Kappaletarkastusautomaatio tarkkuusvalimossa
Bibliographic record
Abstract
Työn toimeksiantajana oli Suomen ainoa teollisessa mittakaavassa toimiva tarkkuusvalimo Sacotec Components Oy Riihimäeltä. Yrityksessä haluttiin selvittää nykyaikaisten konenäköratkaisujen soveltuvuus tarkkuusvalukappaleen tarkastamiseen. \n \nTyön tavoitteena oli joko löytää valmis laitteisto tai luoda suunnitelma sellaisen valmistamiseksi. Valmista ratkaisua ei löytynyt markkinoiden kartoittamisen jälkeen, joten työssä toteutetaan tarkkuusvalukappaleen tarkastusautomaation esisuunnittelu niin, että työn tulosten perusteella voidaan pyytää tarjouksia laitteen varsinaiseksi suunnittelemiseksi ja toteuttamiseksi. \n \nTyössä käydään läpi tarkkuusvaluprosessi toimeksiantajan tuotannossa, osa menetelmälle tyypillisistä virheistä sekä tarkkuusvalukappaleen tarkastusprosessia ja -kriteereitä. Tarkastusautomaatiolaitteen suunnittelun tueksi työssä käydään läpi konenäön yleistä teoriaa sekä erotuskykyyn ja tarkkuuteen vaikuttavia tekijöitä. Lisäksi työssä luodaan katsaus konenäössä käytettyihin komponentteihin ja niiden ominaisuuksiin. \n \nTyön tuloksena saatiin vastaus asetettuihin kysymyksiin, luotiin tarkastusautomaatiolaitteelle vaatimusmäärittely ja keskeisten toimintojen kuvaus.Työtä on jo hyödynnetty keskusteluissa ja tarjouspyynnöissä mahdollisten toimittajien kanssa.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.056 | 0.015 |
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".