← Вернуться к проектам Синтетическое видение Data Case

Моделирование данных машинного зрения для порта и портального крана: аугментация изображений, синтетические сцены и контроль качества набора данных

Анонимный Sinovanta Случай, охватывающий аудит источника портов-сцени, увеличение изображения в восьми условиях, генерируемые объектные сцены, метаданные, проверки качества и обзорные документы.

Обязательство
Аудит исходных данных и демонстрация синтетических изображений
Область
Порт и дворец сцены, увеличение изображения, генерируемые образцы, проверки качества и документация
Вход границы
Архив изображений и список четырёх классов; нет граничных ящиков или масок сегментации
Проверенные выходы
48 образцов увеличения, 40 созданных классовых изображений и 3 образца поза/основа
01

Краткий проект

В исходном архиве содержались изображения, связанные с портом и гангстером, а также список из четырех классов: форкифт, конус, боллард и человек. В нем не содержались коробки обнаружения или маски сегментации. Задача состояла в том, чтобы создать контролируемый демонстрационный набор для погоды, освещения, деградации камеры, презентации объектов и обзора документов перед любым решением по обучению моделей.

02

Цель доставки

Создайте отслеживаемый пакет, который отделяет источникополучаемое увеличение от генерируемых визуальных примеров. Каждому преобразованному изображению нужен сценарий, ссылка на источник, семя и запись параметров.Результат был предназначен для планирования и обзора наборов данных, а не как доказательство точности модели или готовых к аннотации данных производства.

Внедрение Workflow

Рабочий процесс объединил управление исходным кодом, воспроизводимую обработку изображений, примеры сцен, количественные проверки файлов и визуальный обзор.

  1. 01

    Проверка источника архива

    Инвентарные файлы изображений, размеры, определения классов и доступные форматы аннотации.Запишите, что в предоставленном архиве имелся список классов, но не было ни ящиков, ни масок.

  2. 02

    Контроль источника допустимости

    Проверьте имена файлов и контактные листы, исключите несвязанные внешние дорожные изображения и регенерируйте пакет из принятого набора портов и дворов.

  3. 03

    Восемь стрессовых ситуаций

    Создайте шесть образцов 1280 x 720 для каждого из ясного дня, ночного двора, дождевой камеры, тумана или тумана, солнечного захода, размытости движения, окклюзии фронта и сжатия наблюдения.

  4. 04

    Создание примеров сцен, ориентированных на класс

    Создайте десять генерируемых изображений для каждого из четырех классов обзора: крана, контейнер, конус и подъемник.

  5. 05

    Обзорная поза и фоновая вариация

    Создайте три дополнительных примера, охватывающих наклон сгиба в городском направлении, lean на строительном участке и заводский наклон или наклон для поддержки обсуждения композиции.

  6. 06

    Пакет доказательств и документации

    Напишите метаданные и резюме качества, создайте два контактных листа и подготовите 19-страничный клиентский документ, содержащий 16 представительных изображений большого формата.

03

Доставленный пакет

Репродуктивный генератор
Параметризированный скрипт для восьми стрессовых условий на уровне изображения, со стабильными семенами и метаданными выхода.
Набор для увеличения изображения 48
Восемь сценариев с шестью 1280 x 720 JPG-файлами на сценарий и один ряд метаданных для каждого выхода.
40 созданных классовых изображений
Десять визуальных примеров для каждого крана, контейнера, конуса и подъемника, хранящихся отдельно от исходных изображений.
Позы и примеры фонов
Три генерируемых примера используются для обзора ориентации объекта, рамкирования и вариации окружающей среды.
Обзорный документ клиента
19-страничная презентация DOCX и PDF с 16 выбранными изображениями, объемом пакета и границами использования.
04

Проверенные доказательства

Следующие цифры представляют собой файлы, метаданные и проверки документов от поставляемого пакета.

Источники аудита

Четыре названия классов; без граничных ящиков или масок.

Доступные доказательства поддерживали только моделирование и планирование на уровне изображения.Он не поддерживал обучение по наблюдению за обнаружением без дополнительной аннотации.

Увеличение выхода

48 JPG-файлов в диапазоне 1280 x 720 в 8 сценариях.

Метаданные записывают исходное изображение, сценарий, случайное семя и параметры трансформации.

Проверка качества

0 ошибок, неизвестные строки, строки с внешним источником, кандидаты с низкой информацией или почти дублированные пары.

Измеряемая яркость колебалась от 39.4 до 137.5 и стандартное отклонение изображения от 15.5 до 62.6 по 48-файловому набору.

Обзор генерируемых активов

40 изображений класса, 3 образца поза/основа и 19-страничный документ с 16 выбранными изображениями.

Эти подсчеты подтверждают полноту пакета и оформление документа. Они не устанавливают качество аннотации или пригодность модели.

05

Валидация выполнена

  • Все 48 расширенных файлов были успешно открыты и достигли ожидаемых размеров 1280 x 720.
  • Таблица метаданных содержала 48 строк, с шестью выходами, присвоенными каждому из восьми сценариев.
  • Обе страницы контактных листов были пересмотрены после фильтрации источника; в конечном пакете не осталось никакого не связанного внешнего дорожного изображения.
  • Сосчитаны и открыты 40 созданных файлов класса и три файла позы/обозрения; тест на точность маркировки или точность модели не проводился.
06

Границы использования и доказательства

Этот случай демонстрирует аудит данных, увеличение уровня изображения, генерируемые визуальные примеры, метаданные, проверки качества и клиентскую документацию. Он не утверждает, что исходный архив был готов к аннотации, что генерируемые изображения являются проверенными учебными этикетками, или что какой-либо детектор достиг указанной точности, отзыва или карты. До разработки модели набор данных все еще требует аннотации, разделения тренировки/валидации, обзора репрезентативности реальной сцены, анализа баланса класса, обеспечения качества аннотации и критериев принятия на основе метрики.

Планирование набора данных видения для портов или промышленных сцен?

Поделитесь структурой источника, целевыми классами, условиями работы, состоянием аннотации и задачей предполагаемой модели. Sinovanta может определить пересматриваемые данные и объем валидации.

Обсудите объем данных →