GET-annotering för markengagerande verktyg (Bounding Box)
Shaip levererade 40 000 annoteringar för avgränsningsrutor per månad över 15 klasser av markbearbetningsverktyg – skoptänder, adaptrar, höljen, läpphöljen – på grävskopbilder, och skilde mellan interna och externa ytor under fältförhållanden med smuts, skräp, rörelseoskärpa och svagt ljus, med en noggrannhetsgrind på över 99 % i KITTI 1.0-format, över ett 12-månaders AI-kontrakt för slitageövervakning.
Projektöversikt
I takt med att prediktivt underhåll och slitageövervakning flyttades över till AI för tung utrustning, behövde klienten en domänspecifik annoteringspipeline som kunde upptäcka och märka markverktyg (GET) på grävskopor över brusiga, smutsiga och verkliga fältbilder.
Shaip byggde en heltäckande annoteringspipelin som täckte placering av avgränsande rutor över 15 GET-klasser, gyllene regelhantering för kantfall, tvånivås QA och veckovis KITTI 1.0-leverans – med stöd för en 12-månaders produktionskadens på 40 000 bilder per månad med en noggrannhetsgrind på 99 %.
Nyckelstatus
Bilder per månad
40,000
GET-klasser
15
Noggrannhetsgräns
99%
Veckovis leverans
10,000
Utmaningar
- Anteckningar 40,000 bilder per månad med 9–10 avgränsande rutor per bild i genomsnitt
- Arbetsmiljö 15 distinkta GET-klasser med intern vs. extern ansiktsdifferentiering
- Att arbeta med fältklassade bilder — smuts, skräp, rörelseoskärpa, dålig belysning och svåra vinklar
- upprätthålla 99%+ annoteringsnoggrannhet under hög volym veckovis leveranspress
- Exporterar i KITTI 1.0-format redo för direkt integration av modellträning
Lösning
GET-schema och klassdifferentiering
Shaip konfigurerade en GET-ontologi med 15 klasser som täckte både interna och externa skopvyer. Annotatörer tränades att skilja mellan de interna och externa ytorna på varje komponent – en domänspecifik differentiering som är avgörande för noggrannhet i nedströms slitageövervakning.
Gyllene regler för fältbilder
Annotatörer följde strikta gyllene regler för att upprätthålla dataintegriteten. Inga annoteringar skapades där komponenter inte var tydligt synliga. GET:er som täcktes av mer än 50 % av skräpet hoppades över. Suddiga eller mörka komponenter exkluderades. Läppklasser märktes endast när 100 % av objektet var synligt. Zoom användes endast för navigering, inte för märkningsbeslut.
Bibliotek för Edge-Case-träning
Fjorton detaljerade fallstudier dokumenterades för att träna annotatörer på vanliga kantfall – delvis ockluderade GET:er, rörelser i buckets, mörka bakgrunder och oklara gränser mellan angränsande komponenter. Detta bibliotek gjorde annoteringsriktlinjerna till en av de mest omfattande inom AI-området för tung utrustning.
Tvånivås QA och 99 % noggrannhetsgrind
Efter annotering på nivå 1 skickades alla bilder till ett särskilt kvalitetskontrollteam för strukturerad granskning. Mindre fel korrigerades med feedback från annotatörer; större fel utlöste omarbetning och omtilldelning. Dataset godkändes endast när annoteringsnoggrannheten nådde 99 % eller högre. Alla kvalitetskontrollresultat loggades i ett spårningsblad för fullständig transparens.
Veckovis leverans i KITTI 1.0-format
Veckovisa leveransmål hölls strikt på 1.0 000 bilder, alla exporterade i KITTI 1.0-format och redo för direkt integrering med modellträning. 12-månaderskontraktet bibehöll denna takt utan avvikelser.
Projektets omfattning
| Dataset typ | Månadsvolym | Klasser | Genomsnittliga rutor/bild | Format | Kontrakt |
|---|---|---|---|---|---|
| HÄMTA avgränsningsrutans annotering | 40,000 bilder | 15 GET-klasser | 9–10 lådor | KITTI 1.0 | 12 månader |
Utkomster
- Etablerade en 12-månaders pipeline med 40 000 bilder per månad för AI för slitagedetektering av tung utrustning
- standardiserad 15 GET-klasser med intern/extern ansiktsdifferentiering
- Underhöll en 99%+ noggrannhetsgrind över varje parti under veckovis leveranspress
- Byggde en 14 fallstudier med kantfallsbibliotek för utbildning och introduktion av annotatörer
- Levererat KITTI 1.0-formatutgångar redo för direkt integration av modellträning
Sammantaget hjälpte Shaip till att omvandla ett fältbaserat GET-detekteringskrav till en strukturerad, produktionsklar annoteringspipeline – en som kan stödja slitageövervakning, prediktivt underhåll och AI-initiativ för byggutrustning med konsekvens, spårbarhet och fältrealistisk noggrannhet.
Shaip hanterade de mest röriga bilderna vi hade – smuts, skräp, rörelseoskärpa, allt – och levererade ändå 99 %+ noggrannhet med en veckovis leveranstid på 12 månader. Deras KITTI 1.0-resultat gick direkt till modellträning.
