Synthetische beeldgegevens voor spoor- en havenactiviteiten onder moeilijke omstandigheden

Projectcontext en publicatielimiet

Het project had betrekking op de simulatie van beeldgegevens voor goederenvervoer per spoor en havenactiviteiten. In deze openbare casestudy worden de klant-, locatie- en asset-ID verwijderd. Er worden uitsluitend hoeveelheden, procedures, testen en limieten beschreven die herleidbaar zijn op basis van de opleveringsbestanden. De invoer omvatte afbeeldingen van portaalkranen en werkruimtes, evenals een klassenbestand met forklift, cone, bollard en person. Begrenzingskader of segmentatie-annotaties voor begeleid leren waren niet aanwezig.

Dit pakket is een levering op afbeeldingsniveau. Het is noch een voltooide opleiding tot objectdetector, noch een acceptatie in het veld. Dozen, maskers en keypoints werden niet geleverd; Er was evenmin een bevroren grondwaarheidstest beschikbaar om een ​​prestatieverbetering aan te tonen.

Technisch doel

Het doel was om reproduceerbare varianten te creëren voor nacht, regen, mist, tegenlicht, bewegingsonscherpte, occlusie en bewakingscompressie. Ze vormen een gestructureerde basis voor latere annotatie, training en acceptatie. Bovendien werden de bestandsorganisatie, het in kaart brengen van metagegevens en de herhaalbare kwaliteitsborging gecontroleerd, zodat scenario's en acceptatiecriteria kunnen worden gecoördineerd voordat verdere opnames ter plaatse plaatsvinden.

Twee afzonderlijke datapaden

Het op regels gebaseerde pad genereerde acht verslechteringen van het milieu of het imago van geteste operationele scènes; Script, outputnaam, scenario en metadata blijven traceerbaar. Het AI-pad genereerde scènes met vorkheftrucks, takels, containers en verkeerskegels om de dekking van termijnen en klassen te plannen. Deze afbeeldingen zijn gemarkeerd als synthetisch en worden niet gepresenteerd als documentatie van een echt systeem.

Op regels gebaseerde simulatiegegevensset

De dataset bevat 48 JPG-bestanden 1280×720 Pixels, verdeeld in acht scenario's met elk zes afbeeldingen. Naast een daglichtreferentie omvat het ook weinig licht, lokale bronnen, regenstrepen, waas, contrastverlies met de afstand, kleurverschuiving bij zonsondergang, hooglichten, bewegingsdegradatie, occlusie van de voorgrond en lage bitrates.

De varianten ondersteunen het testen van pijplijn, annotatie en gevoeligheid voor beeldveranderingen. Ze vervangen de opname op de doellocatie niet en demonstreren niet alleen de prestaties bij echte regen, mist of nachtelijk gebruik.

AI-gegevensset voor synthetische klassen

De AI-dataset bevat 40 RGB-afbeeldingen 1672×941 Pixels, tien per klas. Het omvat vorkheftrucks in haven-, magazijn- en bouwplaatsomgevingen, portaalkranen of aanverwante constructies, containerstapels en overslagzones, evenals barrière-elementen. Alle 40 bestanden hebben verschillende SHA-256-waarden. Dit sluit alleen identieke bestanden uit en toont geen semantische diversiteit, klassenneutraliteit of naleving van locatiespecifieke geometrie- en beveiligingsregels aan.

Voorgrondhouding en compositie

Drie extra voorbeelden tonen de kanteling en gierbeweging van een object op de voorgrond vóór de wegkant, een bouwplaats en een fabriek. Zij controleren of de synthese-instructie en compositieregels een gevraagde pose uitdrukken. Het zijn geen nauwkeurige hoekmetingen en geen bewijs van detectieprestaties op echte systemen.

Metadata en reproduceerbaarheid

Het op regels gebaseerde pad slaat bronhint, uitvoerbestand, scenario, klassehint en verwerkingsinvoer op. 48 regels metadata komen overeen met precies 48 afbeeldingen. Het script Python maakt deel uit van de levering en kan met identieke invoer, afhankelijkheden en parameters worden gereproduceerd. Een productiepijplijn moet bovendien bronrechten registreren, batch-, commit-, afhankelijkheidsversies, willekeurige seed, transformatieparameters, annotatieversie, reviewers en bevroren hashes opnemen.

Gemeten kwaliteitstesten

Alle 48 op regels gebaseerde afbeeldingen waren leesbaar en consistent met 48 regels metadata; elk scenario bevat zes afbeeldingen. Onbekende rijen, resterende algemene straatbronnen, kandidaten met weinig informatie en bijna dubbele paren waren volgens de geïmplementeerde regels respectievelijk 0. De helderheid minimum, mediaan en maximum waren 39,4, 94,55 en 137,5; de grijswaardenstandaardafwijking 15,5, 37,3 en 62,6. Deze waarden beschrijven de belichting en de contrastdekking, geen kwaliteitsklasse.

Leveringsomvang

Geleverd werden op regels gebaseerde en AI-synthetische afbeeldingen, metadata, contactoverzichten, QA-samenvatting, reproduceerbaar Python-script en een klantdocument van 19 pagina's met 16 grote selectieafbeeldingen. Het document ondersteunt visuele inspectie, maar vervangt geen volledige mappen of machinaal leesbare metadata.

Passende werkprocessen

De methode ondersteunt het verduidelijken van vereisten, het opsommen van moeilijke omstandigheden, het testen van een annotatiespecificatie, regressie van de datapijplijn, het bespreken van klassendekking en het plannen van robuustheidsexperimenten. Voor havens, spoorweggebieden, magazijnen, bouwplaatsen en vaste bewaking kan een kleine synthetische batch de omstandigheden bevriezen voordat opnieuw bemonstering, annotatie en modeliteraties in gebruik worden genomen.

Grenzen, risico's en acceptatie

• Zonder vakjes, maskers en keypoints is het pakket geen complete trainingsdataset voor detectie.
• AI-afbeeldingen kunnen structurele, grootte-, perspectief- of beveiligingsfouten bevatten en vereisen menselijke beoordeling.
• Op regels gebaseerde degradatie is een visuele benadering, geen fysiek weer-, vervuilings- of encodermodel.
• Bewijs omvat bestanden en distributies, geen grondwaarheid, detectienauwkeurigheid, stabiliteit of productie op lange termijn.
• Rechten, gegevensbescherming en vertrouwelijkheid van activa moeten worden geregeld in het contract- en databeheer.

Vóór de training moeten de klassedefinitie, het labelformaat, de minimumgrootte, occlusieregels en moeilijke gevallen worden bevroren. Bemonstering, dubbele controle, bijna dubbele scheiding, distributierapporten en precisie, terugroepen, F1 of gedefinieerde doelwaarden op een onafhankelijke echte testset worden aanbevolen.

Veelgestelde vragen

Kunnen de beelden een detector rechtstreeks trainen?

Niet als een geannoteerde detectiegegevensset. Eerst moeten dozen of maskers worden gemaakt, gecontroleerd en gevalideerd in het formaat van het trainingsframework.

Zijn alle 48 controlebeelden gemaakt in een reproduceerbaar proces?

Ja. Script, naamgeving en metadata blijven behouden. Voor reproductie zijn dezelfde inputs, afhankelijkheden, parameters en omgeving nodig.

Vervangen AI-beelden echte locatiegegevens?

Nee. Ze vormen een aanvulling op conceptdekking, scènecombinaties en voorbeeldannotatie. Voor de definitieve test en acceptatie zijn geautoriseerde echte gegevens uit een geschikte operationele omgeving vereist.

Wat bewijst de huidige QA?

Leesbaarheid, matching van de hoeveelheid, geplande distributie en de afwezigheid van exacte duplicaten of gedefinieerde armoede aan informatie. Semantiek, labelnauwkeurigheid en modelprestaties zijn niet bewezen.

Welke input heeft de volgende fase nodig?

Klassen, representatieve locatiebeelden, maat- en occlusieregels, labelformaat, trainingskader, cameraparameters, rechten en meetbare acceptatiedoelen zijn vereist. Beveiligingstoepassingen vereisen procedures voor vals alarm, weglatingen en menselijke controle.