지면 접촉 도구(GET) 경계 상자 주석
Shaip은 12개월간의 착용 모니터링 AI 계약 기간 동안, 백호 버킷 이미지에서 버킷 이빨, 어댑터, 덮개, 립 덮개 등 15가지 지면 접촉 도구 유형에 걸쳐 매달 40,000만 개의 바운딩 박스 주석을 생성했습니다. 이 작업은 흙, 파편, 모션 블러, 저조도 등의 현장 조건에서 내부와 외부 면을 구분하는 것으로, KITTI 1.0 형식의 게이트에서 99% 이상의 정확도를 달성했습니다.
사업 개요
예측 유지보수 및 마모 모니터링이 중장비 AI 분야로 확장됨에 따라, 고객은 잡음이 많고 오염된 실제 현장 이미지에서 백호 버킷의 지면 접촉 도구(GET)를 감지하고 라벨링할 수 있는 도메인별 주석 파이프라인을 필요로 했습니다.
샤이프는 15개 GET 클래스에 걸친 바운딩 박스 배치, 황금률 원칙에 따른 예외 처리, 2단계 품질 보증, 그리고 매주 KITTI 1.0 배포를 포함하는 엔드투엔드 주석 파이프라인을 구축하여 99% 정확도로 12개월 동안 월 4만 개의 이미지를 처리하는 생산 주기를 지원했습니다.
주요 상태
월별 이미지
40,000
GET 수업
15
정확도 임계값
99%
주간 배송
10,000
도전
- 주석 달기 매월 이미지 40,000개 과 9~10개의 경계 상자 이미지당 평균
- 처리 15개의 서로 다른 GET 클래스 내부 얼굴과 외부 얼굴의 구별
- 작업 현장용 이미지 — 먼지, 파편, 모션 블러, 부족한 조명 및 어려운 촬영 각도
- 유지 보수 99% 이상의 어노테이션 정확도 주간 배송 물량이 많아 압박을 받는 상황
- 수출 KITTI 1.0 형식 모델 학습 통합을 위한 준비 완료
해법
GET 스키마 및 클래스 구분
Shaip은 내부 및 외부 버킷 뷰를 모두 포괄하는 15개 클래스의 GET 온톨로지를 구성했습니다. 어노테이터는 각 구성 요소의 내부 및 외부 면을 구분하도록 훈련되었는데, 이는 하위 단계의 마모 모니터링 정확도에 매우 중요한 도메인별 차별화 요소입니다.
야외 사진 촬영을 위한 황금률
주석 작성자들은 데이터 무결성을 유지하기 위해 엄격한 규칙을 준수했습니다. 구성 요소가 명확하게 보이지 않는 곳에는 주석을 생성하지 않았습니다. 파편으로 50% 이상 가려진 GET은 건너뛰었습니다. 흐릿하거나 어두운 구성 요소는 제외했습니다. 입술 분류는 객체의 100%가 보이는 경우에만 레이블을 지정했습니다. 확대/축소 기능은 탐색 용도로만 사용되었으며, 레이블 지정 결정에는 사용하지 않았습니다.
예외 상황 교육 자료
14개의 상세한 사례 연구를 문서화하여 부분적으로 가려진 GET, 움직이는 버킷, 어두운 배경, 인접 구성 요소 간의 경계 모호성 등 일반적인 예외 상황에 대한 주석 작성자를 교육했습니다. 이 라이브러리는 중장비 AI 분야에서 가장 포괄적인 주석 가이드라인 중 하나를 제공합니다.
2단계 품질 보증 및 99% 정확도 게이트
1단계 어노테이션 작업 후, 모든 이미지는 체계적인 검토를 위해 전담 QC 팀으로 전달되었습니다. 사소한 오류는 어노테이션 담당자의 피드백을 통해 수정되었고, 중대한 오류는 재작업 재배정으로 이어졌습니다. 데이터 세트는 어노테이션 정확도가 99% 이상에 도달했을 때만 승인되었습니다. 모든 QC 결과는 투명성을 위해 추적 시트에 기록되었습니다.
KITTI 1.0 형식으로 매주 배송됩니다.
주간 납품 목표는 10,000개의 이미지로 엄격하게 유지되었으며, 모든 이미지는 KITTI 1.0 형식으로 내보내져 모델 학습에 바로 통합할 수 있도록 준비되었습니다. 12개월 계약 기간 동안 이러한 납품 일정은 차질 없이 유지되었습니다.
프로젝트 범위
| 데이터 세트 유형 | 월간 볼륨 | 클래스 | 평균 박스/이미지 | 옵션 | 계약 |
|---|---|---|---|---|---|
| 경계 상자 주석을 가져옵니다. | 40,000 이미지 | 15개의 GET 수업 | 9~10개 상자 | 키티 1.0 | 12 개월 |
결과
- 설립 12개월, 월 40만 개 이미지 파이프라인 중장비 마모 감지 AI용
- 표준화 15개의 GET 수업 내부/외부 얼굴 구분을 통해
- 유지했습니다 99% 이상의 정확도 게이트 주간 납품 압력 하에서 모든 배치에 걸쳐
- 구축 14가지 사례 연구 - 예외 사례 모음 주석 작성자 교육 및 온보딩을 위해
- 배달 KITTI 1.0 형식 출력 모델 학습 통합을 위한 준비 완료
전반적으로 Shaip은 현장 수준의 GET 감지 요구 사항을 구조화되고 바로 사용 가능한 주석 파이프라인으로 변환하는 데 도움을 주었습니다. 이 파이프라인은 일관성, 추적성 및 현장 상황에 맞는 정확도를 바탕으로 마모 모니터링, 예측 유지 보수 및 건설 장비 AI 프로젝트를 지원할 수 있습니다.
Shaip은 먼지, 파편, 모션 블러 등 온갖 문제가 있는 지저분한 이미지도 처리해내면서 12개월 동안 매주 99% 이상의 정확도를 달성했습니다. 그들이 만든 KITTI 1.0 결과물은 모델 학습에 바로 사용되었습니다.
