باستخدام نماذج Ultralytics YOLO، تحقق Chef Robotics اكتشافًا عالي الدقة للصواني والمكونات على خطوط الإنتاج، لتصل الدقة إلى نحو 99.5%.
تنطوي أتمتة تجميع الطعام على نطاق واسع على العديد من العناصر المتحركة. إذ تتحرك أعداد كبيرة من الصواني على طول الخط، وتتغير المكونات على مدار اليوم، ولا توجد مغرفة تطابق الأخرى تمامًا. وتجعل هذه العوامل الحفاظ على الاتساق أمرًا صعبًا، كما قد تواجه عمليات التجميع اليدوية صعوبات في الاكتشاف وتحديد 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 لاكتشاف الصواني والمكونات وتقسيمها، ما يتيح للروبوتات التقاط العناصر ووضعها بدقة تقل عن سنتيمتر واحد على خطوط إنتاج سريعة الإيقاع ومتنوعة المنتجات.
توسيع نطاق إنتاج الطعام باستخدام الروبوتات والذكاء الاصطناعي#
تبني Chef Robotics، التي يقع مقرها في سان فرانسيسكو، أنظمة روبوتية مدعومة بالذكاء الاصطناعي لمساعدة قطاع الأغذية على مواكبة الطلب المتزايد على الإنتاج. وتركز الشركة تحديدًا على قطاع الأغذية لأنه يواجه أكبر نقص في العمالة في الولايات المتحدة، مع أكثر من 1.1 مليون وظيفة شاغرة.
يجعل هذا النقص من الصعب على المصنّعين الحفاظ على حجم الإنتاج والاتساق. ولمعالجة هذه المخاوف، تستخدم روبوتات Chef تعلّم الآلة والرؤية الحاسوبية لتفسير بيئات الإنتاج واتخاذ القرارات في الوقت الفعلي. وببساطة، يعني ذلك قدرتها على التعامل بدقة مع مكونات مختلفة وأنواع متعددة من الصواني وتنسيقات متنوعة للوجبات.
نشرت Chef أنظمتها حتى اليوم في أكثر من اثنتي عشرة مدينة في أمريكا الشمالية، لمساعدة منتجي الأغذية على إدارة الأحجام الكبيرة، وتقليل الاعتماد على العمالة اليدوية، والحفاظ على جودة متسقة على الخطوط سريعة الإيقاع.
فجوة الدقة في تجميع الطعام على نطاق واسع#
يتطلب إنتاج الوجبات على نطاق واسع الدقة والسرعة، إلا أن بيئات الإنتاج الفعلية تجعل تحقيق ذلك صعبًا. فقد تبدو المكونات مختلفة على مدار اليوم، وقد تكون الصواني شفافة أو عاكسة للضوء الساطع، كما تتحرك خطوط النقل بسرعة.
تجعل هذه التغيرات المستمرة من الصعب على العمال تقدير موضع الوضع بدقة، ولا سيما عند تكرار الحركات نفسها آلاف المرات في كل وردية. ونتيجة لذلك، يؤدي التجميع اليدوي غالبًا إلى حصص غير متسقة، وانسكاب عرضي، وخروج الصواني عن الأوزان المستهدفة.
ويؤدي ذلك إلى زيادة فاقد الطعام، والحاجة إلى تنظيف إضافي، وظهور تفاوت في الشكل النهائي. ويصبح التحدي أكثر صعوبة في البيئات المتنوعة المنتجات، حيث تتغير الوصفات باستمرار، ولكل منتج متطلبات خاصة للمناولة.
الشكل 1. نظرة على خطوط تجميع الطعام اليدوية.
لم تُصمم أنظمة الأتمتة التقليدية للتعامل مع هذا المستوى من التباين. فهي تواجه صعوبات مع تغيّر المكونات، وعمليات التبديل السريعة، والنطاق الواسع من وحدات حفظ المخزون (SKUs). ولا يزال العديد من المنتجين يعتمدون بدرجة كبيرة على العمالة اليدوية، حتى مع جعل نقص الموظفين من الصعب استمرار تشغيل الخطوط.
فعلى سبيل المثال، واجهت Cafe Spice، وهي علامة تجارية هندية للأغذية وشركة تصنيع تعاقدي مقرها في نيو وندسور بولاية نيويورك، هذه التحديات يوميًا. إذ كان فريقها يجمع الوجبات يدويًا بمعدل نحو اثنتي عشرة صينية في الدقيقة، ما حدّ من حجم الإنتاج مع زيادة الطلب.
إضافة إلى ذلك، كانت صوانيها ذات الحجرتين تتطلب وضعًا دقيقًا لمنع انسكاب الكاري في قسم الأرز، وهو أمر عانت العمليات اليدوية والمعدات التقليدية غالبًا من الحفاظ عليه باستمرار. وإدراكًا لهذه القيود، لجأت Cafe Spice إلى Chef بحثًا عن نهج أكثر مرونة وموثوقية.
استخدام نماذج Ultralytics YOLO لتحليل خطوط تجميع الطعام#
لأتمتة إنتاج الوجبات المتنوعة لدى Cafe Spice، نشرت Chef نظامًا روبوتيًا للذكاء الاصطناعي قادرًا على اكتشاف الصواني، وتحديد المكونات، ووضع الطعام بالدقة المطلوبة للصواني ذات الحجرتين. ويقع في قلب هذا النظام خط أنابيب للرؤية بالذكاء الاصطناعي مبني على نماذج Ultralytics YOLO.
تدعم نماذج Ultralytics YOLO مهام الرؤية الحاسوبية الأساسية، مثل اكتشاف الكائنات، واكتشاف الصندوق المحيط الموجّه (OBB)، وتقسيم المثيلات، وتصنيف الصور. وتمنح هذه الإمكانات روبوتات Chef وعيًا آنيًا بخط الإنتاج.
نظرًا إلى أن Cafe Spice تنتج العديد من وحدات حفظ المخزون (SKUs)، تُدرَّب نماذج Ultralytics YOLO تدريبًا مخصصًا على صور جُمعت مباشرة من بيئة الإنتاج لديها. ويساعد ذلك الروبوتات على تفسير المكونات في ظل ظروف المصنع الفعلية.
الشكل 2. كيفية رؤية روبوت Chef للصواني واكتشافها (المصدر)
تُستخدم YOLO تحديدًا لاكتشاف الصواني أثناء تحركها على الناقل، وتحديد الحجرة الصحيحة لكل مكوّن. ويتجاوز اكتشاف OBB اكتشاف الكائنات خطوة إضافية، إذ يتيح للنظام فهم العناصر التي تظهر بزوايا مختلفة، بما في ذلك الأوعية والملحقات الشفافة والصواني ذات الاتجاهات المتغيرة.
لماذا اختيار نماذج Ultralytics YOLO؟#
تمنح نماذج Ultralytics YOLO شركة Chef السرعة والدقة اللازمتين لتجميع الطعام في الوقت الفعلي على خطوط الإنتاج سريعة الحركة. وقد وجدت الشركة أن نماذج Ultralytics YOLO تحقق دقة تبلغ نحو 99.5% في الإنتاج، موفرةً عمليات اكتشاف مستقرة تلزم لوضع العناصر روبوتيًا بدقة تقل عن سنتيمتر واحد عبر صوانٍ وأوعية وأنواع مختلفة من المكونات.
كما توفر حزمة Ultralytics Python الأدوات اللازمة لتدريب هذه النماذج وضبطها الدقيق وإدارتها، ما يسهّل على فرق الهندسة إجراء التكرارات بسرعة. فعلى سبيل المثال، تدعم الحزمة تنسيقات تصدير مثل ONNX للنشر عبر المنصات، ما يتيح لفريق Chef تحويل النماذج ونشرها بسلاسة عبر أنظمته الروبوتية.
تضاعف Chef Robotics وUltralytics YOLO إنتاج Cafe Spice#
بعد دمج أنظمة Chef للروبوتات المدعومة بالذكاء الاصطناعي والتي تعمل بنماذج Ultralytics YOLO، شهدت Cafe Spice تحسينات فورية وقابلة للقياس في حجم الإنتاج وكفاءة العمالة وجودة المنتجات. فقد كانت خطوط إنتاجها تعمل سابقًا بمعدل 12 صينية في الدقيقة، وأصبحت تعمل الآن بمتوسط 30 صينية في الدقيقة، مع بلوغ المعدلات القصوى 40 صينية في الدقيقة على نظام الناقل المحدّث. ويمثل ذلك زيادة بمقدار ضعفين إلى ثلاثة أضعاف في حجم الإنتاج.
الشكل 3. خط إنتاج الوجبات لدى Cafe Spice، المدعوم من Chef Robotics وUltralytics YOLO.
كما تحسنت إنتاجية العمالة. فكل خط كان يتطلب تاريخيًا من 8 إلى 10 عمال، لكن روبوتات Chef خفضت العدد إلى 3–4 عمال لكل خط، ما أدى إلى زيادة إنتاجية العمالة بنسبة 60%. وأتاح هذا المقدار المتحرر من القدرة التشغيلية لـ Cafe Spice إعادة توزيع الموظفين على مناطق أخرى كانت تعاني باستمرار من نقص الموظفين بسبب نقص العمالة المستمر.
وبالمثل، شهدت الجودة والمردود تحسنًا كبيرًا. فقبل الأتمتة، بلغ فاقد الطعام، الناجم بدرجة كبيرة عن زيادة الحصص لتجنب رفض المنتجات ناقصة الوزن، 9.19%. ومع استخدام الروبوتات للاكتشاف القائم على YOLO لوضع المكونات بدقة، انخفض الفاقد إلى 3.05%، أي بانخفاض قدره 67%. وإضافة إلى ذلك، تحسنت معدلات القبول أيضًا: فقد استوفت 91% من الصواني المُجمّعة بواسطة الروبوتات معايير الجودة لدى Cafe Spice، مقارنةً بـ75% للصواني المُجمّعة 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. وتتمثل إحدى القوى الدافعة الرئيسية وراء هذه الجهود في مهمة Chef لبناء آلات ذكية تمكّن البشر من أداء ما يجيدونه. ومن خلال تطوير نماذج الإدراك لديها، وتبسيط عمليات التبديل، وتعزيز المرونة للإنتاج المتنوع، تنشئ Chef أتمتة تعمل بدرجة أقل كآلة جامدة وبدرجة أكبر كزميل تعاوني.
هل ترغب في استكشاف الرؤية بالذكاء الاصطناعي؟ تعرّف على خيارات الترخيص لدينا لإضافة الرؤية الحاسوبية إلى مشاريعك. زر مستودعنا على GitHub وانضم إلى مجتمعنا. واستكشف الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع التجزئة في صفحات حلولنا.
