A Complementary Sensor Approach to Reverse Engineering
Notice bibliographique
Résumé
A complementary sensor technique for reverse engineering objects that are represented by a three-dimensional (3D) cloud data set is reported. The research focuses on objects whose surface form is manifest as a set of distinct free-form surface patches, each of which is enclosed by a boundary. The method incorporates three stages: (1) laser scanner-based digitization of all the free-form surface patches, (2) touch probe-based digitization of the surface patch boundaries, and (3) modeling of both data sets to create a complete B-spline curve and surface representation of the object. The patch boundary data, defined by the touch probe, is employed to segment the free-form surface data into the constituent patches. Furthermore, the boundary data is incorporated within a B-spline surface fitting process to constrain the boundaries. The two sensors functionally complement each other; the range sensor provides the required dense resolution of 3D points on the free-form surfaces whereas the touch probe accurately defines the patch boundaries. The method is ideal for objects comprised of both functional engineering features, e.g. bearing holes or precise mounting locators, and aesthetic features, such as hand grips or part covers. The touch probe is also ideal for digitizing boundaries where occlusion prevents the use of an optical digitizer. The laser-based sensor has an accuracy specification of 50 microns (over a 40-mm depth of field) whereas the touch probe is accurate to 4 microns over a 25-mm measurement length. An example part is modeled that has multiple free-form patches (defining the part’s outer cover) that require a large cloud data set for complete coverage. The corresponding patch boundaries accurately define the location of critical part mounting locations that require the touch probe’s precision.
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 | 0,000 |
| 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 ».