APLICAÇÃO DE YOLOv8 E MARCADORES ARUCO PARA RECONHECIMENTO E MEDIÇÃO DE PARAFUSOS.
Bibliographic record
Abstract
RESUMO: Este estudo aborda a integração do YOLOv8 e Marcadores ArUco para aprimorar a detecção e medição de parafusos.O objetivo principal é desenvolver uma solução que irá permitir a identificação e a medição de parafusos com precisão utilizando visão computacional.A metodologia envolve a utilização de uma webcam para capturar imagens, onde o algoritmo YOLO realiza a detecção dos objetos ,e os Marcadores ArUco são empregados para calcular as dimensões dos parafusos.O sistema foi implementado para capturar e salvar imagens dos objetos, além de registrar as medidas em uma planilha.A pesquisa foi realizada em ambiente controlado, com foco na integração dos sistemas.Os resultados demonstraram a eficiência do sistema em identificar e medir parafusos de forma automatizada e precisa mostrando que a combinação de técnicas de visão computacional pode aumentar a capacidade de sistemas robóticos em tarefas de manipulação e inspeção de objetos, sendo viável em processos de inspeção industrial e controle de qualidade.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".