aceptación posteriores. También se comprobaron la organización de archivos, el mapeo de metadatos y un QA repetible antes de ampliar la captura real.
Dos Flujos de Datos Independientes
El flujo basado en reglas generó ocho condiciones ambientales o degradaciones a partir de imágenes operativas filtradas; guion, nombre, escenario y metadatos son trazables. El flujo de IA produjo escenas de carretillas, equipos de elevación, contenedores y conos para planificar cobertura conceptual. Esas imágenes se identifican como sintéticas y no se presentan como registros de una instalación real.
Dataset de Simulación Basado en Reglas
El conjunto contiene 48 JPG de 1280×720, ocho escenarios y seis imágenes por escenario. Además de la referencia diurna, cubre poca luz, fuentes locales, lluvia, niebla, pérdida de contraste con la distancia, cambio de color al atardecer, luces altas, movimiento, oclusión frontal y compresión de baja tasa.
| Escenario | Imágenes | Uso |
|---|---|---|
| Día despejado | 6 | Referencia y regresión del pipeline |
| Patio nocturno | 6 | Poca luz, fuentes locales y ruido |
| Lluvia en cámara | 6 | Trazas de lluvia y menor contraste |
| Niebla y bruma | 6 | Pérdida de contraste con distancia |
| Contraluz al atardecer | 6 | Cambio de color, luces y sombras |
| Desenfoque de movimiento | 6 | Movimiento de cámara u objeto |
| Oclusión frontal | 6 | Campo visual parcialmente bloqueado |
| Compresión de vigilancia | 6 | Baja tasa y artefactos de bloque |
Estas imágenes sirven para comprobar pipeline, anotación y sensibilidad a cambios visuales. No sustituyen la captura en el sitio objetivo ni demuestran por sí solas el rendimiento ante lluvia, niebla o noche reales.
Dataset Sintético de IA por Clase
El conjunto de IA tiene 40 imágenes RGB de 1672×941, diez en cada clase. Cubre carretillas en puertos, almacenes y obras; pórticos o estructuras relacionadas; pilas y zonas de transferencia de contenedores; y elementos de aislamiento. Los 40 archivos tienen SHA-256 distintos. Esto solo descarta archivos idénticos y no demuestra diversidad semántica, ausencia de sesgo o conformidad con la geometría y seguridad de un sitio.
| Clase | Imágenes | Cobertura |
|---|---|---|
| Carretilla | 10 | Vehículos en patio, almacén y obra |
| Equipo de elevación | 10 | Pórtico, puente o estructura comparable |
| Contenedor | 10 | Apilado, transferencia y transporte |
| Cono de seguridad | 10 | Separación de zonas y guía de tráfico |
Muestras de Pose y Composición
Tres muestras adicionales presentan inclinación y giro de un primer plano sobre un borde de vía, una obra y una fábrica. Comprueban si las instrucciones de síntesis y restricciones de composición expresan la pose solicitada. No son mediciones angulares precisas ni evidencia de detección de equipos reales.
Metadatos y Reproducibilidad
El flujo por reglas conserva referencia de origen, archivo de salida, escenario, indicio de clase y registro de proceso. Las 48 filas corresponden uno a uno con 48 imágenes. El script Python forma parte de la entrega y reproduce los resultados con entradas, dependencias y parámetros iguales. En producción también deben registrarse autorización, lote, commit, versiones, semilla, parámetros, versión de anotación, revisores y hashes congelados.
Resultados Medidos de QA
Las 48 imágenes por reglas se abrieron y coincidieron con 48 filas; cada escenario contiene seis. Filas desconocidas, fuentes externas de carreteras comunes retenidas, candidatos de baja información y pares casi duplicados bajo el umbral implementado fueron 0. Brillo mínimo, mediano y máximo: 39,4, 94,55 y 137,5; desviación estándar en gris: 15,5, 37,3 y 62,6. Son medidas de cobertura y no puntuaciones de calidad.
| Control | Resultado | Interpretación |
|---|---|---|
| Imágenes / metadatos | 48 / 48 | Conteo coherente y archivos legibles |
| Escenarios | 8 × 6 | Conforme al plan de generación |
| Desconocido / fuente externa | 0 / 0 | Indicios leídos y carreteras filtradas |
| Baja información / casi duplicado | 0 / 0 | Sin alerta según la regla actual |
| Imágenes de IA | 40, 10 por clase | Todas 1672×941 RGB y hashes distintos |
Artefactos Entregados
La entrega contiene imágenes por reglas, imágenes de IA, metadatos, hojas de contacto, resumen de QA, script Python y un documento de revisión de 19 páginas con 16 ejemplos grandes seleccionados. El documento facilita la revisión visual, pero no sustituye las carpetas completas ni los metadatos legibles por máquina.
Flujos de Trabajo Aplicables
El método sirve para aclarar requisitos, enumerar condiciones difíciles, ensayar la especificación de anotación, ejecutar regresiones, debatir cobertura de clases y diseñar experimentos de robustez. En puertos, patios ferroviarios, almacenes, obras y vigilancia fija, un lote pequeño ayuda a congelar condiciones antes de recaptura, anotación e iteración del modelo.
Límites, Riesgos y Aceptación
- Sin cajas, máscaras o puntos clave, el paquete no es un dataset completo de detección.
- Las imágenes de IA pueden tener errores de estructura, escala, perspectiva o lógica de seguridad y requieren revisión humana.
- La degradación por reglas es una aproximación visual, no un modelo físico del clima, suciedad de lente o codificador.
- La evidencia cubre archivos y distribuciones, no verdad de campo, precisión, estabilidad prolongada o producción.
- Derechos, privacidad y confidencialidad deben definirse en el contrato y el gobierno de datos.
Antes del entrenamiento se congelan clases, formato, tamaño mínimo, reglas de oclusión y casos difíciles. Se recomiendan muestras aleatorias, doble revisión, aislamiento de casi duplicados, informes de distribución y Precision, Recall, F1 u otra métrica acordada en un conjunto real independiente.
Preguntas Frecuentes
¿Las imágenes pueden entrenar directamente un detector?
No como dataset anotado. Deben crearse y revisarse cajas o máscaras y validarse en el formato del framework.
¿Las 48 imágenes por reglas proceden de un proceso reproducible?
Sí. Se conservaron script, nombres y metadatos. La reproducción exige entradas, dependencias, parámetros y entorno iguales.
¿Las imágenes de IA sustituyen datos reales?
No. Amplían conceptos y ensayan anotación; la prueba final requiere datos reales autorizados y compatibles con el despliegue.
¿Qué demuestra el QA actual?
Legibilidad, conteo, distribución prevista y ausencia de duplicados exactos o anomalías definidas. No demuestra semántica, etiquetas ni rendimiento.
¿Qué entradas necesita la siguiente fase?
Clases, capturas representativas, reglas de tamaño y oclusión, formato, framework, cámara, derechos y metas medibles. Un uso de seguridad también necesita procedimientos de falsas alarmas, omisiones y revisión humana.
Online
Phone
WeChat
Top