On-line sensing and modeling of mechanical impedance in robotic food processing
Notice bibliographique
Résumé
Measurement of mechanical impedance is useful in robotic food processing. In cutting meat, fish, and other inhomogeneous objects by means of a robotic cutter, for instance, it is useful to sense the transition regions between soft meat, hard meat, fat, shin, and bone. Product quality and yield can be improved through this, by accurately separating the desired product from the parts that should be discarded. Mechanical impedance at the cutter-object interface is known to provide the necessary information for this purpose. Unfortunately, the conventional methods of measuring mechanical impedance require sensing of both force and velocity simultaneously. Instrumenting a robotic end-effector for these measurements can make the cutter unit unsatisfactorily heavy, sluggish, and costly. An approach for on-line sensing of mechanical impedance, using the current of the cutter motor and the displacement (depth of cut) of the cutter, has been developed by us. A digital filter computes the mechanical impedance on this basis. For model-based estimation, performance evaluation of the on-line sensor, and also for model-based cutter control, it is useful to develop a model of the cutter-object interface. This paper illustrates these concepts using a laboratory system consisting of a robotic gripper and a flexible object. The prototype consists of an industrial-quality robotic gripper, a control computer, and associated hardware and software for data acquisition and processing. A model of the process interface between the end-effector and object has been developed. Some illustrative results from laboratory experiments are given.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».