Deep Learning Training Model Construction and Optimization of Cable Size Features in 3D Point Cloud Data
Notice bibliographique
Résumé
Cables are widely used in power transmission, and the measurement of key dimensions of cables is an indispensable part of the cable preparation process to help ensure their quality. In this article, a handheld laser 3D scanner is used to collect 3D point cloud data of cable dimensions, and the point cloud is denoised by bilateral filtering algorithm and combined with the direct method of coarse alignment and the ICP method of fine alignment to realize the alignment of 3D point cloud data of cables. Then, the cable diameter coordinates are obtained by fitting the cylindrical surface of the cable size to realize the calculation of the cable diameter, and a residual network-based edge detection model of the cable insulation layer is proposed to improve the feature extraction capability of the cable 3D point cloud data through the hollow convolutional residuals and the spatial attention mechanism. For the effectiveness of the above method, the cable 3D point cloud data is quantitatively verified. The average accuracy of the cable diameter calculation based on cylindrical surface fitting is 0.025 m. The AP value of the cable insulation layer edge detection model constructed based on residual network is 0.816, and the error range of the calculation results is between -1.46% and 1.44% when the cable insulation layer thickness is calculated based on the cable insulation layer edge detection results. Learning and analyzing dimensional features of cable 3D point cloud data by deep learning training model can significantly improve the measurement accuracy and measurement efficiency of cable dimensional features, which can provide a guarantee for improving the safety of cable operation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».