Joustavuutta robotin käyttöön : konenäkökameran lisääminen yhteistyörobottisoluun
Bibliographic record
Abstract
Jyväskylän ammattikorkeakoululla oli tarve laajentaa yhteistyörobottisoluaan ja monipuolistaa sen hyödyntämistä opetuksessa ja yrityksille pidetyissä esittelyissä. Tähän asti solussa on voitu esitellä vain kappaleen siirtämistä kuormalavalta pöydälle, ja ihmisen on täytynyt olla koko ajan valvomassa ja osana prosessia, jotta robotti ei ole törmännyt edelliseen siirtämäänsä kappaleeseen. Nyt haluttiin laajentaa robottisovelluksen käytännöllisyyttä lisäämällä soluun konenäkökamera. Toiveena oli, että konenäkökameraa hyödyntämällä robotti osaisi välttää pöydällä jo olevan kappaleen uutta siirtäessään, ja myös siirtää kappaleita toiseen suuntaan mahdollisesti jatkuvasti kiertävänä demonstraationa. Tutkimus toteutettiin kehittämistutkimuksena työn käytännönläheisyyden vuoksi. Tutkimusta taustoitettiin robotiikan ja konenäön historialla ja nykytilalla. Jyväskylän ammattikorkeakoululla oli valmiina Cognexin 2D konenäkökamera, joka asennettiin yhteistyörobotin yhteyteen. Sovellukseen haluttiin mukaan myös solussa jo valmiina ollut 3D-konenäköskanneri. Laitteiden väliset yhteydet olikin ensin saatava toimimaan kolmen eri valmistajan laitteen ollessa samassa verkossa, minkä jälkeen pystyttiin ohjelmoimaan lopullinen sovellus. Uusi tutkimuksen yhteydessä ohjelmoitu konenäköä hyödyntävä yhteistyörobottisovellus mahdollistaa kappaleiden siirtämisen kahteen suuntaan, ja estää robotin törmäämisen pöydällä oleviin kappaleisiin. Haasteelliseksi työssä osoittautui ennalta-arvatusti robottisolun valaistusolosuhteet, joiden osalta työhön jäikin vielä jatkokehitettävää. Haasteellista oli myös saada ethernet-yhteys toimimaan luotettavasti kahden konenäkökameran ja robotin ollessa samassa verkossa, mutta tämä ongelma saatiin ratkaistua katkaisemalla robotin yhteys 3D-skanneriin aina, kun 2D-kameralla pitää ottaa kuva. Konenäkökameran lisääminen robotin yhteyteen mahdollistaa robotin aiempaa monipuolisemman käytön. Eri valmistajien laitteiden yhdistäminen samaan sovellukseen on mahdollista, mutta asettaa jonkin verran haasteita. Jo robottisolun suunnitteluvaiheessa pitäisikin huomioida, tarvitaanko solussa konenäköä, ja mahdollisuuksien mukaan hyödyntää integroituja ratkaisuja.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.059 | 0.030 |
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".