Hierarchical robot learning method for industrial fluorescent penetrant inspection
Notice bibliographique
Résumé
Fluorescent Penetrant Inspection (FPI) is a Non-Destructive Testing (NDT) method, extensively used to evaluate components for identifying defects across a broad range of industries. FPI process remains a manual visual inspection, where the operator by means of fluorescent dye, that penetrates discontinuities on the component, aims to distinguish between indications that are relevant (i.e., can be associated with surface defects) and non-relevant (i.e., can be associated to insufficient wash-off, dust or other non-relevant factors). The FPI process can be decomposed into the following steps: (a) thorough visual examination of the component, (b) executing manual wiping-off of the fluorescent dye with a brush, of all areas that require interrogation for potential indications, and (c) disposition of the inspected components. The number of those areas on the component that require interrogation and hence to be wiped-off is unknown a priori of the inspection and varies depending on the condition of the part. As a result, replacing this manual wipe-off step by a robot requires tedious manual programming of an excessive number of robot paths to assure reach of the robot to the entire surface of the part as well as safe robot motion. In addition, these robot motions are part specific and thus not transferrable to other geometries of components, making scaling of this technology across manufacturing industry not possible. In this paper, we propose a hierarchical robot learning method to address the challenge of reducing manual robot programming and enable the scaling of this automated NDT technology. The proposed method integrates and fuses Deep Reinforcement Learning (DRL), Screw Linear Interpolation (ScLERP) and Learning from Demonstration (LfD), enabling an autonomous generation of brushing strokes with a six-degrees of freedom (DoF) industrial manipulator, and automating the wipe-off step of the FPI process. Using this approach, a robot learning policy is generated for the wipe-off motion in a simulated industrial robotic cell at first and then the policy is transferred to the real system for validation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».