Instrumente de implicare a terenului (GET) Adnotare cutie de delimitare
Shaip a livrat 40,000 de adnotări ale zonelor de delimitare pe lună pentru 15 clase de instrumente de angajare a terenului - dinți de cupă, adaptoare, capace, capace de buză - pe imagini de cupă excavatoare, distingând fețele interne de cele externe în condiții de teren de murdărie, resturi, neclaritate a mișcării și lumină slabă, cu o precizie de peste 99% în format KITTI 1.0, pe parcursul unui contract de IA de monitorizare a uzurii pe 12 luni.
rezumatul proiectului
Pe măsură ce mentenanța predictivă și monitorizarea uzurii s-au integrat în inteligența artificială a echipamentelor grele, clientul avea nevoie de o conductă de adnotare specifică domeniului, capabilă să detecteze și să eticheteze instrumentele de intervenție la sol (GET) pe cupele excavatoarelor în imagini de teren zgomotoase, murdare și din lumea reală.
Shaip a construit conducta de adnotare end-to-end care acoperă plasarea casetelor de delimitare în 15 clase GET, gestionarea cazurilor limită conform regulii de aur, asigurarea calității pe două niveluri și livrarea săptămânală a KITTI 1.0 — suportând o cadență de producție de 12 luni, cu o precizie de 99%.
Stare cheie
Imagini pe lună
40,000
GET Classes
15
Pragul de precizie
99%
Livrare săptămânală
10,000
Activități
- Adnotarea 40,000 de imagini pe lună implementate cu 9–10 casete de delimitare per imagine în medie
- Manipularea 15 clase GET distincte cu diferențiere a feței interne față de cele externe
- Lucrul cu imagini de teren — murdărie, resturi, neclaritate din cauza mișcării, iluminare slabă și unghiuri dificile
- Mentine Precizie de adnotare de peste 99% sub presiunea livrărilor săptămânale de volum mare
- Export în Formatul KITTI 1.0 pregătit pentru integrarea directă a antrenamentului modelului
Soluţie
Schema GET și diferențierea claselor
Shaip a configurat o ontologie GET cu 15 clase care acoperă atât vederile interne, cât și cele externe ale cupei. Adnotatorii au fost instruiți să facă distincția între fețele interne și externe ale fiecărei componente - o diferențiere specifică domeniului, esențială pentru acuratețea monitorizării uzurii în aval.
Reguli de aur pentru imaginile de teren
Adnotatorii au urmat reguli stricte de aur pentru a menține integritatea datelor. Nu au fost create adnotări unde componentele nu erau clar vizibile. GET-urile acoperite cu mai mult de 50% de resturi au fost omise. Componentele neclare sau întunecate au fost excluse. Clasele de buze au fost etichetate doar atunci când 100% din obiect era vizibil. Zoom-ul a fost utilizat doar pentru navigare, nu și pentru deciziile de etichetare.
Bibliotecă de antrenament Edge-Case
Au fost documentate paisprezece studii de caz detaliate pentru a antrena anotatorii în cazuri limită comune - GET-uri parțial ocluzate, compartimente de date în mișcare, fundaluri întunecate și ambiguitate a limitelor dintre componentele adiacente. Această bibliotecă a făcut ca ghidurile de adnotare să fie printre cele mai cuprinzătoare din domeniul inteligenței artificiale pentru echipamente grele.
Control QA pe două niveluri și poartă de precizie de 99%
După adnotarea de Nivel 1, toate imaginile au fost transmise unei echipe dedicate de control al calității (QC) pentru o revizuire structurată. Erorile minore au fost corectate cu feedback de la adnotatori; erorile majore au declanșat reatribuirea lucrărilor. Seturile de date au fost aprobate numai atunci când acuratețea adnotărilor a atins 99% sau mai mult. Toate rezultatele QC au fost înregistrate într-o foaie de urmărire pentru o transparență deplină.
Livrare săptămânală în format KITTI 1.0
Obiectivele de livrare săptămânală au fost menținute cu strictețe la 10,000 de imagini, toate exportate în format KITTI 1.0 și gata pentru integrarea directă a antrenamentului modelului. Contractul pe 12 luni a menținut această cadență fără decalaje.
Domeniul de aplicare al proiectului
| Tipul setului de date | Volumul lunar | Clase | Medie cutii / imagine | Format | Contract |
|---|---|---|---|---|---|
| GET adnotare casetă de încadrare | Imagini 40,000 | 15 clase GET | 9–10 cutii | KITTI 1.0 | 12 luni |
Rezultate
- Înființat a Canal de producție de 12 luni, cu 40 de imagini pe lună pentru detectarea uzurii echipamentelor grele prin inteligență artificială
- standardizat 15 clase GET cu diferențiere a fețelor interne/externe
- Menținută a Poartă cu precizie de peste 99% pentru fiecare lot sub presiunea livrărilor săptămânale
- Construit a Bibliotecă de 14 studii de caz la limită pentru instruirea și integrarea anotatorilor
- Livrat Ieșiri în format KITTI 1.0 pregătit pentru integrarea directă a antrenamentului modelului
Per total, Shaip a contribuit la transformarea unei cerințe de detectare GET la nivel de teren într-o conductă de adnotare structurată, pregătită pentru producție - una capabilă să susțină monitorizarea uzurii, mentenanța predictivă și inițiativele de inteligență artificială pentru echipamente de construcții, cu consecvență, trasabilitate și precizie realistă pe teren.
Shaip a gestionat cele mai dezordonate imagini pe care le aveam — murdărie, resturi, neclaritate de mișcare, tot ce trebuia — și totuși a oferit o precizie de peste 99% pe o cadență de livrare săptămânală de 12 luni. Rezultatele lor KITTI 1.0 au fost introduse direct în antrenamentul modelului.
