Optical Surface Analysis with Support Vector Machines based on Two Different Measurement Techniques
Notice bibliographique
Résumé
The surface topography as well as the optical perception are important features for evaluating the quality of fine grinded knives.Parameters as the surface roughness, gloss or coloring are used for the quantification of these features.The measuring is implemented by the use of traditional methods, which are manual, time-consuming and cost-intensive.On top of that, the application of these methods for the condition monitoring of the ongoing process is rather limited.Therefore, a new, faster and more cost-effective approach is needed to improve the classical measurement methods.A conceivable approach could be based on image analysis.Over the past years, different contactless image analysis based approaches have been developed to simplify the traditional roughness measurement methods.Some studies propose picture pre-processing and feature extraction in combination with machine learning algorithms.The overall goal of the presented research activities is the development of a condition monitoring tool which can be implemented in the ongoing grinding process of the knives.It should be used to ensure the knives quality and to reduce rejects by an immediate detection of deviations of the target values and the possibility to adapt the production process accordingly.For this reason, a data set based on cutlery samples has been generated and analyzed.The extraction of features of the data set is presented for a better understanding of the training process.The features are used to train various machine learning algorithms with and without a combination of logged process parameters to evaluate the surface roughness.Within this study the image of each grinded surface is analyzed regarding its measured arithmetic average roughness value (Ra) by the use of Support Vector Machine (SVM) and Support Vector Regressor (SVR) algorithms.
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 | 0,001 |
| 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) | 0,007 | 0,001 |
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 ».