Vision-based measurement of microassembly forces
Notice bibliographique
Résumé
This work describes a vision-based force sensing method for measuring microforces acting upon the jaws of passive, compliant microgrippers, used to construct 3D microstructures. The importance of jaw force measurement during microassembly is to confirm that the microgripper–micropart makes a successful grasp and to protect the microparts and microgripper from excessive forces which may lead to damage during the assembly process. Finite-element analysis of the microgripper is performed to determine the relation between the displacement and the resultant forces of its jaw. The resulting nearly linear force–displacement relationship is fitted to a first-degree equation. A mathematical model of the microgripper system validated this force–displacement relation. The proposed vision-based gripper force measurement techniques determine the deflections of the microgripper jaws during the microassembly process. The deflections in the gripper jaws are measured during the microassembly processes through computation of the relative displacements of the right and left microgripper jaws with respect to the microgripper base. Two approaches are proposed. The first approach uses pattern identification to measure these relative displacements. Two-dimensional pattern identification is performed using normalized cross-correlation to estimate the degree to which the image and pattern are correlated. The second approach uses object recognition and image processing methods, such as zero-crossing Laplacian of Gaussian edge detection and region filling. Experiments performed confirm the success of both approaches in measuring the microgripper jaw deflections and therefore the assembly forces.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».