Wrinkle and boundary detection of fiber products in robotic composites manufacturing
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
Purpose The paper aims to focus on a vision-based approach to advance the automated process of the manufacturing of an Airbus A350’s pressure bulkhead. The setup enables automated deformation and draping of a fiber textile on a form-variable end-effector. Design/methodology/approach The proposed method uses the information of infrared (IR) and color-based images in Red, Green and Blue (RGB) representative format, as well as depth measurements to identify the wrinkles and boundary edge of semi-finished dry fiber products on the double-curved surface of a flexible modular gripper used for laying the fabric. The technique implements a simple and practical image processing solution using a sequence of pixel-wise binary masks on an industrial scale setup; it bridges the gap between laboratory experiments and real-world execution, thereby demonstrating practical and applied research. Findings The efficacy of the technique is demonstrated via experiments in the presented work. The two objectives as follows boundary edge detection and wrinkle detection are accomplished in real time in an industrial setup. Originality/value During the draping process, tensions developed in the fibers of the textile cause wrinkles on the surface, which are highly detrimental to the production process, material quality and strength. The proposed method automates the identification and detection of the wrinkles and the textile on the gripper surface. The proposed work aids in alleviating the problems caused by these wrinkles and helps in quality control in the production process.
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