Notice bibliographique
Résumé
In recent years, laser scanning has been applied in the manufacturing industry as a tool for inspection and 3-D digitization as well as in reverse engineering. It has many advantages compared with the traditional contact measurement techniques, such as coordinate measuring machines (CMM). In order to perform laser scanning more efficiently, automated laser scanning planning needs to be developed based on the CAD model of a given part. This research presents a computer-aided planning method for laser scanner based on CAD model of the part. The method integrates three planning criteria, namely visibility, efficiency, and accuracy into the planning system. A feature differentiation method, based on the ray tracing algorithm, is proposed and applied to detect steep walls of certain deep concavity features, such as slots, holes, and pockets, which are very hard to reach by laser scanning but are suitable for CMM probing. The proposed methods and algorithms have been implemented and integrated into a Computer-Aided Laser-scanning Planner (CALP) for inspection applications. An artifact block with five planar surfaces is used to test the scanning plan which is generated from the proposed methods. (Abstract shortened by UMI.)Dept. of Industrial and Manufacturing Systems Engineering. Paper copy at Leddy Library: Theses & Major Papers - Basement, West Bldg. / Call Number: Thesis2001 .Y35. Source: Masters Abstracts International, Volume: 41-04, page: 1172. Adviser: Hoda Elmaraghy. Thesis (M.A.Sc.)--University of Windsor (Canada), 2002.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,014 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».