Synthetic Data-Driven Mixed Reality for AR-Assisted Maintenance
Notice bibliographique
Résumé
AI-assisted augmented reality (AR) tools hold significant promise for improving industrial maintenance and assembly workflows, particularly for training novice technicians, amid a shortage of experienced personnel in the Aerospace sector. This work introduces an end-to-end methodology for developing AI-assisted AR tools only using 3D CAD data. The proposed workflow is especially valuable to industries-like Aerospace-that manage comprehensive 3D data. The proposed pipeline uses a context-oriented training strategy using fully assembled CAD models to generate domain-randomized datasets for component recognition. At runtime, assembly pose data is used to project regions of interest onto the image. The trained component recognition model verifies if the component is installed within each projected region. To validate the data generation methodology, a sample gearbox containing four unique components was modeled to produce a synthetic dataset of 13,000 images, which was used to train Faster R-CNN for component recognition. The model was evaluated on a training set consisting of 112 real images of the gearbox. After 30 epochs of training, the component recognition model-evaluated on the test set across different IoU thresholds (0.50-0.95) and confidence scores (0.05-0.95)-demonstrated state of the art precision and recall results based on dataset composition. This work demonstrates that AI-assisted AR tools can be realized entirely from synthetic data produced through the proposed pipeline, removing the traditional bottleneck of real-world image collection and manual annotation.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».