論文の概要: Replaceable Bit-based Gripper for Picking Cluttered Food Items

• arxiv url: http://arxiv.org/abs/2601.00305v1
• Date: Thu, 01 Jan 2026 10:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.597877
• Title: Replaceable Bit-based Gripper for Picking Cluttered Food Items
• Title（参考訳）: クラッタ食品のリプレース可能なビットベースグリッパー
• Authors: Prashant Kumar, Yukiyasu Domae, Weiwei Wan, Kensuke Harada,
• Abstract要約: 本稿では, 粗い食品の重み付けに挑戦するビットベースグリップシステムを提案する。 グリップは、グリップ能力を増強する専用の食品アタッチメント(ビット)を備えている。 さまざまなコントロールオプションを提供しており、粒度、散らばり、絡み合った食べ物の特定の重量をつかんで落とすことができる。
• 参考スコア（独自算出の注目度）: 17.628847171773742
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The food packaging industry goes through changes in food items and their weights quite rapidly. These items range from easy-to-pick, single-piece food items to flexible, long and cluttered ones. We propose a replaceable bit-based gripper system to tackle the challenge of weight-based handling of cluttered food items. The gripper features specialized food attachments(bits) that enhance its grasping capabilities, and a belt replacement system allows switching between different food items during packaging operations. It offers a wide range of control options, enabling it to grasp and drop specific weights of granular, cluttered, and entangled foods. We specifically designed bits for two flexible food items that differ in shape: ikura(salmon roe) and spaghetti. They represent the challenging categories of sticky, granular food and long, sticky, cluttered food, respectively. The gripper successfully picked up both spaghetti and ikura and demonstrated weight-specific dropping of these items with an accuracy over 80% and 95% respectively. The gripper system also exhibited quick switching between different bits, leading to the handling of a large range of food items.
• Abstract（参考訳）: 食品包装産業は、食品とその重量の急激な変化を経験している。 これらのアイテムは、簡単でピックでシングルピースの食品から、柔軟で長い、散らかったものまで様々である。 本稿では, 粗い食品を重み付けする問題に対処するために, 交換可能なビットベースグリップシステムを提案する。 グリップは、グリップ能力を増強する専用の食品アタッチメント(ビット)を備え、ベルト交換システムは、包装作業中に異なる食品を切り替えることを可能にする。 さまざまなコントロールオプションを提供しており、粒度、散らばり、絡み合った食べ物の特定の重量をつかんで落とすことができる。 具体的には,イクラとスパゲッティという,形状が異なる2種類のフレキシブルな食品を設計した。 それらは、粘着物、粒状食品、長い、粘着物、散らばった食品の難解なカテゴリーを表している。 握り手はスパゲッティとイクラの両方を拾い上げ、それぞれ80%以上と95%以上の精度で重量比の低下を示した。 また、グリッパーシステムは異なるビットを素早く切り替えることができ、様々な食品の取り扱いに繋がった。

関連論文リスト

• Training-Free Text-to-Image Compositional Food Generation via Prompt Grafting [13.309829477759527]
  実際の食事のイメージは、しばしば複数の食品を含んでいる。 現代のテキストと画像の拡散モデルでは、オブジェクトの絡み合いによって正確なマルチフード画像を生成するのに苦労している。 Prompt Graftingは、テキスト中の明示的な空間的手がかりとサンプリング中の暗黙的なレイアウトガイダンスを組み合わせた、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-25T03:07:17Z)
• A Novel Approach to Balance Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes and its Implementation in BEACON [11.650186156080439]
  我々は、カスタマイズ可能な食事構成と時間的地平を考慮に入れた食事レコメンデーションのためのデータ駆動ソリューションを提案する。 コントリビューションには、良さ対策の導入、テキストから最近導入されたマルチモーダル・リッチ・レシピ表現(R3)フォーマットへのレシピ変換方法、BEACONシステムのプロトタイプ、使用感に着想を得た。
  論文  参考訳（メタデータ） (2024-12-23T19:05:27Z)
• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)
• GemNet: Menu-Based, Strategy-Proof Multi-Bidder Auctions Through Deep Learning [17.717553267684615]
  微分経済学は、深層学習を用いてメカニズム設計を学ぶAMDの一形態である。 GEneral Menu-based NETwork (GemNet) を導入し,マルチバイダ,汎用,完全戦略保護 (SP) オークションを学習する。
  論文  参考訳（メタデータ） (2024-06-11T16:30:30Z)
• How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
  現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。 本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。 本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
  論文  参考訳（メタデータ） (2024-05-12T00:16:02Z)
• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• Cluttered Food Grasping with Adaptive Fingers and Synthetic-Data Trained Object Detection [8.218146534971156]
  食品包装産業は、幅広い形状と大きさのさまざまな食品を扱う。 ビンピッキングの一般的なアプローチは、まず、インスタンスセグメンテーション法を用いてトレイ内の各食品を識別することである。 合成データを純粋に訓練し,sim2real法を用いて実世界へ転送する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T06:44:09Z)
• A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
  我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。 これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。 ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
  論文  参考訳（メタデータ） (2021-05-12T03:00:07Z)
• Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
  画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。 本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。 食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
  論文  参考訳（メタデータ） (2020-03-09T07:41:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。