Robotic Cutting of Fruits and Vegetables: Modeling the Effects of Deformation, Fracture Toughness, Knife Edge Geometry, and Motion
Notice bibliographique
Résumé
There is a huge potential for automation of cutting fruits and vegetables in the kitchen and food industry as this can not only save time and labor on meal preparation and food packaging but also improve workspace safety. Foods may undergo large deformations, and the knife can experience different forces, which together make it difficult to carry out cutting as intended. With an accurate model, the contact force between the knife and the cutting board can be extracted from the sensor data for control to realize a smooth knife movement. In this article, we apply the finite element method (FEM) to estimate deformation and the cutting force, and linear elastic fracture mechanics to predict fracture. 3-D FEM is computationally prohibitive, since numerous tiny elements must be repeatedly regenerated around the knife edge as it moves further into a food item. To address this issue, we perform 2-D FEM modeling of parallel slices of the object and use interpolation to iteratively update forces and fracture, the latter of which is predicted when the energy release rate exceeds the material's fracture toughness. A strain-based analysis quantifies the reduction in the cutting force when the knife is in a slicing motion. Modeling is completed over the effects of the knife's edge geometry and cutting path (with translation and rotation). The scheme is then incorporated into an existing control strategy Mu et al. 2023 to perform the knife skill of rock chop on soft objects. Experiments conducted over various types of natural food have demonstrated the accuracy of our model and its potential for real-time cutting.
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 ».