Zor koşullar altında demiryolu ve liman operasyonları için sentetik görüntü verileri

Proje içeriği ve yayın sınırı

Proje, demiryolu yük alanları ve liman operasyonları için görüntü verilerinin simülasyonunu ele aldı. Bu halka açık vaka çalışmasında müşteri, konum ve varlık tanımlayıcısı kaldırılmıştır. Sadece teslimat dosyaları bazında takip edilebilecek miktarlar, prosedürler, testler ve limitler anlatılmaktadır. Girdi, portal vinçlerin ve çalışma alanlarının görüntülerinin yanı sıra bir sınıf dosyasını da içeriyordu. forklift, cone, bollard ve person. Denetimli öğrenmeye yönelik sınırlayıcı kutu veya bölümlendirme ek açıklamaları mevcut değildi.

Bu paket görüntü düzeyinde bir teslimattır. Bu ne bir nesne dedektörünün tamamlanmış bir eğitimi ne de bir saha kabulü değildir. Kutular, maskeler ve anahtar noktalar teslim edilmedi; Performanstaki artışı göstermek için ayarlanmış bir donmuş temel doğruluk testi de mevcut değildi.

Teknik hedef

Amaç gece, yağmur, sis, arka ışık, hareket bulanıklığı, tıkanma ve gözetleme sıkıştırması için tekrarlanabilir değişkenler yaratmaktı. Daha sonraki açıklama, eğitim ve kabul için yapılandırılmış bir temel oluştururlar. Ayrıca dosya organizasyonu, meta veri haritalaması ve tekrarlanabilir kalite kontrolleri de kontrol edildi; böylece senaryolar ve kabul kriterleri sahada daha fazla kayıt yapılmadan önce koordine edilebilir.

İki ayrı veri yolu

Kurala dayalı yol, test edilen operasyonel sahnelerde sekiz çevresel veya görüntü bozulmasına neden oldu; Komut dosyası, çıktı adı, senaryo ve meta veriler izlenebilir durumda kalır. Yapay zeka yolu, dönem ve sınıf kapsamını planlamak için forkliftler, yük asansörleri, konteynerler ve trafik konileri içeren sahneler oluşturdu. Bu görüntüler sentetik olarak işaretlenmiştir ve gerçek bir sistemin dokümantasyonu olarak sunulmamaktadır.

Kural tabanlı simülasyon veri seti

Veri kümesi 48 JPG dosyası içerir 1280×720 Her biri altı görselden oluşan sekiz senaryoya bölünmüş pikseller. Gün ışığı referansına ek olarak, düşük ışık, yerel kaynaklar, yağmur çizgileri, pus, mesafeyle kontrast kaybı, gün batımı renk değişimi, parlak noktalar, hareket bozulması, ön plan tıkanması ve düşük bit hızlarını kapsar.

Varyantlar, işlem hattının test edilmesini, ek açıklamaları ve görüntü değişikliklerine duyarlılığı destekler. Hedef konumdaki kaydın yerini almazlar ve gerçek yağmurda, siste veya gece çalışmasında tek başına performans göstermezler.

AI sentetik sınıf veri seti

AI veri kümesi 40 RGB görüntüsü içerir 1672×941 Piksel, sınıf başına on adet. Liman, depo ve şantiye ortamlarındaki forkliftleri, portal vinçleri veya ilgili yapıları, konteyner istiflerini ve transfer bölgelerini ve bariyer elemanlarını içerir. 40 dosyanın tümü farklı SHA-256 değerlerine sahiptir. Bu yalnızca aynı dosyaları hariç tutar ve anlamsal çeşitlilik, sınıf tarafsızlığı veya siteye özgü geometri ve güvenlik kurallarına uygunluk göstermez.

Ön plan pozu ve kompozisyon

Üç ek örnek, yol kenarı, inşaat alanı ve fabrikanın önündeki ön plandaki bir nesnenin eğimini ve sapmasını göstermektedir. Sentez talimatının ve kompozisyon kurallarının istenen bir pozu ifade edip etmediğini kontrol ederler. Bunlar hassas açı ölçümleri değildir ve gerçek sistemlerdeki algılama performansının kanıtı değildir.

Meta veriler ve tekrarlanabilirlik

Kural tabanlı yol, kaynak ipucunu, çıktı dosyasını, senaryoyu, sınıf ipucunu ve işleme girişini saklar. 48 satırlık meta veri tam olarak 48 görüntüye karşılık gelir. Python betiği teslimatın bir parçasıdır ve verilen aynı girdileri, bağımlılıkları ve parametreleri yeniden üretebilir. Bir üretim hattı ayrıca kaynak haklarını, toplu işlemi, taahhütü, bağımlılık sürümlerini, rastgele çekirdeği, dönüşüm parametrelerini, ek açıklama sürümünü, gözden geçirenleri ve dondurulmuş karmaları günlüğe kaydetmelidir.

Ölçülen kalite testleri

48 kural tabanlı görüntünün tamamı okunabilirdi ve 48 satırlık meta veriyle tutarlıydı; her senaryo altı resim içerir. Uygulanan kurallar kapsamında bilinmeyen satırlar, kalan genel sokak kaynakları, düşük bilgili adaylar ve neredeyse kopya çiftler sırasıyla 0'dı. Minimum, ortanca ve maksimum parlaklık 39,4, 94,55 ve 137,5; gri tonlamalı standart sapma 15,5, 37,3 ve 62,6. Bu değerler bir kalite derecesini değil, pozlama ve kontrast kapsamını tanımlar.

Teslimat kapsamı

Teslim edilenler; kural tabanlı ve AI sentetik görüntüler, meta veriler, iletişim genel bakışları, QA özeti, tekrarlanabilir Python komut dosyası ve 16 geniş seçim görseli içeren 19 sayfalık bir müşteri belgesidir. Belge görsel incelemeyi destekler ancak tam klasörlerin veya makine tarafından okunabilen meta verilerin yerini almaz.

Uygun iş akışları

Yöntem, gereksinimlerin açıklığa kavuşturulmasını, zor koşulların listelenmesini, bir açıklama spesifikasyonunun test edilmesini, veri hattının regresyonunu, sınıf kapsamının tartışılmasını ve sağlamlık deneylerinin planlanmasını destekler. Limanlar, demiryolu alanları, depolar, inşaat sahaları ve sabit gözetim için küçük bir sentetik parti, yeniden numune alma, açıklama ekleme ve model yinelemeleri devreye alınmadan önce koşulları dondurabilir.

Sınırlar, riskler ve kabul

• Kutular, maskeler ve anahtar noktalar olmadan paket, tespit için eksiksiz bir eğitim veri seti değildir.
• AI görüntüleri yapısal, boyut, perspektif veya güvenlik hataları içerebilir ve insan tarafından incelenmesini gerektirebilir.
• Kurallara dayalı bozulma, fiziksel bir hava durumu, kirlilik veya kodlayıcı modeli değil, görsel bir yaklaşımdır.
• Kanıtlar; temel gerçekleri, tespit doğruluğunu, uzun vadeli istikrarı veya üretimi değil, dosyaları ve dağıtımları içerir.
• Haklar, veri koruma ve varlık gizliliği sözleşmede ve veri yönetiminde düzenlenmelidir.

Eğitim öncesinde sınıf tanımı, etiket formatı, minimum boyut, kapatma kuralları ve zor vakalar dondurulmalıdır. Bağımsız bir gerçek test seti üzerinde örnekleme, çift kontrol, neredeyse kopya ayırma, dağıtım raporları ve kesinlik, geri çağırma, F1 veya tanımlanmış hedef değerler önerilir.

Sık sorulan sorular

Görüntüler doğrudan bir dedektörü eğitebilir mi?

Açıklamalı bir tespit veri seti olarak değil. İlk olarak, eğitim çerçevesi formatında kutular veya maskeler oluşturulmalı, kontrol edilmeli ve doğrulanmalıdır.

48 kontrol görüntüsünün tamamı tekrarlanabilir bir süreçte mi oluşturuldu?

Evet. Komut dosyası, adlandırma ve meta veriler korunur. Üreme aynı girdileri, bağımlılıkları, parametreleri ve ortamı gerektirir.

Yapay zeka görüntüleri gerçek konum verilerinin yerini mi alıyor?

Hayır. Konsept kapsamını, sahne kombinasyonlarını ve örnek açıklamaları tamamlarlar. Son test ve kabul, uygun bir operasyonel ortamdan alınan yetkili gerçek verileri gerektirir.

Mevcut QA neyi kanıtlıyor?

Okunabilirlik, miktar eşleştirme, planlı dağıtım ve tam kopyaların bulunmaması veya tanımlanmış bilgi eksikliği. Anlambilim, etiket doğruluğu ve model performansı kanıtlanmamıştır.

Bir sonraki aşamanın hangi girdiye ihtiyacı var?

Sınıflar, temsili konum görüntüleri, boyut ve kapatma kuralları, etiket formatı, eğitim çerçevesi, kamera parametreleri, haklar ve ölçülebilir kabul hedefleri gereklidir. Güvenlik uygulamaları yanlış alarmlara, ihmallere ve insan kontrolüne yönelik prosedürler gerektirir.