Intelligent 3-D sensing in automated manufacturing processes
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 paper focuses on the design of an intelligent, three-dimensional (3-D) sensing system applying artificial intelligence methodologies for quality assurance in automated manufacturing processes. An efficient 3-D object-oriented knowledge base and reasoning algorithm is developed. The knowledge base includes knowledge concerning the products, manufacturing processes, and inspection methods. The products knowledge base contains properties design and manufacturing. The manufacturing and inspection knowledge bases include various manufacturing techniques, criteria for detection and diagnosis of defects, and standards and limitations on various decision-making actions. A fast and reliable assurance of product quality may be achieved through fault detection and diagnosis, using symbolic knowledge processing combined with numerical analysis of data. Incorporated with the reasoning algorithms, the knowledge base assists in the design process anticipating manufacturing problems and assuring specified end product properties. The knowledge base is regularly updated using feedback of the inspection results. An inexpensive and accurate, non-contact 3-D range data measurement system is developed. In this system, multiple laser light stripes are projected onto the product and a single CCD camera is utilized to record the scene. The distortions in the projected line pattern are due to the orientation variations and surface curvature of the object. Utilizing a linear relation between the projected line distortion and surface depth, range data is recovered from a single camera image. The surface terrain information may be converted into the curvature, orientation, and depth of the shape to incorporate into the symbolic 3-D object-oriented knowledge base and reasoning algorithms.
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 | 0,000 | 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 découle