Dữ liệu thị giác tổng hợp cho bãi cảng và đường sắt cùng mô phỏng điều kiện khó

Bối cảnh dự án và phạm vi công bố

Dự án xử lý mô phỏng dữ liệu thị giác cho bãi hàng đường sắt và hoạt động cảng. Bản công khai đã loại bỏ khách hàng, địa điểm và dấu hiệu nhận dạng tài sản; chỉ nêu số lượng, phương pháp, kiểm tra và giới hạn có thể đối chiếu từ tệp bàn giao. Đầu vào có ảnh cẩu giàn, khu vực làm việc và tệp lớp forklift, cone, bollard, person, nhưng không có hộp giới hạn hay phân đoạn dùng trực tiếp cho học có giám sát.

Đây là gói tạo và tổ chức dữ liệu ở mức ảnh, không phải dự án đã hoàn tất huấn luyện bộ phát hiện hoặc nghiệm thu hiện trường. Gói không có hộp, mặt nạ, điểm khóa hoặc tập chân trị đã khóa để kết luận cải thiện hiệu năng.

Mục tiêu kỹ thuật

Mục tiêu là tạo biến thể có thể tái lập cho ban đêm, mưa, sương, ngược sáng, nhòe chuyển động, che khuất và nén giám sát, sau đó hình thành nền tảng cho gán nhãn, huấn luyện và nghiệm thu. Cấu trúc tệp, ánh xạ siêu dữ liệu và QA lặp lại cũng được kiểm tra để thống nhất kịch bản trước khi thu thêm dữ liệu hiện trường.

Hai luồng dữ liệu độc lập

Luồng dựa trên quy tắc tạo tám dạng môi trường hoặc suy giảm ảnh từ cảnh làm việc đã sàng lọc; tập lệnh, tên đầu ra, kịch bản và siêu dữ liệu đều truy vết được. Luồng AI tạo cảnh xe nâng, thiết bị nâng, container và cọc tiêu để lập kế hoạch phạm vi khái niệm. Ảnh này được quản lý là ảnh tổng hợp, không phải hồ sơ của một cơ sở thực.

Bộ dữ liệu mô phỏng theo quy tắc

Bộ dữ liệu có 48 ảnh JPG 1280×720, tám kịch bản, mỗi kịch bản sáu ảnh. Ngoài mốc ánh sáng bình thường, bộ ảnh bao phủ thiếu sáng, nguồn sáng cục bộ, vệt mưa, sương mù, suy giảm tương phản theo khoảng cách, lệch màu hoàng hôn, vùng sáng, nhòe chuyển động, che khuất và nén bitrate thấp.

Các ảnh hỗ trợ kiểm tra pipeline, quy trình gán nhãn và độ nhạy với thay đổi thị giác. Chúng không thay thế thu thập tại cơ sở đích và không tự chứng minh hiệu năng trong mưa, sương hoặc ban đêm thực tế.

Bộ ảnh AI tổng hợp theo lớp

Bộ AI có 40 ảnh RGB 1672×941, bốn lớp, mỗi lớp mười ảnh. Nội dung gồm xe nâng trong cảng, kho và công trường; cẩu giàn hoặc kết cấu nâng tương tự; bãi container và khu chuyển tải; phần tử cách ly an toàn. SHA-256 của 40 tệp đều khác nhau. Điều này chỉ loại trừ tệp trùng hoàn toàn, không chứng minh đa dạng ngữ nghĩa, không thiên lệch hay tuân thủ hình học và quy tắc an toàn của một cơ sở cụ thể.

Mẫu tư thế và bố cục tiền cảnh

Ba mẫu bổ sung thể hiện độ nghiêng và góc quay trước nền ven đường, công trường và nhà máy. Chúng kiểm tra khả năng biểu đạt tư thế theo lời nhắc và ràng buộc bố cục, không phải phép đo góc chính xác hay bằng chứng hiệu năng phát hiện thiết bị thật.

Siêu dữ liệu và khả năng tái lập

Luồng quy tắc lưu dấu nguồn, tệp đầu ra, kịch bản, gợi ý lớp và bản ghi xử lý. 48 dòng siêu dữ liệu ánh xạ một-một với 48 ảnh. Tập lệnh Python được giữ trong gói để tái lập với cùng đầu vào, phụ thuộc và tham số. Pipeline vận hành còn phải ghi quyền nguồn, lô thu thập, commit, phiên bản phụ thuộc, seed ngẫu nhiên, tham số biến đổi, phiên bản quy tắc nhãn, người duyệt và hash của tập đã khóa.

Kết quả kiểm tra chất lượng

Cả 48 ảnh quy tắc đều đọc được và khớp 48 dòng siêu dữ liệu; mỗi kịch bản có sáu ảnh. Số dòng không xác định, nguồn đường phổ thông còn lại, ứng viên ít thông tin và cặp gần trùng theo ngưỡng hiện tại đều bằng 0. Độ sáng nhỏ nhất, trung vị và lớn nhất là 39,4, 94,55 và 137,5; độ lệch chuẩn mức xám là 15,5, 37,3 và 62,6. Đây là phạm vi phơi sáng và tương phản, không phải điểm chất lượng.

Sản phẩm bàn giao

Gói gồm ảnh mô phỏng quy tắc, ảnh AI tổng hợp, siêu dữ liệu, bảng xem trước, tóm tắt QA, tập lệnh Python và tài liệu khách hàng 19 trang với 16 ảnh lớn đã chọn. Tài liệu dùng để duyệt trực quan, không thay thế thư mục ảnh đầy đủ và siêu dữ liệu máy đọc.

Quy trình phù hợp

Phương pháp phù hợp để làm rõ yêu cầu, liệt kê điều kiện khó, thử quy tắc gán nhãn, hồi quy pipeline, thảo luận phạm vi lớp và thiết kế thí nghiệm độ bền. Với cảng, bãi đường sắt, kho, công trường và camera cố định, một lô tổng hợp nhỏ giúp khóa điều kiện trước khi quyết định chụp lại, gán nhãn và lặp mô hình.

Giới hạn, rủi ro và nghiệm thu

• Không có hộp, mặt nạ hay điểm khóa nên đây không phải bộ dữ liệu huấn luyện phát hiện hoàn chỉnh.
• Ảnh AI có thể sai cấu trúc, tỷ lệ, phối cảnh hoặc logic an toàn và cần người duyệt.
• Suy giảm theo quy tắc là xấp xỉ thị giác, không phải mô hình vật lý của thời tiết, bẩn ống kính hay bộ mã hóa.
• Bằng chứng hiện tại về tệp và phân bố, không gồm chân trị hiện trường, độ chính xác, độ ổn định dài hạn hay vận hành.
• Quyền dữ liệu, riêng tư và bảo mật cơ sở phải được xác định trong hợp đồng và quản trị dữ liệu.

Trước huấn luyện chính thức cần khóa định nghĩa lớp, định dạng nhãn, kích thước nhỏ nhất, quy tắc che khuất và ca khó. Nên lấy mẫu ngẫu nhiên, duyệt kép, tách dữ liệu gần trùng giữa các tập, báo cáo phân bố và đánh giá Precision, Recall, F1 hoặc chỉ số đã thống nhất trên tập thực độc lập.

Câu hỏi thường gặp

Có thể dùng trực tiếp để huấn luyện bộ phát hiện không?

Không theo nghĩa bộ phát hiện đã gán nhãn. Phải tạo và duyệt hộp hoặc mặt nạ, sau đó kiểm tra định dạng của framework huấn luyện.

48 ảnh quy tắc có từ một quy trình tái lập không?

Có. Gói giữ tập lệnh, tên đầu ra và siêu dữ liệu. Việc tái lập vẫn cần cùng đầu vào, phụ thuộc, tham số và môi trường.

Ảnh AI có thay thế ảnh hiện trường không?

Không. Chúng hỗ trợ phạm vi khái niệm, tổ hợp cảnh và thử quy tắc nhãn; kiểm thử cuối cần dữ liệu thực đã được phép và phù hợp môi trường triển khai.

QA hiện tại chứng minh điều gì?

Chứng minh khả năng đọc, khớp số lượng, phân bố kế hoạch và không có tệp trùng hoàn toàn hay ngoại lệ ít thông tin đã định nghĩa. Không chứng minh ngữ nghĩa, nhãn hay hiệu năng mô hình.

Giai đoạn tiếp theo cần đầu vào gì?

Cần định nghĩa lớp, ảnh hiện trường đại diện, quy tắc kích thước và che khuất, định dạng nhãn, framework, tham số camera, quyền dữ liệu và chỉ số nghiệm thu. Ứng dụng an toàn còn cần quy trình báo giả, bỏ sót và duyệt thủ công.