Réalisation d'un système de triangulation au laser dans le cadre d'applications dans le domaine de l'agroalimentaire
Bibliographic record
Abstract
L'automatisation dans le domaine de l'agroalimentaire et plus particulièrement dans les salles de découpe pour les viandes de porc et de boeuf est peu implantée. Dû à la difficulté de traiter un produit aussi variable, il est difficile de créer des machines automatiques pour réaliser la découpe de pièce de viandes. De plus, les cadences très importantes en Amérique du Nord conjuguées avec des types de coupe qui peuvent varier d'un établissement à l'autre compte tenu de la clientèle (américaine, canadienne, asiatique,...) rendent très difficile l'automatisation. Actuellement, la coupe, que ce soit pour le porc ou le boeuf, est encore très largement effectuée à la main. \n \nL'objectif principal de ce présent mémoire est de mettre au point un système d'acquisition pour numériser des pièces de viande, ce qui consiste à formuler la relation géométrique entre la caméra, le laser et la scène, à choisir le matériel adéquat, à élaborer le logiciel nécessaire et à intégrer l'ensemble des composantes du système. L'information est générée sous forme d'images de topologie (3D) et en niveaux de gris (2D). L'application d'algorithmes de traitement d'images sur ces données permet de calculer une trajectoire qui permet par la suite de guider un outil de coupe pour effectuer une tâche spécifique. \n \nLe principe de base de ce système d'acquisition est la triangulation au laser. Une ligne lumineuse est projetée sur la scène à numériser. La déformation de la ligne par le relief est captée par une caméra. Connaissant la relation géométrique entre le laser et le capteur, l'analyse des variations de la ligne laser permet de trouver la hauteur et la position des objets dans la scène. Afin de numériser différentes pièces de viande, le système d'acquisition doit être modulaire. Les composantes doivent donc être des produits standards, ce qui a l'avantage de réduire les temps de développement lors de modifications, de suivre l'évolution technologique de chaque composante ainsi que de permettre d'avoir des équivalents chez d'autres fournisseurs pour faciliter la production. Pour l'étalonnage de ce système, une approche est proposée qui, malgré sa simplicité, procure la précision et la répétitivité suffisantes dans le contexte des applications à réaliser. Pour respecter les temps de cycle, différentes solutions techniques ont été proposées comme l'acquisition en « double buffering » 1 , le filtrage de la ligne laser avec des filtres optiques et l'utilisation d'une caméra avec acquisition partielle. \n \nTrois applications développées avec ce système d'acquisition permettent l'évaluation de ce dernier. La première évalue de façon quantitative l'approche proposée en analysant la répétitivité de la machine de séparation de la longe du flanc. La deuxième utilise les données générées (images de topologie et en niveaux de gris) pour discriminer le côté (droit ou gauche) du flanc avant de générer la trajectoire de coupe. L'évaluation est faite de façon qualitative en analysant les résultats de la classification. La dernière, la reconstruction de la surface d'un oail de ronde en vue de son dégraissage, confirme la pertinence d'utiliser un tel système d'acquisition pour développer des machines ayant des opérations complexes à automatiser. \n \nLa triangulation au laser répond bien à la demande en automatisation de cette industrie de par son coût mais surtout au vu de ses performances: vitesse, précision et répétitivité, richesse et densité de l'information qui permettent d'élaborer des algorithmes de traitement d'images appropriés au domaine d'application. \n \n1 Utilisation d'une bascule avec deux images: pendant la numérisation d'une image, l'autre est traitée et vice versa. \n \n
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Other About the Canadian research system: no · About a Canadian topic: no | Bench or experimental | low |
| gpt | no category Domain: not available · Genre: Methods About the Canadian research system: no · About a Canadian topic: no | Bench or experimental | medium |
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.004 |
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, unvalidatedLabeled directly by 2 models reading the full record.
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".