项目背景
源数据包含港口、门吊及堆场相关图像，以及forklift、cone、bollard、person四类目标清单，但没有检测框或分割掩膜。项目需要先建立一套受控演示数据，用于评审天气、光照、相机退化、物体呈现方式和交付文档，再决定是否进入模型训练阶段。
交付目标
建立可追溯的数据包，并将基于源图的图像增强与独立生成的视觉示例分开管理。每张变换图像记录场景、源文件、随机种子和处理参数。交付物用于数据规划和方案评审，不作为模型精度证明，也不视为已完成标注的生产训练数据。
实施流程
实施过程包括源数据治理、可复现图像处理、场景示例生成、文件量化检查和人工视觉复核。
- 01
审计源数据
清点图像文件、尺寸、类别定义和现有标注格式，明确记录源数据只有类别清单，没有检测框和分割掩膜。
- 02
控制源图范围
复核文件名和联系图，排除与港口作业无关的外部道路图像，再用通过筛选的港口及堆场源图重新生成数据包。
- 03
生成八类条件样本
针对晴天、夜间堆场、雨水镜头、雾霾、夕阳逆光、运动模糊、前景遮挡和监控压缩八种条件，各生成6张1280 x 720图像。
- 04
制作类别场景示例
围绕crane、container、cone、forklift四类对象各生成10张视觉示例，并与源图增强结果分目录保存。
- 05
评审姿态与背景变化
补充3张姿态和背景示例，覆盖路缘倾斜、施工现场左倾以及工厂场景偏航或倾斜。
- 06
整理证据和客户文档
生成元数据、质量检查摘要和两页联系图，并制作19页客户评审文档，选取16张大图用于逐项查看。
交付内容
- 可复现生成脚本
- 用于八类图像条件的参数化脚本，保留固定随机种子和输出元数据。
- 48张图像增强数据
- 8个场景，每个场景6张1280 x 720 JPG；每个输出对应一行元数据。
- 40张分类生成图
- crane、container、cone、forklift四类各10张，与源图增强结果分开管理。
- 姿态与背景示例
- 3张生成图，用于评审目标朝向、构图和环境变化。
- 客户评审文档
- 19页DOCX和PDF，包含16张代表图、数据范围及使用边界。
已核验证据
以下数据来自文件、元数据和文档检查，不是模型性能指标。
源数据审计
4个类别名称；无检测框、无分割掩膜。现有证据只支持图像级仿真和数据规划。若进行监督式目标检测训练，仍需补充标注。
增强数据结果
8个场景共48张1280 x 720 JPG。每个场景6张；元数据记录源文件、场景、随机种子和变换参数。
质量检查
错误、未知记录、外部源图、低信息候选和近重复图像对均为0。48张图像的亮度范围为39.4至137.5，图像标准差范围为15.5至62.6。
生成评审材料
40张分类生成图、3张姿态/背景图，以及包含16张选图的19页文档。这些数量证明数据包完整性和文档排版，不证明标注质量或模型适用性。
已执行验证
- 48张增强图像全部可以打开，尺寸均为预期的1280 x 720。
- 元数据表共48行，八个场景各对应6个输出。
- 源图过滤后复核了两页联系图，最终数据包不含无关的外部道路图像。
- 40张分类生成图和3张姿态/背景图均完成计数和打开检查；未进行标签准确率或模型准确率测试。
使用范围与证据边界
本案例能够证明的范围是数据审计、图像级增强、视觉场景生成、元数据、质量检查和客户文档整理。本案例不声称源数据已经具备直接标注条件，不将生成图像视为已核验的训练标签，也不声称任何检测模型达到特定的精确率、召回率或mAP。进入模型开发前，仍需完成标注、训练集与验证集划分、真实场景代表性检查、类别均衡分析、标注质量检查和基于指标的验收标准。