Det som en gång var ett löst problem med att rita 2D-lådor har blivit en komplex kamp mot knappa punktmoln, klumpig visualisering och tvetydiga klassificeringar. En "enkel" process innebär ofta många utmaningar och dolda flaskhalsar.Hur kan de lösas, och vad är den optimala lösningen för dem?Låt oss försöka hitta det "på fältet", genom att utforska den ledande märkningstillhandahållarens expertis och projekt och 3D-plattformen. Where the bottlenecks arise 3D-segmentmärkning avslöjar kraftfulla möjligheter för autonoma system i olika branscher, inklusive bil, robotteknik, byggnad och hälsovård. Så var uppstår en hel uppsättning unika utmaningar? Point-cloud-data är i sig helt instabila: reflektioner från glas eller våta ytor, väderinducerad buller och ständigt rörliga föremål kan förvränga scenen eller skapa "phantom" -strukturer som aldrig existerade. LiDAR-systemet lägger till ytterligare komplexitet; justering av sensorer, synkronisering av vecklingar och upprätthållande av geometrisk konsistens över massiva dataset kräver noggrann kontroll. Ännu viktigare är att 3D-anmärkning är mer än markeringspunkter; det handlar om att korrekt tolka sammanhanget. LiD Joint laboratory of humans and powerful tools den mellan , ett team som specialiserat sig på högprecisionsetikettering, och , en plattform utformad för företagsklass märkning av 3D, visar hur kombinationen av avancerade verktyg och mänsklig expertis höjer 3D data arbetsflöden och löser dolda flaskhalsar. Arbeta över 3D-projekt av olika komplexitet och skala, Keymakr och Segments.ai team delar sina mest intressanta fall och kreativa lösningar på utmanande problem. Förkunnat partnerskap Keymakr Segmentär.se Solving weather-related point cloud distortions Ett av de praktiska exemplen på att lösa flaskhalsar kom från väderrelaterat buller. Under ett LiDAR-baserat infrastrukturmappningsprojekt orsakade tung dimma och drizzle instabil punktdensitet, vilket gjorde det svårt att skilja verkliga föremål från atmosfäriska artefakter. Segments.ai:s inbyggda filter hanterade det första lagret av rengöring genom att ta bort lågintensiva och isolerade punkter. Men väderförvrängningarna var för heterogena för automatiska verktyg ensamma: dimma skapade diffusa punktkluster, drizzle genererade skarpa men slumpmässiga "spark" och reflekterande vägytan lägger till ett annat lager av komplexitet. För att ta itu med detta tillämpade Keymakr-teamet ett flerstegs gransk Mönsterbaserad visuell analys: Annotatorer identifierade manuellt återkommande bullersignaturer (muggplåster, reflekterande glare, fuktartiklar). Iterativ tröskeljustering: Segments.ai-ingenjörer anpassade filtreringsreglerna till miljöinterferens snarare än generisk buller. Skiktad rengöring: Datamängden filtrerades, granskades, korrigerades och passerades sedan genom ett justerat filter en andra gång. Cross-checking i 3D-utrymme: operatörer validerade och rengjorde områden i flera vinklar och djup för att säkerställa att legitima objekt bevarades. Ännu viktigare, det producerade ett upprepbart arbetsflöde för väderpåverkade skanningar, en process som båda lagen nu använder som en mall när man arbetar med LiDAR fångade i icke-ideala förhållanden. "Keymakrs team utnyttjar vår plattform till fullo för att optimera hastighet och kvalitet över komplexa projekt. Deras proaktiva kommunikation och expertfeedback hjälper oss att kontinuerligt förbättra plattformen. Otto Debals, VD på Segments.ai "Keymakr’s team makes full use of our platform to optimize speed and quality across complex projects. Their proactive communication and expert feedback help us continuously improve the platform. It’s always great to see the results they’re achieving for some of the customers we support together." Otto Debals, VD på Segments.ai Restoring time synchronization in custom LiDAR formats Ett annat fall involverade en teknisk flaskhals relaterad till tidbaserade punktmolndata. Till skillnad från video, där ramar är diskreta och lätta att anpassa, mäts punktmolnen över tiden, vilket innebär inte en specifik ram utan en kontinuerlig inspelning i sekunder. Klienten hade ett anpassat dataformat, och under uppladdningen ignorerades ram-till-timestamp-justeringen, vilket orsakade att filen visades felaktigt. Som ett resultat kunde plattformen inte känna igen eller bearbeta dataset. Utmaningen löstes gemensamt av Keymakr tekniska team och Segments.ai-ingenjörer, som justerade tidsmappningslogiken och återställde full kompatibilitet. Detta samarbete räddade dataset och ledde till förbättringar i plattformens tidss ”Vi letar alltid efter kreativa sätt att använda våra partners verktyg, eftersom våra kunder ofta begär icke-standardiserade och komplexa uppgifter”, säger Zoia Boiko, PM på Keymakr. ”Att arbeta med okonventionella format och utmanande fall hjälper Segments att förbättra plattformen och skapa en bättre miljö för alla. ”Vi letar alltid efter kreativa sätt att använda våra partners verktyg, eftersom våra kunder ofta begär icke-standardiserade och komplexa uppgifter”, säger Zoia Boiko, PM på Keymakr. ”Att arbeta med okonventionella format och utmanande fall hjälper Segments att förbättra plattformen och skapa en bättre miljö för alla. Således bidrar Keymakr till den mänskliga komponenten, uppmärksamhet, kreativitet och en djup förståelse för hur verkliga data beter sig. Segments ger det rationaliserande elementet - drivande arbetsflöden, tekniska lösningar och möjliggör märkning.När annotationsteamet testar verkliga "fält" fall på plattformen skapar båda företagen en miljö där verktyget anpassar sig till användaren och i sin tur formar arbetsflödena i enlighet därmed. Resolving structural breaks in 3D road markings I 2D-arbetsflöden kan en linje avbrytas och fortsätta utan att påverka den övergripande strukturen, men i 3D är detta farligt. Även en liten konstgjord "gap" kan missuppfattas av ett autonomt system som en linjeändning. För att ta itu med detta utvecklade Keymakr-teamet ett arbetsflöde baserat på kontinuerliga polylinjer med automatisk överlappningsborttagning. Varje vägmarkering ritades som ett enda kontinuerligt objekt, varefter Segments.ai automatiskt avlägsnade endast de segment som föll inom överlappningszoner. Detta förhindrade modellen från att läsa överlappningar som strukturella avbrott, vilket avsevärt förbättrade konsistensen. "I 3D har du inte råd med oavsiktliga luckor.En enda paus kan snedvrida hela scenens geometri och vilseleda ett autonomt system.Vårt mål var att skapa ett arbetsflöde där kontinuitet garanteras av design, inte lämnas åt slumpen", - Zoia Boiko, PM på Keymakr. "I 3D har du inte råd med oavsiktliga luckor.En enda paus kan snedvrida hela scenens geometri och vilseleda ett autonomt system.Vårt mål var att skapa ett arbetsflöde där kontinuitet garanteras av design, inte lämnas åt slumpen", - Zoia Boiko, PM på Keymakr. Processen förstärktes ytterligare genom att arbeta inuti en aggregerad 3D-scen med Segments.ai:s fusionsläge. I stället för tusentals avkopplade ramar arbetade annotatorer med en enhetlig, tät representation av hela rutten, komplett med kanter, splittringar, fusioner, gränser, skyltar och gardetrails. Denna holistiska syn gjorde väggeometri tydligare, övergångar mer logiska och linjeutjämning mycket mer korrekt. Efter att ha byggt upp det globala "skeletet" av anteckningen i fusionsläge, bytte operatörerna tillbaka till redigering på ramnivå bara för att förfina överlappningar, utan att ändra den underliggande geometrin. Alla dessa fall från Keymakr och Segments.ai kan ses som exempel på ett gemensamt laboratorium där tekniken utvecklas i tandem med mänsklig expertis. Medan 3D-etikettering ofta ses som en rent teknisk process, i verkligheten speglar det något mycket djupare, som lär maskiner att förstå den verkliga världen. Varje punkt moln fångar ett fragment av verkligheten, och det är den mänskliga operatören som bestämmer vad som är meningsfullt, vad som är buller och vad som verkligen existerar i scenen. Tillsammans visar dessa fall att framtiden för 3D-dataarbete ligger i en mänsklig-in-the-loop-modell, där människor guidar systemet, formar verktygen genom verkliga fältutmaningar och i slutändan säkerställer tillförlitlighet, noggrannhet och förtroende i
