Material detection and tuning of machining parameters using machine vision and machine learning in drilling operations | springerprofessional.de

Journal of Mechanical Science and Technology

Material detection and tuning of machining parameters using machine vision and machine learning in drilling operations

05.11.2025
Original Article

Erschienen in:

Verfasst von: Durga Prasad Penumuru; Sreekumar Muthuswamy; Premkumar Karumbu
Erschienen in: Journal of Mechanical Science and Technology | Ausgabe 11/2025

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Anzeige

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Jetzt einloggen Kostenlos registrieren

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriger Artikel Study of abrasive grain motion characteristics in ultrasonic-assisted chemical mechanical polishing process

Nächster Artikel Electroplasticity-based cutting force modeling in the turning of W93NiFe tungsten alloy

Metadaten

Titel: Material detection and tuning of machining parameters using machine vision and machine learning in drilling operations
Verfasst von: Durga Prasad Penumuru
Sreekumar Muthuswamy
Premkumar Karumbu
Publikationsdatum: 05.11.2025
Verlag: Korean Society of Mechanical Engineers
Erschienen in: Journal of Mechanical Science and Technology / Ausgabe 11/2025
Print ISSN: 1738-494X
Elektronische ISSN: 1976-3824
DOI: https://doi.org/10.1007/s12206-025-1041-4

Weitere Artikel der Ausgabe 11/2025

A fully computational approach for the prediction of melt pool generation of the directed energy deposition process

Original Article

Input signal modeling for analysis of the gun firing vibration characteristics of Gatling gun

Original Article

Quantitative measurement of residual stress and hardness in automotive engine crankshafts through an innovative Barkhausen noise approach

Original Article

Improved method for measuring the impact response of a composite rotor blade

Original Article

Bending analysis of microcantilever surface stress sensors based on nonlocal elasticity theory

Original Article

The local porosity influence on natural convection heat transfer of packed beds with large bed diameter at constant temperature

Original Article

Premium Partner

Bildnachweise

MKVS GbR/© MKVS GbR, Nordson/© Nordson, ViscoTec/© ViscoTec, BCD Chemie GmbH, Merz+Benteli/© Merz+Benteli, Robatech/© Robatech, Hermann Otto GmbH/© Hermann Otto GmbH, Ruderer Klebetechnik GmbH, Xometry Europe GmbH/© Xometry Europe GmbH, Atlas Copco/© Atlas Copco, Sika/© Sika, Medmix/© Medmix, Kisling AG/© Kisling AG, Dosmatix GmbH/© Dosmatix GmbH, Innotech GmbH/© Innotech GmbH, Hilger u. Kern GmbH, VDI Logo/© VDI Wissensforum GmbH, Dr. Fritz Faulhaber GmbH & Co. KG/© Dr. Fritz Faulhaber GmbH & Co. KG, ECHTERHAGE HOLDING GMBH&CO.KG - VSE, mta robotics AG/© mta robotics AG, Bühnen