Données d’images synthétiques pour les opérations ferroviaires et portuaires dans des conditions difficiles

Contexte de projet et programmes de vérification

Le projet portait sur la simulation de données d'images pour les zones de fret ferroviaire et les opérations portuaires. Dans cette étude de cas publique, le client, l'emplacement et l'identifiant de l'actif sont supprimés. Seules les quantités, procédures, tests et limites traçables sur la base des dossiers de livraison sont décrits. Les données fournies comprenaient des images de portiques et de zones de travail, ainsi qu'un fichier de classe contenant forklift, cone, bollard et person. Les annotations de cadre de délimitation ou de segmentation pour l’apprentissage supervisé n’étaient pas présentes.

Ce paquet est une garantie auf Bildebene. Il ne s'agit ni d'une formation complète d'un détecteur d'objets ni d'une acceptation sur le terrain. Les coffrets, masques et keypoints n’ont pas été livrés ; Un test de vérité terrain gelé visant à démontrer une augmentation des performances n’était pas non plus disponible.

Objectif technique

L'objectif était de créer des variantes reproductibles pour la nuit, la pluie, le brouillard, le contre-jour, le flou de mouvement, l'occlusion et la compression de surveillance. Ils constituent une base structurée pour une annotation, une formation et une acceptation ultérieures. De plus, l'organisation des fichiers, le mappage des métadonnées et l'assurance qualité reproductible ont été vérifiés afin que les scénarios et les critères d'acceptation puissent être coordonnés avant d'autres enregistrements sur site.

Zwei getrennte Datenpfade

Le chemin basé sur des règles a généré huit dégradations environnementales ou d'images à partir de scènes opérationnelles testées ; Le script, le nom de la sortie, le scénario et les métadonnées restent traçables. Le chemin de l'IA a généré des scènes avec des chariots élévateurs, des palans, des conteneurs et des cônes de signalisation pour planifier la couverture des termes et des classes. Ces images sont marquées comme synthétiques et ne sont pas présentées comme une documentation d'un système réel.

Dates de base de simulation

L'ensemble de données comprend 48 fichiers JPG 1280×720 Pixels, divisés en huit scénarios de six images chacun. En plus d'une référence de lumière du jour, il couvre la faible luminosité, les sources locales, les traînées de pluie, la brume, la perte de contraste avec la distance, le changement de couleur du coucher du soleil, les hautes lumières, la dégradation du mouvement, l'occlusion du premier plan et les faibles débits.

Les variantes prennent en charge les tests de pipeline, d'annotation et de sensibilité aux modifications d'image. Ils ne remplacent pas l’enregistrement à l’emplacement cible et ne démontrent pas à eux seuls les performances en cas de pluie, de brouillard ou de nuit réelle.

Ensemble de données de classe synthétique IA

L'ensemble de données AI contient 40 images RVB 1672×941 Pixels, dix par classe. Il comprend les chariots élévateurs dans les environnements portuaires, d'entrepôts et de chantiers, les portiques ou structures associées, les piles de conteneurs et les zones de transfert ainsi que les éléments de barrière. Les 40 fichiers ont des valeurs SHA-256 différentes. Cela exclut uniquement les fichiers identiques et ne démontre pas la diversité sémantique, la neutralité de classe ou le respect de la géométrie et des règles de sécurité spécifiques au site.

Pose et composition au premier plan

Trois exemples supplémentaires montrent l'inclinaison et le lacet d'un objet au premier plan devant le bord de la route, un chantier de construction et une usine. Ils vérifient si les instructions de synthèse et les règles de composition expriment une pose demandée. Il ne s’agit pas de mesures d’angle précises et ne constituent pas une preuve des performances de détection sur des systèmes réels.

Métadonnées et reproductibilité

Le chemin basé sur des règles stocke l'indice source, le fichier de sortie, le scénario, l'indice de classe et l'entrée de traitement. 48 Metadatenzeilen entsprechen genau 48 Bildern. Le script Python fait partie de la livraison et peut reproduire des entrées, dépendances et paramètres identiques. Un pipeline de production doit en outre enregistrer les droits source, l'ingestion des lots, les validations, les versions de dépendances, les graines aléatoires, les paramètres de transformation, la version d'annotation, les réviseurs et les hachages gelés.

Tests de qualité généraux

Les 48 images basées sur des règles étaient lisibles et cohérentes avec 48 lignes de métadonnées ; chaque scénario contient six images. Les lignes inconnues, les sources générales restantes, les candidats à faible niveau d'information et les paires quasi-dupliquées étaient respectivement de 0, selon les règles mises en œuvre. La luminosité minimale, médiane et maximale était de 39,4, 94,55 et 137,5 ; l'écart type en niveaux de gris 15,5, 37,3 et 62,6. Ces valeurs décrivent l'exposition et la couverture de contraste, et non une note de qualité.

Contenu de la livraison

Les produits fournis étaient des images synthétiques basées sur des règles et basées sur l'IA, des métadonnées, des aperçus des contacts, un résumé de l'assurance qualité, un script Python reproductible et un document client de 19 pages avec 16 images de grande sélection. Le document prend en charge l'inspection visuelle, mais ne remplace pas les dossiers complets ni les métadonnées lisibles par machine.

Flux de travail appropriés

La méthode prend en charge la clarification des exigences, la liste des conditions difficiles, le test d'une spécification d'annotation, la régression du pipeline de données, la discussion de la couverture des classes et la planification d'expériences de robustesse. Pour les ports, les zones ferroviaires, les entrepôts, les chantiers de construction et la surveillance fixe, un petit lot synthétique peut geler les conditions avant que le rééchantillonnage, l'annotation et les itérations du modèle ne soient commandés.

Limites, risques et acceptation

• Sans boîtes, masques et points clés, le package ne constitue pas un ensemble complet de données de formation pour la détection.
• Les images IA peuvent contenir des erreurs de structure, de taille, de perspective ou de sécurité et nécessitent un examen humain.
• La dégradation basée sur des règles est une approximation visuelle, et non un modèle physique de météo, de pollution ou d'encodeur.
• Les preuves incluent les fichiers et les distributions, et non la vérité terrain, la précision de la détection, la stabilité à long terme ou la production.
• Les droits, la protection des données et la confidentialité des actifs doivent être réglementés dans le contrat et la gouvernance des données.

Avant l'entraînement, la définition des classes, le format des étiquettes, la taille minimale, les règles d'occlusion et les cas difficiles doivent être figés. L'échantillonnage, la double vérification, la séparation quasi-dupliquée, les rapports de distribution et de précision, le rappel, F1 ou les valeurs cibles définies sur un ensemble de tests réel indépendant sont recommandés.

Questions fréquemment posées

Les images peuvent-elles entraîner directement un détecteur ?

Pas en tant qu’ensemble de données de détection annotées. Dans un premier temps, des cases ou masques doivent être créés, vérifiés et validés au format du cadre de formation.

Les 48 images de contrôle ont-elles été créées selon un processus reproductible ?

Oui. Le script, le nom et les métadonnées sont préservés. La reproduction nécessite les mêmes entrées, dépendances, paramètres et environnement.

Les images d’IA remplacent-elles les données de localisation réelles ?

Non. Ils complètent la couverture conceptuelle, les combinaisons de scènes et les exemples d’annotations. Le test final et l'acceptation nécessitent des données réelles autorisées provenant d'un environnement opérationnel approprié.

Que prouve l’assurance qualité actuelle ?

Lisibilité, correspondance des quantités, distribution planifiée et absence de doublons exacts ou pauvreté définie de l'information. La sémantique, la précision des étiquettes et les performances du modèle ne sont pas prouvées.

De quels apports la prochaine phase a-t-elle besoin ?

Des cours, des images de localisation représentatives, des règles de taille et d'occlusion, un format d'étiquette, un cadre de formation, des paramètres de caméra, des droits et des objectifs d'acceptation mesurables sont requis. Les applications de sécurité nécessitent des procédures pour les fausses alarmes, les omissions et le contrôle humain.