การระบุขอบเขตของเครื่องมือขุดเจาะพื้นดิน (GET)
Shaip ส่งมอบข้อมูลการระบุขอบเขต (bounding box annotations) จำนวน 40,000 รายการต่อเดือน สำหรับอุปกรณ์ขุดเจาะพื้นดิน 15 ประเภท ได้แก่ ฟันบุ้งกี๋ อะแดปเตอร์ ฝาครอบ และฝาครอบขอบบุ้งกี๋ บนภาพถ่ายบุ้งกี๋รถขุด โดยสามารถแยกแยะพื้นผิวด้านในและด้านนอกได้ภายใต้สภาพแวดล้อมจริงที่มีฝุ่น สิ่งสกปรก ภาพเบลอจากการเคลื่อนไหว และแสงน้อย ด้วยความแม่นยำมากกว่า 99% ในรูปแบบ KITTI 1.0 ตลอดระยะเวลา 12 เดือน ตามสัญญา AI ตรวจสอบการสึกหรอ
ภาพรวมโครงการ
เนื่องจากการบำรุงรักษาเชิงคาดการณ์และการตรวจสอบการสึกหรอได้ถูกนำมาใช้ใน AI สำหรับอุปกรณ์หนัก ลูกค้าจึงต้องการไปป์ไลน์การระบุข้อมูลเฉพาะด้านที่สามารถตรวจจับและติดป้ายกำกับเครื่องมือที่ใช้ในการทำงานกับพื้นดิน (GETs) บนบุ้งกี๋ของรถขุดในภาพสนามจริงที่มีสัญญาณรบกวนและสิ่งสกปรก
Shaip ได้สร้างไปป์ไลน์การระบุตำแหน่งภาพแบบครบวงจร ครอบคลุมการวางกรอบขอบเขตสำหรับคลาส GET ทั้ง 15 คลาส การจัดการกรณีพิเศษตามกฎทอง การตรวจสอบคุณภาพสองระดับ และการส่งมอบ KITTI 1.0 รายสัปดาห์ ซึ่งสนับสนุนรอบการผลิต 12 เดือน ที่ 40 ภาพต่อเดือน ด้วยความแม่นยำ 99%
สถานะสำคัญ
รูปภาพต่อเดือน
40,000
คลาส GET
15
เกณฑ์ความแม่นยำ
99%
จัดส่งรายสัปดาห์
10,000
ชาเลนจ์ (Challenge)
- คำอธิบายประกอบ 40,000 ภาพต่อเดือน สีสดสวย 9–10 กรอบล้อมรอบ ต่อภาพโดยเฉลี่ย
- การจัดการ คลาส GET ที่แตกต่างกัน 15 คลาส โดยมีความแตกต่างระหว่างใบหน้าภายในและภายนอก
- การทำงานกับ ภาพถ่ายระดับสนาม — ฝุ่นละออง เศษสิ่งสกปรก ภาพเบลอจากการเคลื่อนไหว แสงสว่างไม่เพียงพอ และมุมกล้องที่ยากลำบาก
- การบำรุงรักษา ความแม่นยำในการระบุข้อมูลมากกว่า 99% ภายใต้แรงกดดันจากการจัดส่งปริมาณมากในแต่ละสัปดาห์
- การส่งออกใน รูปแบบ KITTI 1.0 พร้อมสำหรับการบูรณาการการฝึกอบรมโมเดลโดยตรง
Solution
การแยกประเภท Schema และ Class ของ GET
Shaip ได้กำหนดค่าออนโทโลยี GET 15 คลาส ซึ่งครอบคลุมทั้งมุมมองภายในและภายนอกของถัง ผู้ให้ข้อมูลได้รับการฝึกฝนให้แยกแยะความแตกต่างระหว่างพื้นผิวด้านในและด้านนอกของแต่ละส่วนประกอบ ซึ่งเป็นการจำแนกความแตกต่างเฉพาะด้านที่สำคัญต่อความแม่นยำในการตรวจสอบการสึกหรอในขั้นตอนต่อไป
กฎทองสำหรับการถ่ายภาพภาคสนาม
ผู้ให้ข้อมูลปฏิบัติตามกฎทองคำอย่างเคร่งครัดเพื่อรักษาความถูกต้องของข้อมูล ไม่มีการสร้างข้อมูลอธิบายใดๆ ในกรณีที่ส่วนประกอบไม่ชัดเจน GET ที่ถูกปกคลุมด้วยเศษซากมากกว่า 50% จะถูกข้ามไป ส่วนประกอบที่เบลอหรือมืดจะถูกตัดออก การติดป้ายกำกับริมฝีปากจะทำก็ต่อเมื่อมองเห็นวัตถุได้ 100% เท่านั้น การซูมใช้เพื่อการนำทางเท่านั้น ไม่ได้ใช้ในการตัดสินใจติดป้ายกำกับ
คลังฝึกอบรมกรณีพิเศษ
มีการบันทึกกรณีศึกษาโดยละเอียดจำนวน 14 กรณี เพื่อใช้ในการฝึกอบรมผู้ให้คำอธิบายเกี่ยวกับกรณีพิเศษทั่วไป เช่น GET ที่ถูกบดบังบางส่วน ถังที่กำลังเคลื่อนที่ พื้นหลังสีเข้ม และความกำกวมของขอบเขตระหว่างส่วนประกอบที่อยู่ติดกัน คลังข้อมูลนี้ทำให้แนวทางการให้คำอธิบายเป็นหนึ่งในแนวทางที่ครอบคลุมมากที่สุดในด้านปัญญาประดิษฐ์สำหรับเครื่องจักรกลหนัก
ระบบตรวจสอบคุณภาพสองระดับและเกณฑ์ความแม่นยำ 99%
หลังจากขั้นตอนการระบุรายละเอียดระดับ 1 เสร็จสิ้น ภาพทั้งหมดจะถูกส่งต่อให้ทีมควบคุมคุณภาพเฉพาะกิจเพื่อตรวจสอบอย่างเป็นระบบ ข้อผิดพลาดเล็กน้อยจะได้รับการแก้ไขโดยใช้คำติชมจากผู้ระบุรายละเอียด ส่วนข้อผิดพลาดร้ายแรงจะทำให้ต้องมีการมอบหมายงานใหม่เพื่อแก้ไข ชุดข้อมูลจะได้รับการอนุมัติก็ต่อเมื่อความถูกต้องของการระบุรายละเอียดสูงถึง 99% ขึ้นไป ผลลัพธ์การควบคุมคุณภาพทั้งหมดจะถูกบันทึกไว้ในเอกสารติดตามเพื่อความโปร่งใสอย่างเต็มที่
จัดส่งรายสัปดาห์ในรูปแบบ KITTI 1.0
เป้าหมายการส่งมอบงานรายสัปดาห์ถูกกำหนดไว้อย่างเคร่งครัดที่ 10,000 ภาพ โดยทั้งหมดต้องส่งออกในรูปแบบ KITTI 1.0 และพร้อมสำหรับการบูรณาการฝึกอบรมโมเดลโดยตรง สัญญา 12 เดือนนี้รักษาจังหวะการส่งมอบงานนี้ไว้โดยไม่มีความล่าช้า
ขอบเขตโครงการ
| ประเภทชุดข้อมูล | ปริมาณรายเดือน | เรียน | กล่องเฉลี่ย / รูปภาพ | รูปแบบ | สัญญา |
|---|---|---|---|---|---|
| รับคำอธิบายประกอบกรอบขอบเขต | ภาพ 40,000 | คลาส GET 15 คลาส | 9–10 กล่อง | คิตติ 1.0 | 12 เดือน |
ผลลัพธ์
- ก่อตั้งเป็น กระบวนการทำงาน 12 เดือน ประมวลผลภาพ 40 ภาพต่อเดือน สำหรับการตรวจจับการสึกหรอของอุปกรณ์หนักด้วย AI
- มาตรฐาน คลาส GET 15 คลาส โดยมีการแยกแยะใบหน้าภายใน/ภายนอก
- รักษาไว้ ประตูที่มีความแม่นยำ 99% ขึ้นไป ในทุกชุดการผลิตภายใต้แรงกดดันด้านการส่งมอบรายสัปดาห์
- สร้าง คลังกรณีศึกษา 14 กรณี สำหรับการฝึกอบรมและการปฐมนิเทศผู้ทำหน้าที่ใส่คำอธิบายประกอบ
- จัดส่ง เอาต์พุตรูปแบบ KITTI 1.0 พร้อมสำหรับการบูรณาการการฝึกอบรมโมเดลโดยตรง
โดยรวมแล้ว Shaip ช่วยเปลี่ยนข้อกำหนดการตรวจจับ GET ระดับภาคสนามให้กลายเป็นไปป์ไลน์การระบุข้อมูลที่มีโครงสร้างและพร้อมใช้งานในระดับการผลิต ซึ่งสามารถรองรับการตรวจสอบการสึกหรอ การบำรุงรักษาเชิงคาดการณ์ และโครงการ AI สำหรับอุปกรณ์ก่อสร้างได้อย่างสม่ำเสมอ ตรวจสอบย้อนกลับได้ และมีความแม่นยำสมจริงในระดับภาคสนาม
Shaip สามารถรับมือกับภาพที่ยุ่งเหยิงที่สุดที่เรามีได้ ทั้งฝุ่นละออง เศษซาก ภาพเบลอจากการเคลื่อนไหว และอื่นๆ อีกมากมาย และยังคงส่งมอบผลลัพธ์ที่มีความแม่นยำมากกว่า 99% ภายในระยะเวลา 12 เดือน โดยส่งมอบงานสัปดาห์ละครั้ง ผลลัพธ์จาก KITTI 1.0 ของพวกเขาถูกนำไปใช้ในการฝึกฝนโมเดลโดยตรง
