Intelligent Fusion of Sensor Data for Product Quality Assessment in a Fishcutting Machine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article presents three techniques of knowledge-based fuzzy sensor fusion, which are based on (1) Mamdani sup-prod composition, (2) degree of certainty, and (3) compatibility of data. The first method of sensor fusion uses Mamdani's sup-prod (or max-prod) composition, and it places equal weights on all the data sources, without considering their merit or importance. The second method uses the concept of degree of certainty. It assigns weights proportional to the degree of certainty of sensor data, and in addition to the fused output, it provides information about the certainty of the output. The third method of sensor fusion uses the idea of compatibility of data. It provides a fused output and additional knowledge about the degree of confidence in that output. This method is particularly effective when sensors provide conflicting information. The three techniques are implemented in an automated machine for mechanical processing of salmon, to determine the level of product quality (i.e., the quality of processed fish), and thereby evaluate the relative performance of the techniques. In this machine, process information is available from disparate sensors like CCD cameras, optical encoders, and an ultrasonic displacement sensor. Three sets of fish-cut data for a good, a bad, and a conflicting data cut are used in the illustrative example. The results indicate that the three methods are equally effective, but method 2, which is more sophisticated, has a slight advantage in performance over the other, at the expense of added complexity.
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.
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 | 0,002 | 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 | 0,001 | 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 découle