Contexto do Projeto e Limite de Publicação
O projeto tratou da simulação de dados visuais para pátios ferroviários de carga e operações portuárias. O caso público remove cliente, local e identificadores de ativos e relata apenas quantidades, métodos, verificações e limites comprováveis pelos arquivos entregues. A entrada continha imagens de pórticos e áreas de trabalho e uma lista com forklift, cone, bollard e person. Não havia caixas delimitadoras ou máscaras para aprendizado supervisionado.
Este lote é uma entrega de geração e organização no nível de imagem. Não representa treinamento concluído de um detector nem aceitação em campo. Caixas, máscaras e pontos-chave não foram fornecidos e não havia um conjunto de verdade congelado para afirmar melhora de desempenho.
Objetivo de Engenharia
O objetivo foi criar variações reproduzíveis de noite, chuva, névoa, contraluz, desfoque de movimento, oclusão e compressão de vigilância, formando uma base para anotação, treinamento e aceitação posteriores. A organização dos arquivos, o mapeamento de metadados e o QA repetível também foram verificados antes de novas capturas no local.
Dois Fluxos Independentes
O fluxo baseado em regras gerou oito condições ambientais ou degradações a partir de imagens operacionais filtradas; script, nome, cenário e metadados permanecem rastreáveis. O fluxo de IA produziu cenas de empilhadeiras, equipamentos de elevação, contêineres e cones para planejar a cobertura conceitual. Essas imagens são identificadas como sintéticas e não como registros de uma instalação real.
Dataset de Simulação por Regras
O conjunto contém 48 JPGs de 1280×720, oito cenários e seis imagens por cenário. Além da referência diurna, inclui pouca luz, fontes locais, chuva, névoa, perda de contraste à distância, mudança de cor no pôr do sol, altas luzes, movimento, oclusão frontal e compressão de baixa taxa.
| Cenário | Imagens | Uso |
|---|---|---|
| Dia claro | 6 | Referência e regressão do pipeline |
| Pátio noturno | 6 | Pouca luz, fontes locais e ruído |
| Chuva na câmera | 6 | Riscos de chuva e contraste reduzido |
| Névoa | 6 | Perda de contraste com a distância |
| Contraluz no pôr do sol | 6 | Mudança de cor, altas luzes e sombras |
| Desfoque de movimento | 6 | Movimento da câmera ou alvo |
| Oclusão frontal | 6 | Campo de visão parcialmente bloqueado |
| Compressão de vigilância | 6 | Baixa taxa e artefatos em blocos |
As imagens ajudam a testar pipeline, anotação e sensibilidade a mudanças visuais. Não substituem captura na instalação-alvo e não comprovam, sozinhas, desempenho em chuva, névoa ou noite reais.
Dataset Sintético de IA por Classe
O conjunto de IA contém 40 imagens RGB de 1672×941, dez em cada classe. Abrange empilhadeiras em porto, armazém e obra; pórticos e estruturas de elevação relacionadas; pilhas e transferência de contêineres; e elementos de isolamento. Os 40 arquivos têm SHA-256 diferentes. Isso elimina apenas arquivos idênticos, sem provar diversidade semântica, ausência de viés ou conformidade com a geometria e segurança de um local específico.
| Classe | Imagens | Cobertura |
|---|---|---|
| Empilhadeira | 10 | Veículos em pátio, armazém e obra |
| Equipamento de elevação | 10 | Pórtico, ponte ou estrutura semelhante |
| Contêiner | 10 | Empilhamento, transferência e transporte |
| Cone de segurança | 10 | Separação de área e orientação de tráfego |
Amostras de Pose e Composição
Três amostras adicionais mostram inclinação e guinada de um primeiro plano sobre borda de via, canteiro e fábrica. Elas verificam se a instrução de síntese e as restrições de composição expressam a pose solicitada. Não são medições angulares precisas nem evidência de detecção em equipamentos reais.
Metadados e Reprodutibilidade
O fluxo por regras registra referência de origem, arquivo de saída, cenário, indício de classe e processamento. As 48 linhas de metadados correspondem às 48 imagens. O script Python integra a entrega e reproduz as saídas com mesmas entradas, dependências e parâmetros. Um pipeline de produção deve registrar autorização, lote, commit, versões, semente, parâmetros, versão de anotação, revisores e hashes congelados.
Resultados Medidos de QA
As 48 imagens por regras foram abertas e corresponderam a 48 linhas; cada cenário tem seis imagens. Linhas desconhecidas, fontes externas de vias comuns retidas, candidatos de pouca informação e pares quase duplicados no limiar implementado foram 0. Brilho mínimo, mediano e máximo foi 39,4, 94,55 e 137,5; desvio-padrão em cinza 15,5, 37,3 e 62,6. São medidas de cobertura, não notas de qualidade.
| Verificação | Resultado | Interpretação |
|---|---|---|
| Imagens / metadados | 48 / 48 | Contagem consistente e arquivos legíveis |
| Cenários | 8 × 6 | Conforme o plano de geração |
| Desconhecido / fonte externa | 0 / 0 | Indícios lidos e vias comuns filtradas |
| Pouca informação / quase duplicado | 0 / 0 | Nenhum alerta pela regra atual |
| Imagens de IA | 40, 10 por classe | Todas 1672×941 RGB e hashes distintos |
Artefatos Entregues
A entrega contém imagens por regras, imagens de IA, metadados, folhas de contato, resumo de QA, script Python e documento de revisão de 19 páginas com 16 exemplos grandes selecionados. O documento apoia a revisão visual, mas não substitui as pastas completas nem os metadados legíveis por máquina.
Fluxos de Trabalho Aplicáveis
O método apoia esclarecimento de requisitos, enumeração de condições difíceis, ensaio da especificação de anotação, regressão do pipeline, discussão da cobertura e desenho de robustez. Em portos, pátios ferroviários, armazéns, obras e vigilância fixa, um lote pequeno ajuda a congelar condições antes de recaptura, anotação e iteração do modelo.
Limites, Riscos e Aceitação
- Sem caixas, máscaras ou pontos-chave, o pacote não é um dataset completo de detecção.
- Imagens de IA podem conter erros de estrutura, escala, perspectiva ou lógica de segurança e exigem revisão humana.
- A degradação por regras é aproximação visual, não modelo físico de clima, sujeira da lente ou codificador.
- A evidência cobre arquivos e distribuições, não verdade de campo, precisão, estabilidade longa ou produção.
- Direitos, privacidade e confidencialidade devem ser definidos no contrato e na governança de dados.
Antes do treinamento, devem ser congelados classes, formato, tamanho mínimo, regras de oclusão e casos difíceis. Recomenda-se amostragem, dupla revisão, isolamento de quase duplicados, relatórios de distribuição e Precision, Recall, F1 ou métrica acordada em um conjunto real independente.
Perguntas Frequentes
As imagens podem treinar diretamente um detector?
Não como dataset anotado. Caixas ou máscaras devem ser criadas, revisadas e validadas no formato do framework.
As 48 imagens por regras vêm de um processo reproduzível?
Sim. Script, nomes e metadados foram preservados. A reprodução ainda depende das mesmas entradas, dependências, parâmetros e ambiente.
Imagens de IA substituem dados reais?
Não. Elas ampliam conceitos e ensaiam anotação; teste final requer dados reais autorizados e compatíveis com a implantação.
O que o QA atual comprova?
Legibilidade, contagem, distribuição planejada e ausência de duplicatas exatas ou anomalias definidas. Não comprova semântica, rótulo ou desempenho.
Quais entradas são necessárias na próxima fase?
Classes, capturas representativas, regras de tamanho e oclusão, formato, framework, câmera, direitos e metas mensuráveis. Uso de segurança também requer processos para falso alarme, perda e revisão humana.
Online
Phone
WeChat
Top