MétaCan
Menu
Retour à la cohorte
Enregistrement W2414739937 · doi:10.21611/qirt.2014.164

RITA - Robotized Inspection by Thermography and Advanced processing for the inspection of aeronautical components

2014· article· en· W2414739937 sur OpenAlexaffabout
Clemente Ibarra‐Castanedo, Pierre Servais, Adel Ziadi, M. Klein, Xavier Maldague

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueThermography and Photoacoustic Techniques
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésThermographyAutomated X-ray inspectionComputer scienceVisual inspectionComputer visionAutomated optical inspectionImage processingArtificial intelligenceEngineering drawingAeronauticsEngineeringInfraredOpticsImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

Active thermography is often performed on a static configuration where all elements of the thermographic system, i.e. the infrared camera, the energy source and the inspected object, are standing still with respect to each other. This is very useful for the application of signal processing techniques in order to improve defect detection and characterisation. Under this configuration, the large surfaces typical of some aeronautical components, are inspected in a series of static tests that at the end are assembled together on a single reconstructed mosaic image comprising the results for the entire inspected area. However, with the fast development of innovative and ever more complex-shaped parts, the alternative dynamic active thermography configuration is gaining attention. In this case, the component of interest is inspected in motion and the acquired data can be reorganized as a pseudo-static sequence, similar to classic static data, in order to perform advanced signal processing, if required. In this work, line scan thermography inspection was investigated for the assessment of an aerospace reference panel in the framework of the Canadian-Belgian collaborative project RITA (Robotized Inspection by Thermography and Advanced processing).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,784
Score d'incertitude au seuil0,285

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,196
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetThermography and Photoacoustic TechniquesTravaux en français237 207