MétaCan
Menu
Retour à la cohorte
Enregistrement W4210371543 · doi:10.1088/1361-6501/ac5133

CAD-based x-ray CT calibration and error compensation

2022· article· en· W4210371543 sur OpenAlexaff
Cédric Fragnaud, Clément Remacha, Julián Betancur, Stéphane Roux

Notice bibliographique

RevueMeasurement Science and Technology · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced X-ray and CT Imaging
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesAssociation Nationale de la Recherche et de la Technologie
Mots-clésCalibrationScannerComputer scienceIndustrial computed tomographyCADProjection (relational algebra)Pencil (optics)Computer Aided DesignAlgorithmParametrization (atmospheric modeling)Orthographic projectionComputer visionTomographyOpticsArtificial intelligenceMathematicsPhysicsEngineering drawing

Résumé

récupéré en direct d'OpenAlex

Abstract Artifacts due to imperfect determination of the scanner geometry, beam hardening (BH), and diffuse Compton scattering, limit the quantitative exploitation of radiographs or tomographies for non-destructive evaluation. Exploiting the computer-aided design (CAD) model of an industrial part, a methodology is proposed to refine the estimation of the computed tomography (CT)-scanner geometry up to a scale factor, to correct or account for artifacts, and to assess the metrology of the part. A projective model describing the formation of x-ray images in CT-scanners is first introduced. The optimal parameters of the projective model are identified using a novel CAD-based calibration method that relies on the registration of simulated projections onto experimental ones. A metrological analysis based on the comparison between acquired and simulated x-ray images is proposed. A turbine blade, for which an automatic inspection procedure from few views is under development, is used as an example to illustrate the proposed methodology. The parametrization accounts for the refinement of the projection geometry, the calibration of BH, and the estimation of scattering. It is shown that, using the proposed procedure, the differences between acquired and simulated radiographic images are significantly reduced, indicating that the optimal parameters are properly identified. These differences are then exploited to detect flaws in the part.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,813
Score d'incertitude au seuil0,310

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,223
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMeasurement Science and TechnologyMême sujetAdvanced X-ray and CT ImagingTravaux en français237 207