Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Outliers and Influential Points01:08

Outliers and Influential Points

6.5K
An outlier is an observation of data that does not fit the rest of the data. It is sometimes called an extreme value. When you graph an outlier, it will appear not to fit the pattern of the graph. Some outliers are due to mistakes (for example, writing down 50 instead of 500), while others may indicate that something unusual is happening. Outliers are present far from the least squares line in the vertical direction. They have large "errors," where the "error" or residual is the...
6.5K
What Are Outliers?01:12

What Are Outliers?

5.4K
Outliers are observed data points that are far from the least squares line. They have unusual values and need to be examined carefully. Though an outlier may result from erroneous data, at other times, it may hold valuable information about the population under study and should be included in the data. Hence, it is crucial to examine what causes a data point to be an outlier.
The z score is used to find outliers or unusual values. It should be noted that any values beyond -2 and +2 are...
5.4K
Detection of Gross Error: The Q Test01:00

Detection of Gross Error: The Q Test

7.1K
When one or more data points appear far from the rest of the data, there is a need to determine whether they are outliers and whether they should be eliminated from the data set to ensure an accurate representation of the measured value. In many cases, outliers arise from gross errors (or human errors) and do not accurately reflect the underlying phenomenon. In some cases, however, these apparent outliers reflect true phenomenological differences. In these cases, we can use statistical methods...
7.1K
Elastic Collisions: Case Study01:15

Elastic Collisions: Case Study

20.8K
Elastic collision of a system demands conservation of both momentum and kinetic energy. To solve problems involving one-dimensional elastic collisions between two objects, the equations for conservation of momentum and conservation of internal kinetic energy can be used. For the two objects, the sum of momentum before the collision equals the total momentum after the collision. An elastic collision conserves internal kinetic energy, and so the sum of kinetic energies before the collision equals...
20.8K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

An Empirical Study of Federated Learning on IoT-Edge Devices: Resource Allocation and Heterogeneity.

IEEE transactions on neural networks and learning systems·2025
Same author

Text-guided RGB-P grasp generation.

PeerJ. Computer science·2025
Same author

Resilient consensus control for networked robotic manipulators under actuator faults and deception attacks.

ISA transactions·2025
Same author

SVD-Based Mind-Wandering Prediction from Facial Videos in Online Learning.

Journal of imaging·2024
Same author

IRDC-Net: Lightweight Semantic Segmentation Network Based on Monocular Camera for Mobile Robot Navigation.

Sensors (Basel, Switzerland)·2023
Same author

Ultrasonic testing of rivet in multilayer structure using a convolutional neural network on edge device.

Science progress·2023

Video Experimental Relacionado

Updated: Feb 25, 2026

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
13:44

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

Published on: August 30, 2013

43.7K

La detección eficiente de anomalías de nubes de puntos industriales a través de la agregación de contexto espacial y

Dinh-Cuong Hoang1, Phan Xuan Tan2, Anh-Nhat Nguyen3

  • 1Greenwich Vietnam, FPT University, Hanoi, 10000, Vietnam. cuonghd12@fe.edu.vn.

Scientific reports
|February 23, 2026
PubMed
Resumen

Este estudio introduce un nuevo marco para la detección automatizada de defectos de superficie 3D, mejorando la precisión al abordar la ambigüedad del contexto y las limitaciones de datos en los escaneos industriales. El método mejora la calidad del producto a través de una detección de anomalías eficiente y confiable.

Palabras clave:
Detección de defectos detección de defectos.Detección de anomalías industriales detección de anomalías industrialesSegmentación de la segmentación de las anomalías industriales

Más Videos Relacionados

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

1.1K

Videos de Experimentos Relacionados

Last Updated: Feb 25, 2026

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
13:44

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

Published on: August 30, 2013

43.7K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

1.1K

Área de la Ciencia:

  • Fabricación Ingeniería de fabricación Ingeniería.
  • Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
  • La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

  • La detección automatizada de defectos superficiales en piezas 3D es crucial para la calidad y seguridad de la fabricación.
  • Los métodos existentes se enfrentan a desafíos con la ambigüedad del contexto geométrico, la falta de coincidencia de dominio en las exploraciones industriales y los datos de defectos limitados.
  • Estas limitaciones dificultan la detección fiable y eficiente de anomalías en escenarios de fabricación del mundo real.

Objetivo del estudio:

  • Proponer un novedoso marco de un solo paso hacia adelante para la detección de anomalías de nubes de puntos en partes 3D.
  • Para superar los desafíos en la ambigüedad del contexto geométrico, la falta de coincidencia de dominio y la escasez de datos para la detección de defectos de superficies industriales.
  • Para lograr una detección automatizada eficiente y precisa de defectos superficiales en piezas complejas fabricadas en 3D.

Principales métodos:

  • Desarrolló un marco con agregación de contexto espacial utilizando la alineación óptima de transporte para el contexto global.
  • Implementado un adaptador de características (MLP) para ajustar las incorporaciones Point-MAE para las características de escaneo industrial.
  • Se introdujo un generador de características anómalas selectivas para sintetizar negativos duros, reduciendo la dependencia de las etiquetas de defecto.

Principales resultados:

  • Logró mejoras significativas en el punto de referencia Real3D-AD: 2.8% (AUROC a nivel de puntos), 5.7% (AUPR a nivel de puntos), 3.0% (AUROC a nivel de objetos) y 3.5% (AUPR a nivel de objetos).
  • Demostró un rendimiento robusto en el conjunto de datos Industrial3D-AD con ruido realista del sensor y materiales reflectantes (2,9% / 5,3% a nivel de puntos, 2,8% / 3,3% a nivel de objetos).
  • La tubería propuesta ofrece densas puntuaciones de anomalías por punto a una alta velocidad de inferencia de hasta 13,5 FPS.

Conclusiones:

  • El nuevo marco aborda efectivamente los desafíos clave en la detección de defectos de superficie 3D para la fabricación.
  • Los módulos propuestos mejoran la comprensión del contexto, adaptan las características a los datos industriales y mitigan los problemas de escasez de datos.
  • Este enfoque ofrece una solución prometedora para mejorar el control de calidad automatizado en la fabricación a través de una detección de anomalías eficiente y precisa.