Improvement in measurement accuracy for hybrid scanner
Notice bibliographique
Résumé
The capability to provide dense three-dimensional (3D) data (point clouds) at high speed and at high accuracy has made terrestrial laser scanners (TLS) widely used for many \npurposes especially for documentation, management and analysis. However, similar to other 3D sensors, proper understanding regarding the error sources is necessary to ensure high quality data. A procedure known as calibration is employed to evaluate these errors. This process is crucial for TLS in order to make it suitable for accurate 3D applications (e.g. industrial measurement, reverse engineering and monitoring). Two calibration procedures \navailable for TLS: 1) component, and 2) system calibration. The requirements of special laboratories and tools which are not affordable by most TLS users have become principle \ndrawback for component calibration. In contrast, system calibration only requires a room with appropriate targets. By employing optimal network configuration, this study has performed system calibration through self-calibration for Leica ScanStation C10 scanner. A laboratory with dimensions of 15.5m x 9m x 3m and 138 well-distributed planar targets were used to derive four calibration parameters. Statistical analysis (e.g. t-test) has shown that only two \ncalculated parameters, the constant rangefinder offset error (0.7mm) and the vertical circle index error (-45.4inch were significant for the calibrated scanner. Photogrammetric technique was utilised to calibrate the 3D test points at the calibration field. By using the test points, the residual pattern of raw data and self-calibration results were plotted into the graph to visually demonstrate the improvement in accuracy for Leica ScanStation C10 scanner.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».