Dataset visi sintetis untuk operasi rel dan pelabuhan serta simulasi kondisi sulit

Konteks Proyek dan Batas Publikasi

Proyek ini menangani simulasi data visi untuk area angkutan rel dan operasi pelabuhan. Studi publik menghapus identitas pelanggan, lokasi, dan aset, lalu hanya melaporkan jumlah, metode, pemeriksaan, serta batas yang dapat diverifikasi dari berkas pengiriman. Masukan berisi gambar gantry dan area kerja serta daftar kelas forklift, cone, bollard, dan person. Tidak tersedia anotasi kotak pembatas atau segmentasi untuk pembelajaran terawasi.

Batch ini merupakan pembuatan dan pengorganisasian pada tingkat gambar. Ini bukan penyelesaian pelatihan detektor objek atau penerimaan algoritma di lapangan. Kotak, masker, dan keypoint tidak dikirim, dan tidak ada truth set beku untuk menyimpulkan peningkatan kinerja.

Tujuan Rekayasa

Tujuannya ialah membuat variasi yang dapat direproduksi untuk malam, hujan, kabut, cahaya belakang, blur gerak, oklusi, dan kompresi CCTV, lalu menyiapkan dasar terstruktur untuk anotasi, pelatihan, serta penerimaan berikutnya. Struktur berkas, pemetaan metadata, dan QA berulang juga diperiksa agar skenario dan istilah penerimaan dapat disepakati sebelum penangkapan data lokasi tambahan.

Dua Jalur Data yang Terpisah

Jalur berbasis aturan menghasilkan delapan kondisi lingkungan atau degradasi dari gambar operasi yang disaring; skrip, nama keluaran, skenario, dan metadata tetap dapat ditelusuri. Jalur AI menghasilkan adegan forklift, peralatan angkat, kontainer, dan kerucut pengaman untuk perencanaan cakupan konsep. Gambar tersebut dikelola sebagai materi sintetis dan tidak dipresentasikan sebagai rekaman fasilitas nyata.

Dataset Simulasi Berbasis Aturan

Dataset mencakup 48 gambar JPG 1280×720, delapan skenario dengan enam gambar per skenario. Selain baseline siang, variasi meliputi cahaya rendah, sumber lokal, garis hujan, kabut, penurunan kontras terhadap jarak, perubahan warna senja, highlight, degradasi gerak, penghalang depan, dan kompresi bitrate rendah.

Gambar ini membantu menguji pipeline, alur anotasi, dan sensitivitas terhadap perubahan visual. Gambar tidak menggantikan pengambilan di fasilitas target dan tidak membuktikan kinerja dalam hujan, kabut, atau malam yang nyata.

Dataset Kelas Sintetis AI

Set AI memiliki 40 gambar RGB 1672×941, sepuluh untuk masing-masing empat kelas. Cakupan meliputi forklift di pelabuhan, gudang, dan konstruksi; gantry atau struktur angkat terkait; tumpukan dan transfer kontainer; serta elemen isolasi keselamatan. Keempat puluh berkas mempunyai SHA-256 berbeda. Pemeriksaan ini hanya menolak berkas identik, bukan membuktikan keragaman semantik, kelas tanpa bias, atau kepatuhan pada geometri dan aturan keselamatan lokasi tertentu.

Sampel Pose dan Komposisi

Tiga sampel tambahan memperlihatkan kemiringan dan yaw objek depan pada tepi jalan, area konstruksi, dan pabrik. Sampel memeriksa apakah instruksi sintesis dan batas komposisi dapat mengungkapkan pose yang diminta. Ini bukan pengukuran sudut presisi dan bukan bukti deteksi terhadap peralatan nyata.

Metadata dan Reproduksibilitas

Jalur aturan menyimpan petunjuk sumber, berkas keluaran, skenario, petunjuk kelas, dan catatan proses. Empat puluh delapan baris metadata dipetakan satu lawan satu ke 48 gambar. Skrip Python disertakan dan dapat mereproduksi hasil dengan input, dependensi, dan parameter yang sama. Pipeline produksi perlu mencatat otorisasi sumber, batch tangkapan, commit, versi dependensi, seed acak, parameter transformasi, versi spesifikasi label, peninjau, dan hash dataset beku.

Hasil QA Terukur

Semua 48 gambar aturan dapat dibuka dan cocok dengan 48 baris metadata; setiap skenario berisi enam gambar. Baris tidak dikenal, sumber jalan umum eksternal yang tertinggal, kandidat informasi rendah, dan pasangan hampir duplikat menurut ambang implementasi semuanya 0. Minimum, median, dan maksimum kecerahan ialah 39,4, 94,55, dan 137,5; deviasi standar grayscale 15,5, 37,3, dan 62,6. Nilai ini menggambarkan cakupan eksposur dan kontras, bukan skor kualitas.

Artefak Pengiriman

Pengiriman berisi gambar aturan, gambar AI, metadata, contact sheet, ringkasan QA, skrip Python, dan dokumen tinjauan pelanggan 19 halaman dengan 16 contoh besar terpilih. Dokumen mendukung tinjauan visual, tetapi tidak menggantikan folder lengkap atau metadata yang dapat dibaca mesin.

Alur Kerja yang Sesuai

Metode ini mendukung klarifikasi persyaratan, daftar kondisi sulit, latihan spesifikasi anotasi, regresi pipeline, pembahasan cakupan kelas, dan desain eksperimen ketahanan. Untuk pelabuhan, area rel, gudang, konstruksi, serta kamera tetap, batch sintetis kecil membantu membekukan kondisi sebelum penangkapan ulang, anotasi, dan iterasi model.

Batas, Risiko, dan Penerimaan

• Tanpa kotak, masker, dan keypoint, paket bukan dataset pelatihan deteksi lengkap.
• Gambar AI dapat memiliki kesalahan struktur, skala, perspektif, atau logika keselamatan dan memerlukan tinjauan manusia.
• Degradasi aturan adalah pendekatan visual, bukan model fisik cuaca, kotoran lensa, atau encoder tertentu.
• Bukti saat ini mencakup berkas dan distribusi, bukan ground truth, akurasi, stabilitas jangka panjang, atau operasi produksi.
• Hak data, privasi, dan kerahasiaan fasilitas harus diatur dalam kontrak serta tata kelola data.

Sebelum pelatihan, bekukan definisi kelas, format label, ukuran minimum, aturan oklusi, dan kasus sulit. Penerimaan sebaiknya meliputi sampel acak, tinjauan ganda, isolasi near-duplicate antarsplit, laporan distribusi, serta Precision, Recall, F1 atau metrik yang disepakati pada set nyata independen.

Pertanyaan Umum

Apakah gambar dapat langsung melatih detektor?

Tidak sebagai dataset deteksi beranotasi. Kotak atau masker harus dibuat, ditinjau, dan divalidasi dalam format framework pelatihan.

Apakah 48 gambar aturan berasal dari proses yang dapat direproduksi?

Ya. Skrip, penamaan, dan metadata disimpan. Reproduksi tetap memerlukan input, dependensi, parameter, dan lingkungan yang sama.

Apakah gambar AI menggantikan data fasilitas nyata?

Tidak. Gambar membantu cakupan konsep dan latihan anotasi. Pengujian akhir memerlukan data nyata yang berizin dan sesuai lingkungan penerapan.

Apa yang dibuktikan QA sekarang?

Keterbacaan, kecocokan jumlah, distribusi terencana, serta tidak adanya duplikat persis atau anomali informasi rendah yang didefinisikan. QA tidak membuktikan semantik, label, atau kinerja model.

Apa input fase berikutnya?

Definisi kelas, gambar lokasi representatif, aturan ukuran dan oklusi, format label, framework, parameter kamera, batas hak, dan target penerimaan terukur. Penggunaan keselamatan juga memerlukan prosedur alarm palsu, objek terlewat, dan tinjauan manusia.