Bodeneingriffswerkzeuge (GET) Begrenzungsrahmen-Annotation
Shaip lieferte im Rahmen eines 12-monatigen KI-Vertrags zur Verschleißüberwachung monatlich 40,000 Begrenzungsrahmen-Annotationen pro Monat für 15 Werkzeugklassen im Bereich Bodenbearbeitungsgeräte – Schaufelzähne, Adapter, Abdeckungen, Lippenabdeckungen – auf Bildern von Baggerschaufeln. Dabei wurden unter realen Feldbedingungen mit Schmutz, Ablagerungen, Bewegungsunschärfe und schlechten Lichtverhältnissen Innen- und Außenflächen unterschieden. Die Genauigkeit betrug über 99 % im KITTI-1.0-Format.
Projektübersicht
Da vorausschauende Wartung und Verschleißüberwachung in die KI für schwere Baumaschinen Einzug hielten, benötigte der Kunde eine domänenspezifische Annotationspipeline, die in der Lage war, Bodeneingriffswerkzeuge (GETs) an Baggerlöffeln auf verrauschten, schmutzigen Bildern aus der realen Feldarbeit zu erkennen und zu kennzeichnen.
Shaip entwickelte die durchgängige Annotationspipeline, die die Platzierung von Begrenzungsrahmen in 15 GET-Klassen, die Behandlung von Grenzfällen nach der goldenen Regel, die zweistufige Qualitätssicherung und die wöchentliche Auslieferung von KITTI 1.0 umfasst – und unterstützt damit einen Produktionsrhythmus von 12 Monaten mit 40 Bildern pro Monat bei einer Genauigkeit von 99 %.
Schlüsselstatus
Bilder pro Monat
40,000
GET-Klassen
15
Genauigkeitsschwelle
99%
Wöchentliche Lieferung
10,000
Challenges
- Kommentieren 40,000 Bilder pro Monat und 9–10 Begrenzungsrahmen pro Bild im Durchschnitt
- Handhabung 15 verschiedene GET-Klassen mit innerer vs. äußerer Gesichtsunterscheidung
- In Zusammenarbeit mit Feldbildmaterial — Schmutz, Trümmer, Bewegungsunschärfe, schlechte Beleuchtung und ungünstige Blickwinkel
- Aufrechterhaltung Annotationsgenauigkeit von über 99 % unter hohem wöchentlichem Lieferdruck
- Exportieren in KITTI 1.0-Format bereit für die direkte Integration des Modelltrainings
Lösung
GET-Schema- und Klassendifferenzierung
Shaip konfigurierte eine GET-Ontologie mit 15 Klassen, die sowohl interne als auch externe Ansichten abdeckt. Annotatoren wurden darin geschult, zwischen den internen und externen Seiten jeder Komponente zu unterscheiden – eine domänenspezifische Differenzierung, die für die Genauigkeit der nachfolgenden Verschleißüberwachung entscheidend ist.
Goldene Regeln für Feldaufnahmen
Die Annotatoren befolgten strenge Richtlinien, um die Datenintegrität zu gewährleisten. Es wurden keine Annotationen erstellt, wenn Komponenten nicht deutlich sichtbar waren. GETs, die zu mehr als 50 % von Trümmern verdeckt waren, wurden übersprungen. Unscharfe oder dunkle Komponenten wurden ausgeschlossen. Lippenklassen wurden nur dann beschriftet, wenn das Objekt vollständig sichtbar war. Die Zoomfunktion wurde ausschließlich zur Navigation und nicht zur Beschriftungsentscheidung verwendet.
Schulungsbibliothek für Grenzfälle
Vierzehn detaillierte Fallstudien wurden dokumentiert, um Annotatoren für häufige Grenzfälle zu schulen – teilweise verdeckte GETs, sich bewegende Behälter, dunkle Hintergründe und unscharfe Abgrenzungen zwischen benachbarten Bauteilen. Diese Bibliothek machte die Annotationsrichtlinien zu einem der umfassendsten im Bereich der KI für schwere Baumaschinen.
Zweistufige Qualitätssicherung & 99% Genauigkeitsgarantie
Nach der Annotation der Stufe 1 wurden alle Bilder einem spezialisierten QC-Team zur strukturierten Überprüfung vorgelegt. Kleinere Fehler wurden mithilfe des Feedbacks der Annotatoren korrigiert; schwerwiegendere Fehler führten zu einer erneuten Bearbeitung. Datensätze wurden erst freigegeben, wenn die Annotationsgenauigkeit mindestens 99 % erreichte. Alle QC-Ergebnisse wurden zur vollständigen Transparenz in einem Protokoll erfasst.
Wöchentliche Lieferung im KITTI 1.0-Format
Die wöchentlichen Lieferziele von 10,000 Bildern wurden strikt eingehalten; alle Bilder wurden im KITTI 1.0-Format exportiert und waren somit direkt für das Modelltraining geeignet. Der 12-Monats-Vertrag gewährleistete diesen Lieferrhythmus ohne Abweichungen.
Projektumfang
| Datensatztyp | Monatliches Volumen | Klassen | Durchschnittliche Boxen / Bild | Format | Contract |
|---|---|---|---|---|---|
| Begrenzungsrahmen-Annotation abrufen | 40,000 Bilder | 15 GET-Klassen | 9–10 Kartons | KITTI 1.0 | 12 Monate |
Ergebnisse:
- Gegründet a 12-monatige Pipeline mit 40 Bildern pro Monat KI zur Verschleißerkennung von Baumaschinen
- Standardisiert 15 GET-Klassen mit innerer/äußerer Gesichtsdifferenzierung
- Behielt eine Tor mit über 99 % Genauigkeit bei jeder Charge unter wöchentlichem Lieferdruck
- Gebaut a Bibliothek mit 14 Fallstudien zu Grenzfällen für die Schulung und Einarbeitung von Annotatoren
- Erfolgreicher Abschluss von KITTI 1.0 Formatausgaben bereit für die direkte Integration des Modelltrainings
Insgesamt hat Shaip dazu beigetragen, eine GET-Erkennungsanforderung für den Feldeinsatz in eine strukturierte, produktionsreife Annotationspipeline umzuwandeln – eine Pipeline, die in der Lage ist, Verschleißüberwachung, vorausschauende Wartung und KI-Initiativen für Baumaschinen mit Konsistenz, Rückverfolgbarkeit und feldrealistischer Genauigkeit zu unterstützen.
Shaip bewältigte selbst die schwierigsten Bilddaten – Schmutz, Trümmer, Bewegungsunschärfe, alles, was dazugehört – und lieferte dabei über 12 Monate hinweg wöchentlich eine Genauigkeit von über 99 %. Die Ergebnisse von KITTI 1.0 flossen direkt in das Modelltraining ein.
