Motion Compensation for Industrial Computed Tomography
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
X-ray computed tomography (CT) is a powerful tool for industrial inspection. However, the harsh conditions encountered in some production environments make accurate motion control difficult, leading to motion artifacts in CT applications. A technique is demonstrated that removes motion artifacts by using an iterative-solver CT reconstruction method that includes a bulk Radon transform shifting step to align radiographic data before reconstruction. The paper uses log scanning in a sawmill as an example application. We show how for a known nominal object density distribution (circular prismatic in the case of a log), the geometric center and radius of the log may be approximated from its radiographs and any motion compensated for. This may then be fed into a previously developed iterative reconstruction CT scheme based on a polar voxel geometry and useful for describing logs. The method is validated by taking the known density distribution of a physical phantom and producing synthetic radiographs in which the axis of object rotation does not coincide with the center of field of view for a hypothetical scanner geometry. Reconstructions could then be made on radiographs that had been corrected and compared to those that had not. This was done for progressively larger offsets between these two axes and the reduction in voxel density vector error studied. For CT applications in industrial settings in which precise motion control is impractical or too costly, radiographic data shifting and scaling based on predictive models for the Radon transform appears to be a simple but effective technique.
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 | 0,001 | 0,004 |
| 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