Синтетические данные для железнодорожных и портовых площадок в сложных условиях

Контекст проекта и границы публикации

Проект посвящён моделированию визуальных данных для грузовых железнодорожных площадок и портовых операций. В открытом кейсе удалены заказчик, место и признаки объектов; приведены только объёмы, методы, проверки и ограничения, подтверждаемые файлами поставки. Вход включал изображения кранов и рабочих зон, а также список forklift, cone, bollard и person. Рамок объектов и масок сегментации для обучения не было.

Это поставка по генерации и организации изображений, а не завершённое обучение детектора и не приёмка алгоритма на объекте. Рамки, маски и ключевые точки не поставлялись; зафиксированного эталонного тестового набора для вывода об улучшении качества не существовало.

Инженерная цель

Цель — воспроизводимые варианты ночи, дождя, тумана, контрового света, смаза, перекрытия и компрессии видеонаблюдения как основа для последующей разметки, обучения и приёмки. Также проверены структура файлов, связь метаданных и повторяемая QA-процедура, чтобы согласовать сценарии до дополнительной съёмки.

Два независимых потока данных

Поток на основе правил создал восемь вариантов среды или деградации из отфильтрованных рабочих изображений; скрипт, имя файла, сценарий и метаданные прослеживаются. Поток ИИ создал сцены с погрузчиками, подъёмной техникой, контейнерами и конусами для планирования охвата. Эти изображения обозначаются как синтетические и не выдаются за записи реального объекта.

Набор моделирования по правилам

Набор содержит 48 JPG 1280×720, восемь сценариев по шесть изображений. Помимо дневной основы, представлены слабое освещение, локальные источники, дождевые полосы, дымка, снижение контраста с расстоянием, цветовой сдвиг заката, блики, движение, переднее перекрытие и низкобитрейтная компрессия.

Варианты помогают проверять конвейер, разметку и чувствительность к визуальным изменениям. Они не заменяют съёмку на целевом объекте и сами по себе не доказывают работу при реальном дожде, тумане или ночью.

Синтетический ИИ-набор по классам

Набор содержит 40 RGB-изображений 1672×941, по десять в четырёх классах. В него входят погрузчики в порту, на складе и стройке; краны и родственные конструкции; контейнерные штабели и зоны перегрузки; элементы ограждения. SHA-256 всех 40 файлов различаются. Это исключает лишь точное совпадение файлов, но не доказывает семантическое разнообразие, отсутствие смещения или соответствие геометрии и безопасности конкретной площадки.

Примеры позы и композиции

Три дополнительных примера показывают наклон и рыскание переднего объекта на фоне края дороги, стройки и завода. Они проверяют способность инструкции и композиционных ограничений выразить позу. Это не точное измерение угла и не доказательство детекции реального оборудования.

Метаданные и воспроизводимость

Поток по правилам хранит указатель источника, выходной файл, сценарий, подсказку класса и запись обработки. 48 строк метаданных взаимно соответствуют 48 изображениям. Python-скрипт входит в поставку и воспроизводит выход при тех же входах, зависимостях и параметрах. Производственный процесс также должен хранить права, партию съёмки, commit, версии, seed, параметры преобразований, версию разметки, проверяющих и хеши замороженного набора.

Измеренные результаты QA

Все 48 изображений открылись и соответствуют 48 строкам; каждый сценарий содержит шесть файлов. Неизвестных строк, оставшихся внешних обычных дорожных источников, малоинформативных кандидатов и почти дублирующихся пар при реализованном пороге — 0. Минимум, медиана и максимум яркости: 39,4, 94,55 и 137,5; стандартное отклонение серого: 15,5, 37,3 и 62,6. Это охват экспозиции и контраста, а не оценка качества.

Состав поставки

Поставка включает изображения по правилам и ИИ, метаданные, контактные листы, сводку QA, Python-скрипт и 19-страничный документ с 16 выбранными крупными примерами. Документ поддерживает визуальную проверку, но не заменяет полные каталоги и машиночитаемые метаданные.

Подходящие процессы

Метод применим для уточнения требований, перечисления сложных условий, репетиции разметки, регрессии конвейера, обсуждения классов и проектирования испытаний устойчивости. Для портов, железнодорожных площадок, складов, строек и фиксированных камер малая синтетическая партия помогает зафиксировать условия до повторной съёмки и обучения.

Ограничения, риски и приёмка

• Без рамок, масок и ключевых точек пакет не является полным набором для обучения детекции.
• ИИ-изображения могут содержать ошибки структуры, масштаба, перспективы или безопасности и требуют проверки человеком.
• Деградация по правилам — визуальное приближение, а не физическая модель погоды, загрязнения линзы или кодека.
• Доказательства относятся к файлам и распределениям, а не к точности, длительной стабильности или эксплуатации.
• Права, приватность и конфиденциальность объекта определяются договором и управлением данными.

До обучения фиксируются классы, формат, минимальный размер, правила перекрытия и сложные случаи. Рекомендуются случайная выборка, двойная проверка, изоляция почти дублей, отчёты распределения и Precision, Recall, F1 или согласованная метрика на независимом реальном наборе.

Частые вопросы

Можно ли сразу обучать детектор?

Нет, это не размеченный детекционный набор. Сначала создаются и проверяются рамки или маски, затем формат валидируется в обучающей среде.

48 изображений получены воспроизводимым процессом?

Да. Сохранены скрипт, имена и метаданные. Для воспроизведения нужны те же входы, зависимости, параметры и среда.

Заменяют ли ИИ-изображения реальные данные?

Нет. Они расширяют понятия и помогают готовить разметку; финальный тест требует разрешённых реальных данных, соответствующих внедрению.

Что доказывает текущая QA?

Читаемость, совпадение количества, плановое распределение и отсутствие точных дублей или заданных аномалий. Она не доказывает семантику, разметку и качество модели.

Что требуется следующему этапу?

Классы, репрезентативная съёмка, правила размеров и перекрытия, формат, framework, камера, права и измеримые цели. Для безопасности нужны процессы ложных тревог, пропусков и проверки человеком.