Lobster detection using an Embedded 2D Vision System with a FANUC industrual robot
Notice bibliographique
Résumé
In this paper, two vision-based systems approaches are studied in order to guide the FANUC robot arm ‘FANUC LR Mate 200iD/7L’ to locate and manipulate lobsters. Different experiments are carried out using this robot in Robotics, Electronics and Industry 4.0 Laboratory of the Université de Moncton. The first approach aims to test the ability of the integrated vision system iRvision of the FANUC robot in detecting lobster body. The Geometric Pattern Matching (GPM) Locator and the Curved Surface Matching (CSM) Locator are studied and tested for this purpose. The second approach consists of a computer vision solution based on the YOLOv4 object detection algorithm, which was implemented and tested on the Nvidia Jetson NX embedded platform. Experimental results showed that, on the one hand, the iRVision system using GPM Locator has failed to detect lobster body parts. On the other hand, the CSM Locator has detected lobster body parts with a lower score detection and has exceeded 1 second for time detection. However, the embedded vision system based on the YOLOv4 model detected the main lobster body parts and achieved 99.29% for the main average precision (mAP) and 0.1806 second for detection time on the Nvidia jetson Xavier NX embedded platform.
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 | 0,000 | 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 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 ».