Performance evaluation of MVI for fault detection in automated assembly machines
Notice bibliographique
Résumé
Automated assembly machines are designed to be operated round-the-clock to maintain high production rates. Continuous operation of an assembly machine results in wear of its various mechanisms that in turn lead to machine faults and subsequent machine downtime. The goal of this research project is to develop and validate a Machine Vision Inspection (MVI) system to detect and classify multiple faults using a single camera as a sensor. The results are experimental in nature, with an industrial O-ring assembly machine used for test purposes. The machine places O-rings on to continuously moving plastic carriers at a rate of over 100 assemblies per minute. The machine is controlled by a PLC with an HMI used to introduce the controlled faults such as transfer track jams, air knife jams, and hopper supply failures. Three MVI methods based on computer vision techniques are developed for this application: 1) Gaussian Mixture Models with blob analysis, 2) optical flow and 3) running average. In order to provide a measure of performance that can be used to better differentiate relative performance, a novel Machine Vision Performance Index (MVPI) was developed. The MVPI is based on five measures of performance: accuracy, processing time, speed of response, robustness against noise, and ease of tuning. The MVPI for the three MVI methods is reported and the significance of the results is discussed.
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 ».