Projektauftrag
Das Quellarchiv enthielt Bilder aus Hafen- und Portalkranumgebungen sowie die vier Klassen forklift, cone, bollard und person. Detektionsboxen oder Segmentierungsmasken waren nicht vorhanden. Benötigt wurde ein kontrollierter Demonstrationsdatensatz für Wetter, Licht, Kamerastörungen, Objektdarstellung und Dokumentenprüfung vor einer Entscheidung zur Modellentwicklung.
Lieferziel
Erstellt werden sollte ein nachvollziehbares Paket, das quellbasierte Augmentation und generierte Visualisierungen trennt. Für jedes transformierte Bild wurden Szenario, Quelle, Seed und Parameter dokumentiert. Das Ergebnis dient der Datenplanung und Prüfung, nicht als Nachweis für Modellgenauigkeit oder als produktionsfertig annotierter Datensatz.
Umsetzungsablauf
Der Ablauf verband Quellenkontrolle, reproduzierbare Bildverarbeitung, generierte Szenen, quantitative Dateiprüfung und visuelle Abnahme.
- 01
Quellarchiv prüfen
Bilddateien, Abmessungen, Klassendefinitionen und vorhandene Annotationsformate erfassen. Dokumentieren, dass nur eine Klassenliste, aber keine Boxen oder Masken vorlagen.
- 02
Zulässige Quellen abgrenzen
Dateinamen und Kontaktbögen prüfen, nicht zugehörige Straßenbilder ausschließen und das Paket aus dem freigegebenen Hafen- und Hofmaterial neu erzeugen.
- 03
Acht Belastungsbedingungen erzeugen
Je sechs Bilder mit 1280 x 720 Pixeln für klaren Tag, Nachthof, Regenkamera, Nebel oder Dunst, Gegenlicht bei Sonnenuntergang, Bewegungsunschärfe, Vordergrundverdeckung und Überwachungskompression erstellen.
- 04
Klassenbezogene Szenen erstellen
Je zehn generierte Bilder für crane, container, cone und forklift erzeugen und getrennt von den quellbasierten Augmentationen speichern.
- 05
Pose und Hintergrund prüfen
Drei zusätzliche Beispiele für Bordsteinneigung, Baustellenneigung und Fabrik-Yaw beziehungsweise -Neigung zur Kompositionsprüfung erstellen.
- 06
Nachweise und Dokumentation paketieren
Metadaten und Qualitätszusammenfassung schreiben, zwei Kontaktbögen erzeugen und ein 19-seitiges Kundendokument mit 16 großformatigen Beispielbildern erstellen.
Lieferumfang
- Reproduzierbarer Generator
- Parametriertes Skript für acht bildbezogene Belastungen mit stabilen Seeds und Ausgabemetadaten.
- Augmentationssatz mit 48 Bildern
- Acht Szenarien mit je sechs JPG-Dateien in 1280 x 720 Pixeln und einer Metadatenzeile pro Ausgabe.
- 40 generierte Klassenbilder
- Je zehn Visualisierungen für crane, container, cone und forklift, getrennt von quellbasierten Bildern.
- Pose- und Hintergrundbeispiele
- Drei generierte Beispiele zur Prüfung von Orientierung, Bildausschnitt und Umgebung.
- Kundendokument
- 19-seitige DOCX- und PDF-Fassung mit 16 ausgewählten Bildern, Leistungsumfang und Nutzungsgrenzen.
Geprüfte Nachweise
Die folgenden Angaben beruhen auf Datei-, Metadaten- und Dokumentprüfungen. Es handelt sich nicht um Leistungskennzahlen eines Modells.
Quellenaudit
Vier Klassennamen; keine Bounding Boxes oder Masken.Die Evidenz erlaubte Bildsimulation und Planung, aber kein überwachtes Detektionstraining ohne zusätzliche Annotation.
Augmentationsausgabe
48 JPG-Dateien mit 1280 x 720 Pixeln in 8 Szenarien.Jedes Szenario enthält sechs Dateien. Die Metadaten erfassen Quelle, Szenario, Seed und Transformationsparameter.
Qualitätsprüfung
0 Fehler, unbekannte Zeilen, externe Quellen, informationsarme Kandidaten oder nahezu identische Paare.Die Helligkeit lag zwischen 39,4 und 137,5, die Bild-Standardabweichung zwischen 15,5 und 62,6.
Generierte Prüfmedien
40 Klassenbilder, 3 Pose-/Hintergrundbeispiele und 19 Seiten mit 16 ausgewählten Bildern.Die Zählung bestätigt Vollständigkeit und Dokumentlayout, nicht Annotationsqualität oder Modelleignung.
Durchgeführte Validierung
- Alle 48 augmentierten Dateien ließen sich öffnen und hatten die erwarteten Abmessungen 1280 x 720.
- Die Metadatentabelle enthielt 48 Zeilen und je sechs Ausgaben für jedes der acht Szenarien.
- Beide Kontaktbögen wurden nach der Quellenfilterung geprüft; im Endpaket verblieb kein sachfremdes externes Straßenbild.
- 40 generierte Klassenbilder und drei Pose-/Hintergrundbilder wurden gezählt und geöffnet; Label- oder Modellgenauigkeit wurde nicht geprüft.
Nutzungs- und Evidenzgrenze
Die Fallstudie belegt Datenaudit, Bildaugmentation, generierte Visualisierungen, Metadaten, Qualitätsprüfungen und Kundendokumentation. Sie behauptet weder Annotationsreife der Quelle noch verifizierte Trainingslabels oder eine bestimmte Precision, Recall oder mAP. Vor der Modellentwicklung sind Annotation, Train-/Validierungsaufteilung, Prüfung der Repräsentativität realer Szenen, Klassenbalance, Annotations-QA und metrische Abnahmekriterien erforderlich.