Wrinkle-Free Sewing with Robotics: The Future of Soft Material Manufacturing
Notice bibliographique
Résumé
Abstract Sewing flexible materials such as textiles and clothing can be challenging due to their tendency to wrinkle easily and their non-linear mechanical behaviour. Conventional methods in industrial plants are performed by workers and can be labour-intensive and time-consuming. Therefore, the interest in robotic solutions has grown in the last decade. In this paper, we propose a flexible and reliable robotic solution that can autonomously remove wrinkles from fabric. This method was designed as a part of a robotic cell capable of sewing together two different textiles, used in the manufacturing of cyclist garments. The robotic system employs two compliant soft fingers to stretch the fabric and a vision system to identify the wrinkles to flatten. The design of the fingers is bio-inspired, mimicking the adaptability and dexterity of biological systems, hence improving the gripping performance while reducing the risk of damage to the fabric. The developed vision system performs instance segmentation to identify the wrinkles on the fabric, and then identifies the best places to apply the gripper to flatten the tissue. This two-step process is iterated until wrinkles on the surface do not affect the final sewn product. Such a methodology is highly flexible and has no hard requirements, as the vision system requires only an RGB camera, and the fingers are 3D-printed, an affordable and common manufacturing process. Consequently, the system proposed in this paper can be easily employed in a wide variety of industrial scenarios, improving the productivity and the welfare of the workers.
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 | 0,001 | 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 ».