باستخدام نماذج Ultralytics YOLO، تحقق Chef Robotics كشفًا بالغ الدقة للصواني والمكونات على خطوط الإنتاج، إذ بلغت الدقة نحو 99.5%.
تنطوي أتمتة تجميع الأغذية على نطاق واسع على عوامل متغيرة كثيرة. تتحرك أعداد كبيرة من الصواني على خط الإنتاج، وتتغير المكونات على مدار اليوم، ولا تتطابق أي مغرفتين تمامًا. تجعل هذه العوامل الحفاظ على الاتساق أمرًا صعبًا، وقد تواجه عمليات التجميع اليدوية صعوبات في الكشف وتقسيم الحصص ووضعها.
تساعد Chef Robotics على حل هذه التحديات باستخدام الذكاء الاصطناعي والروبوتات. ومن خلال الجمع بين الروبوتات وتقنيات الذكاء الاصطناعي مثل الرؤية الحاسوبية، تمكّن Chef روبوتاتها من رؤية بيئتها وفهمها. فعلى سبيل المثال، تُستخدم نماذج Ultralytics YOLO للكشف عن الصواني والمكونات وتقسيمها، مما يتيح للروبوتات التقاط العناصر ووضعها بدقة تقل عن سنتيمتر واحد على خطوط الإنتاج سريعة الوتيرة ومتنوعة المنتجات.
توسيع إنتاج الأغذية باستخدام الروبوتات والذكاء الاصطناعي#
تطوّر Chef Robotics، ومقرها سان فرانسيسكو، أنظمة روبوتية مدعومة بالذكاء الاصطناعي لمساعدة قطاع الأغذية على مواكبة تزايد متطلبات الإنتاج. وتركز الشركة تحديدًا على قطاع الأغذية لأنه يواجه أكبر نقص في العمالة في الولايات المتحدة، مع وجود أكثر من 1.1 مليون وظيفة شاغرة.
يجعل هذا النقص من الصعب على المصنّعين الحفاظ على مستويات الإنتاج والاتساق. ولمعالجة هذه التحديات، تستخدم روبوتات Chef التعلم الآلي والرؤية الحاسوبية لتفسير بيئات الإنتاج واتخاذ القرارات في الوقت الفعلي. وببساطة، يعني ذلك قدرتها على التعامل بدقة مع أنواع مختلفة من المكونات والصواني والوجبات.
نشرت Chef أنظمتها اليوم في أكثر من اثنتي عشرة مدينة في أمريكا الشمالية، لمساعدة منتجي الأغذية على إدارة كميات كبيرة، وتقليل الاعتماد على العمل اليدوي، والحفاظ على جودة متسقة في خطوط الإنتاج سريعة الوتيرة.
فجوة الدقة في تجميع الأغذية على نطاق واسع#
يتطلب إنتاج الوجبات على نطاق واسع الدقة والسرعة، لكن بيئات الإنتاج الحقيقية تجعل ذلك صعبًا. فقد يتغير مظهر المكونات على مدار اليوم، وقد تكون الصواني شفافة أو عاكسة للضوء الساطع، كما تتحرك خطوط النقل بسرعة.
تجعل هذه التغيرات المستمرة من الصعب على العمال تحديد مواضع العناصر بدقة، ولا سيما عند تكرار الحركات نفسها آلاف المرات في الوردية. ونتيجة لذلك، يؤدي التجميع اليدوي غالبًا إلى عدم اتساق الحصص، وانسكاب بعض الطعام، وخروج أوزان الصواني عن النطاق المستهدف.
يزيد ذلك من هدر الطعام المقدم للعملاء، ويتطلب تنظيفًا إضافيًا، ويؤدي إلى تفاوت في المظهر. ويزداد التحدي في البيئات ذات المنتجات المتنوعة، حيث تتغير الوصفات كثيرًا، ولكل منتج متطلبات مناولة خاصة.
الشكل 1. لمحة عن خطوط تجميع الأغذية اليدوية.
لم تُصمم أنظمة الأتمتة التقليدية للتعامل مع هذا المستوى من التباين. فهي تواجه صعوبات مع تغير المكونات، والتبديل السريع بين خطوط الإنتاج، والتنوع الكبير في وحدات حفظ المخزون (SKUs). ولا يزال كثير من المنتجين يعتمدون اعتمادًا كبيرًا على العمالة اليدوية، حتى مع أن نقص العاملين يجعل استمرار تشغيل خطوط الإنتاج أكثر صعوبة.
فعلى سبيل المثال، واجهت Cafe Spice، وهي علامة تجارية للأغذية الهندية ومصنّع تعاقدي مقرها في نيو ويندسور بولاية نيويورك، هذه التحديات يوميًا. وكان فريقها يجمع الوجبات يدويًا بمعدل نحو اثنتي عشرة صينية في الدقيقة، مما حدّ من الإنتاج مع تزايد الطلب.
كذلك، تطلبت صوانيها ذات الحجرتين وضع المكونات بدقة لمنع انسكاب الكاري في قسم الأرز، وهو أمر واجهت العمليات اليدوية والمعدات التقليدية صعوبة في ضمان اتساقه. وإدراكًا منها لهذه القيود، لجأت Cafe Spice إلى Chef بحثًا عن نهج أكثر مرونة وموثوقية.
تحليل خطوط تجميع الأغذية باستخدام نماذج Ultralytics YOLO#
لأتمتة إنتاج Cafe Spice للوجبات المتنوعة، نشرت Chef نظامًا روبوتيًا للذكاء الاصطناعي قادرًا على اكتشاف الصواني وتحديد المكونات ووضع الطعام بالدقة اللازمة لصوانيها ذات الحجرتين. وفي قلب هذا النظام خط معالجة للذكاء الاصطناعي البصري مبني على نماذج Ultralytics YOLO.
تدعم نماذج Ultralytics YOLO مهام الرؤية الحاسوبية الأساسية، مثل اكتشاف الأجسام واكتشاف صندوق الإحاطة الموجّه (OBB) وتقسيم الكائنات إلى مثيلات وتصنيف الصور. وتمنح هذه الإمكانات روبوتات Chef إدراكًا فوريًا لخط الإنتاج.
نظرًا إلى أن Cafe Spice تنتج العديد من وحدات حفظ المخزون، تُدرَّب نماذج Ultralytics YOLO تدريبًا مخصصًا على صور جُمعت مباشرة من بيئة الإنتاج لديها. ويساعد ذلك الروبوتات على تفسير المكونات في ظروف المصنع الفعلية.
الشكل 2. كيفية رؤية روبوت Chef للصواني واكتشافها (المصدر)
على وجه الخصوص، يُستخدم YOLO لاكتشاف الصواني أثناء تحركها على خط النقل، وتحديد الحجرة المناسبة لكل مكوّن. ويتيح اكتشاف OBB للنظام، بتوسيع نطاق اكتشاف الأجسام، فهم العناصر التي تظهر بزوايا مختلفة، بما فيها الأوعية والحواجز الشفافة والصواني ذات الاتجاهات المتغيرة.
لماذا اختيار نماذج Ultralytics YOLO؟#
توفر نماذج Ultralytics YOLO لشركة Chef السرعة والدقة اللازمتين لتجميع الأغذية في الوقت الفعلي على خطوط الإنتاج سريعة الحركة. وقد وجدت الشركة أن نماذج Ultralytics YOLO تحقق دقة تبلغ نحو 99.5% في الإنتاج، ما يوفر عمليات كشف مستقرة تلزم لوضع الروبوتات للمكونات بدقة تقل عن سنتيمتر واحد في أنواع مختلفة من الصواني والأوعية والمكونات.
كما توفر حزمة Ultralytics Python أدوات تدريب هذه النماذج وضبطها الدقيق وإدارتها، مما يسهّل على الفرق الهندسية تكرار دورات التطوير بسرعة. فعلى سبيل المثال، تدعم الحزمة تنسيقات تصدير مثل ONNX للنشر عبر منصات متعددة، ما يتيح لفريق Chef تحويل النماذج ونشرها بسلاسة على أنظمتها الروبوتية.
Chef Robotics وUltralytics YOLO تضاعفان إنتاج Cafe Spice#
بعد دمج أنظمة Chef الروبوتية المدعومة بالذكاء الاصطناعي، والتي تعمل بنماذج Ultralytics YOLO، حققت Cafe Spice تحسينات فورية وملموسة في الإنتاج وكفاءة العمالة وجودة المنتجات. فخطوط الإنتاج التي كانت تعمل سابقًا بمعدل 12 صينية في الدقيقة، أصبحت تعمل الآن بمتوسط 30 صينية في الدقيقة، مع بلوغ المعدلات القصوى 40 صينية في الدقيقة على نظام النقل المحدّث. ويمثل ذلك زيادة في الإنتاج بمقدار ضعفين إلى ثلاثة أضعاف.
الشكل 3. خط إنتاج الوجبات في Cafe Spice، المدعوم من Chef Robotics وUltralytics YOLO.
تحسنت إنتاجية العمالة أيضًا. فكان كل خط يتطلب تاريخيًا 8–10 عمال، لكن روبوتات Chef خفضت العدد إلى 3–4 عمال لكل خط، ما أدى إلى زيادة إنتاجية العمالة بنسبة 60%. وأتاح هذا تحرير الطاقة الاستيعابية لشركة Cafe Spice إعادة توزيع الموظفين على أقسام أخرى كانت تعاني باستمرار من نقص العاملين بسبب النقص المتواصل في العمالة.
كما تحسنت الجودة والمردود تحسنًا ملحوظًا. فقبل الأتمتة، بلغت نسبة الطعام الزائد المقدم، الذي كان يُضاف غالبًا لتجنب رفض الحصص ناقصة الوزن، 9.19%. ومع استخدام الروبوتات للكشف المستند إلى YOLO لوضع المكونات بدقة، انخفضت هذه النسبة إلى 3.05%، أي بتراجع قدره 67%. كذلك تحسنت معدلات القبول: إذ استوفت 91% من الصواني المجمعة آليًا معايير الجودة لدى Cafe Spice، مقارنةً بـ75% من الصواني المجمعة يدويًا.
جعل إنتاج الوجبات على نطاق واسع أكثر ذكاءً ودقة#
مع استمرار Chef في التوسع، تركز الشركة على جعل أنظمتها المدعومة بالذكاء الاصطناعي أكثر قدرة على التكيف مع التنوع الكبير في المكونات والصواني وتجهيزات الإنتاج المستخدمة في قطاع الأغذية. ويتمثل أحد المحركات الأساسية لهذه الجهود في رسالة Chef لبناء آلات ذكية تمكّن البشر من أداء ما يجيدونه أكثر من غيره. ومن خلال تطوير نماذج الإدراك، وتبسيط عمليات التبديل، وتعزيز المرونة في الإنتاج المتنوع، تنشئ Chef أتمتة تعمل بدرجة أقل كآلة جامدة وبدرجة أكبر كزميل تعاوني.
هل ترغب في استكشاف الذكاء الاصطناعي البصري؟ اكتشف خيارات الترخيص لإضافة الرؤية الحاسوبية إلى مشاريعك. تفضل بزيارة مستودع GitHub وانضم إلى مجتمعنا. واستكشف الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع التجزئة في صفحات حلولنا.
