MétaCan
Menu
Retour à la cohorte
Enregistrement W4403061186 · doi:10.1109/iotaai62601.2024.10692829

Inkjet printer ink drop feature detection based on machine vision

2024· article· en· W4403061186 sur OpenAlexfundno aff
Jing Wang, Jianbin Xiong, Qi Wang, Jianxiang Yang, Xiangjun Dong, Qiong Liang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Vision Systems and Defect Detection
Établissements canadiensnon disponible
Organismes subventionnairesNatural Science Foundation of Guangdong ProvinceNational Natural Science Foundation of ChinaMinistry of Natural Resources
Mots-clésInkwellComputer scienceDrop (telecommunication)Computer visionArtificial intelligenceMachine visionFeature (linguistics)Drop outComputer graphics (images)Speech recognition

Résumé

récupéré en direct d'OpenAlex

Continuous inkjet printer is an indispensable equipment in product life cycle traceability management. In order to ensure the quality of printing, it is necessary to analyze the changes of ink droplets in the process of spraying. Firstly, an inkdrop detection system based on a telecentric industrial camera was established to collect inkjet printer images under 150, 170 and 200 pressure conditions. Secondly, the ink drops are preprocessed to remove noise and refine the edge of the ink drop shape, and then the ink drop filling images under various edge detection operators are compared to obtain the best ink drop filling image and contour texture image. Finally, the characteristic parameters such as circularity, complexity, width to length ratio and eccentricity of the ink drop were extracted. The experimental results demonstrate that the morphological changes of ink droplets during the injection process can be comprehended through analysis of the variation curves of characteristic parameters under different pressure conditions, enabling detection of adhesion, trailing, and satellite ink droplets. The research results have important guiding significance for improving the printing quality of continuous inkjet printer.

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)0,000
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: aucune
Score de désaccord entre enseignants0,788
Score d'incertitude au seuil0,597

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,007
Tête enseignante GPT0,230
Écart entre enseignants0,223 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIndustrial Vision Systems and Defect DetectionTravaux en français237 207