Outils d'engagement au sol (GET) Annotation de la boîte englobante
Shaip a fourni 40 000 annotations de boîtes englobantes par mois pour 15 classes d'outils de travail du sol (dents de godet, adaptateurs, carénages, lèvres de godet) sur des images de godets de pelle rétro. Ces annotations distinguaient les faces internes et externes dans des conditions de terrain difficiles (poussière, débris, flou de mouvement et faible luminosité), avec une précision supérieure à 99 % au format KITTI 1.0, dans le cadre d'un contrat d'IA de surveillance de l'usure d'une durée de 12 mois.
Résumé du projet
Alors que la maintenance prédictive et la surveillance de l'usure s'intégraient à l'IA des équipements lourds, le client avait besoin d'un pipeline d'annotation spécifique au domaine capable de détecter et d'étiqueter les outils d'engagement du sol (GET) sur les godets de pelle rétro à travers des images de terrain bruyantes, sales et réelles.
Shaip a construit le pipeline d'annotation de bout en bout couvrant le placement des boîtes englobantes sur 15 classes GET, la gestion des cas limites selon la règle d'or, l'assurance qualité à deux niveaux et la livraison hebdomadaire de KITTI 1.0 — prenant en charge une cadence de production de 12 mois et 40 000 images par mois avec un seuil de précision de 99 %.
État clé
Images par mois
40,000
Cours GET
15
Seuil de précision
99 %
Livraison hebdomadaire
10,000
Défis
- Annoter 40,000 images par mois au 9 à 10 boîtes englobantes par image en moyenne
- Manipulation 15 classes GET distinctes avec différenciation faciale interne vs externe
- Travailler avec imagerie de terrain — saleté, débris, flou de mouvement, faible éclairage et angles difficiles
- Maintenir Précision d'annotation supérieure à 99 % sous une forte pression de livraison hebdomadaire
- Exporter en Format KITTI 1.0 prêt pour l'intégration directe de l'entraînement des modèles
Solution
Schéma GET et différenciation des classes
Shaip a configuré une ontologie GET à 15 classes couvrant les vues internes et externes des compartiments. Les annotateurs ont été formés à distinguer les faces internes et externes de chaque composant — une différenciation spécifique au domaine, essentielle à la précision du suivi de l’usure en aval.
Règles d'or pour l'imagerie de terrain
Les annotateurs ont suivi des règles strictes afin de garantir l'intégrité des données. Aucune annotation n'a été créée lorsque les composants n'étaient pas clairement visibles. Les GET recouverts à plus de 50 % par des débris ont été ignorés. Les composants flous ou sombres ont été exclus. Les classes de lèvres n'ont été étiquetées que lorsque l'objet était visible à 100 %. Le zoom a été utilisé uniquement pour la navigation, et non pour les décisions d'étiquetage.
Bibliothèque de formation aux cas limites
Quatorze études de cas détaillées ont été documentées afin de former les annotateurs aux cas limites courants : éléments GET partiellement masqués, godets en mouvement, fonds sombres et ambiguïté des limites entre composants adjacents. Cette bibliothèque a permis de constituer l’un des guides d’annotation les plus complets dans le domaine de l’IA appliquée aux engins lourds.
Contrôle qualité à deux niveaux et seuil de précision de 99 %
Après l'annotation de niveau 1, toutes les images ont été transmises à une équipe de contrôle qualité dédiée pour une revue structurée. Les erreurs mineures ont été corrigées grâce aux commentaires des annotateurs ; les erreurs majeures ont entraîné une réaffectation et une reprise des annotations. Les jeux de données n'ont été approuvés que lorsque la précision de l'annotation atteignait 99 % ou plus. Tous les résultats du contrôle qualité ont été consignés dans une feuille de suivi pour une transparence totale.
Livraison hebdomadaire au format KITTI 1.0
L'objectif de livraison hebdomadaire de 1.0 000 images a été rigoureusement respecté, toutes exportées au format KITTI 1.0 et prêtes pour l'intégration directe dans l'entraînement du modèle. Le contrat de 12 mois a permis de maintenir ce rythme sans aucun retard.
Description du projet
| Type de jeu de données | Volume mensuel | Cours | Moyenne des boîtes / Image | Format | Contrat |
|---|---|---|---|---|---|
| Obtenir l'annotation de la boîte englobante | Images 40,000 | 15 classes GET | 9 à 10 boîtes | KITTI 1.0 | 12 mois |
Les résultats
- Établi un pipeline de 12 mois, 40 000 images par mois IA pour la détection de l'usure des équipements lourds
- Normalisé 15 classes GET avec différenciation faciale interne/externe
- Maintenu un Porte de précision à plus de 99 % sur chaque lot sous pression de livraison hebdomadaire
- Elle a mis en place une 14 études de cas limites bibliothèque pour la formation et l'intégration des annotateurs
- Livré Sorties au format KITTI 1.0 prêt pour l'intégration directe de l'entraînement des modèles
Globalement, Shaip a contribué à transformer une exigence de détection GET de terrain en un pipeline d'annotation structuré et prêt pour la production, capable de prendre en charge la surveillance de l'usure, la maintenance prédictive et les initiatives d'IA pour les équipements de construction avec cohérence, traçabilité et une précision réaliste sur le terrain.
Shaip a traité les images les plus complexes que nous ayons reçues (poussière, débris, flou de mouvement, etc.) et a tout de même maintenu une précision supérieure à 99 % sur une période de 12 mois, à raison d'une livraison hebdomadaire. Les données issues de KITTI 1.0 ont été directement intégrées à l'entraînement du modèle.
