Ontology type: schema:Chapter
1998
AUTHORSTilo Lilienblum , Georg Günther , Michael Küehel , Bernd Michaelis
ABSTRACTDer Beitrag beschreibt eine Methode für die Fehlererkennung der Oberflächenform durch eine 3-D-Vermessung und anschließende Auswertung der Daten mit Hilfe eines neuronalen Netzes. Die Erkennung von Abweichungen der Oberfläche von der gewünschten Form eines Meisterobjektes erfordert normalerweise eine exakte Justierung der Objekte in einer Position. Insbesondere können Verformungen nicht ausgeglichen werden. Bei der hier vorgestellten Methode ist diese genaue Justierung nicht erforderlich. Es werden zunächst mehrere Meisterstücke in unterschiedlichen Positionen und Variationen in ein neuronales Netz eingespeichert. Beim Abruf des Netzes mit den Daten der zu überprüfenden Teile, werden nicht gespeicherte Merkmale geglättet und dadurch quasi das Meisterstück in der aktuellen Lage rekonstruiert. Die Auswertung kann dann durch einfache Differenzbildung erfolgen. Anhand eines Beispiels werden die Möglichkeiten, die diese Methode bietet, demonstriert. More... »
PAGES515-522
Mustererkennung 1998
ISBN
978-3-540-64935-9
978-3-642-72282-0
http://scigraph.springernature.com/pub.10.1007/978-3-642-72282-0_57
DOIhttp://dx.doi.org/10.1007/978-3-642-72282-0_57
DIMENSIONShttps://app.dimensions.ai/details/publication/pub.1021709405
JSON-LD is the canonical representation for SciGraph data.
TIP: You can open this SciGraph record using an external JSON-LD service: JSON-LD Playground Google SDTT
[
{
"@context": "https://springernature.github.io/scigraph/jsonld/sgcontext.json",
"author": [
{
"affiliation": {
"alternateName": "Otto-von-Guericke University Magdeburg",
"id": "https://www.grid.ac/institutes/grid.5807.a",
"name": [
"Institut f\u00fcr Proze\u00dfme\u00dftechnik und Elektronik, Otto-von-Guericke-Universit\u00e4t Magdeburg, PF 4120, D-39016\u00a0Magdeburg, Germany"
],
"type": "Organization"
},
"familyName": "Lilienblum",
"givenName": "Tilo",
"id": "sg:person.011651344541.91",
"sameAs": [
"https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.011651344541.91"
],
"type": "Person"
},
{
"affiliation": {
"alternateName": "Carl Zeiss (Germany)",
"id": "https://www.grid.ac/institutes/grid.424549.a",
"name": [
"Carl Zeiss Jena GmbH, D-07740\u00a0Jena, Germany"
],
"type": "Organization"
},
"familyName": "G\u00fcnther",
"givenName": "Georg",
"type": "Person"
},
{
"affiliation": {
"alternateName": "Carl Zeiss (Germany)",
"id": "https://www.grid.ac/institutes/grid.424549.a",
"name": [
"Carl Zeiss Jena GmbH, D-07740\u00a0Jena, Germany"
],
"type": "Organization"
},
"familyName": "K\u00fcehel",
"givenName": "Michael",
"type": "Person"
},
{
"affiliation": {
"alternateName": "Otto-von-Guericke University Magdeburg",
"id": "https://www.grid.ac/institutes/grid.5807.a",
"name": [
"Institut f\u00fcr Proze\u00dfme\u00dftechnik und Elektronik, Otto-von-Guericke-Universit\u00e4t Magdeburg, PF 4120, D-39016\u00a0Magdeburg, Germany"
],
"type": "Organization"
},
"familyName": "Michaelis",
"givenName": "Bernd",
"id": "sg:person.013373206241.79",
"sameAs": [
"https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.013373206241.79"
],
"type": "Person"
}
],
"citation": [
{
"id": "https://doi.org/10.1016/0893-6080(89)90044-0",
"sameAs": [
"https://app.dimensions.ai/details/publication/pub.1000962546"
],
"type": "CreativeWork"
},
{
"id": "https://doi.org/10.1016/0893-6080(89)90044-0",
"sameAs": [
"https://app.dimensions.ai/details/publication/pub.1000962546"
],
"type": "CreativeWork"
},
{
"id": "sg:pub.10.1007/bf00275687",
"sameAs": [
"https://app.dimensions.ai/details/publication/pub.1041038550",
"https://doi.org/10.1007/bf00275687"
],
"type": "CreativeWork"
},
{
"id": "sg:pub.10.1007/bf00275687",
"sameAs": [
"https://app.dimensions.ai/details/publication/pub.1041038550",
"https://doi.org/10.1007/bf00275687"
],
"type": "CreativeWork"
}
],
"datePublished": "1998",
"datePublishedReg": "1998-01-01",
"description": "Der Beitrag beschreibt eine Methode f\u00fcr die Fehlererkennung der Oberfl\u00e4chenform durch eine 3-D-Vermessung und anschlie\u00dfende Auswertung der Daten mit Hilfe eines neuronalen Netzes. Die Erkennung von Abweichungen der Oberfl\u00e4che von der gew\u00fcnschten Form eines Meisterobjektes erfordert normalerweise eine exakte Justierung der Objekte in einer Position. Insbesondere k\u00f6nnen Verformungen nicht ausgeglichen werden. Bei der hier vorgestellten Methode ist diese genaue Justierung nicht erforderlich. Es werden zun\u00e4chst mehrere Meisterst\u00fccke in unterschiedlichen Positionen und Variationen in ein neuronales Netz eingespeichert. Beim Abruf des Netzes mit den Daten der zu \u00fcberpr\u00fcfenden Teile, werden nicht gespeicherte Merkmale gegl\u00e4ttet und dadurch quasi das Meisterst\u00fcck in der aktuellen Lage rekonstruiert. Die Auswertung kann dann durch einfache Differenzbildung erfolgen. Anhand eines Beispiels werden die M\u00f6glichkeiten, die diese Methode bietet, demonstriert.",
"editor": [
{
"familyName": "Levi",
"givenName": "Paul",
"type": "Person"
},
{
"familyName": "Schanz",
"givenName": "Michael",
"type": "Person"
},
{
"familyName": "Ahlers",
"givenName": "Rolf-J\u00fcrgen",
"type": "Person"
},
{
"familyName": "May",
"givenName": "Franz",
"type": "Person"
}
],
"genre": "chapter",
"id": "sg:pub.10.1007/978-3-642-72282-0_57",
"inLanguage": [
"de"
],
"isAccessibleForFree": false,
"isPartOf": {
"isbn": [
"978-3-540-64935-9",
"978-3-642-72282-0"
],
"name": "Mustererkennung 1998",
"type": "Book"
},
"name": "Fehlererkennung der Oberfl\u00e4chenform durch SD-Vermessung und Auswertung mit einem k\u00fcnstlichen neuronalen Netz",
"pagination": "515-522",
"productId": [
{
"name": "doi",
"type": "PropertyValue",
"value": [
"10.1007/978-3-642-72282-0_57"
]
},
{
"name": "readcube_id",
"type": "PropertyValue",
"value": [
"676ece43beeceb8cd13289cb2a4f2bef1730709f2f2af818d6a74b02af09f788"
]
},
{
"name": "dimensions_id",
"type": "PropertyValue",
"value": [
"pub.1021709405"
]
}
],
"publisher": {
"location": "Berlin, Heidelberg",
"name": "Springer Berlin Heidelberg",
"type": "Organisation"
},
"sameAs": [
"https://doi.org/10.1007/978-3-642-72282-0_57",
"https://app.dimensions.ai/details/publication/pub.1021709405"
],
"sdDataset": "chapters",
"sdDatePublished": "2019-04-15T22:55",
"sdLicense": "https://scigraph.springernature.com/explorer/license/",
"sdPublisher": {
"name": "Springer Nature - SN SciGraph project",
"type": "Organization"
},
"sdSource": "s3://com-uberresearch-data-dimensions-target-20181106-alternative/cleanup/v134/2549eaecd7973599484d7c17b260dba0a4ecb94b/merge/v9/a6c9fde33151104705d4d7ff012ea9563521a3ce/jats-lookup/v90/0000000001_0000000264/records_8695_00000256.jsonl",
"type": "Chapter",
"url": "http://link.springer.com/10.1007/978-3-642-72282-0_57"
}
]Download the RDF metadata as: json-ld nt turtle xml License info
JSON-LD is a popular format for linked data which is fully compatible with JSON.
curl -H 'Accept: application/ld+json' 'https://scigraph.springernature.com/pub.10.1007/978-3-642-72282-0_57'
N-Triples is a line-based linked data format ideal for batch operations.
curl -H 'Accept: application/n-triples' 'https://scigraph.springernature.com/pub.10.1007/978-3-642-72282-0_57'
Turtle is a human-readable linked data format.
curl -H 'Accept: text/turtle' 'https://scigraph.springernature.com/pub.10.1007/978-3-642-72282-0_57'
RDF/XML is a standard XML format for linked data.
curl -H 'Accept: application/rdf+xml' 'https://scigraph.springernature.com/pub.10.1007/978-3-642-72282-0_57'
This table displays all metadata directly associated to this object as RDF triples.
101 TRIPLES
22 PREDICATES
27 URIs
20 LITERALS
8 BLANK NODES