تستخدم Chef Robotics نماذج Ultralytics YOLO لتقليل هدر الطعام بنسبة 67%

تتضمن أتمتة تجميع الأغذية على نطاق واسع العديد من الأجزاء المتحركة. حيث يتحرك حجم كبير من الأطباق على طول الخط، وتتغير المكونات على مدار اليوم، ولا توجد مغرفة تطابق الأخرى تماماً. هذه العوامل تجعل من الصعب الحفاظ على الاتساق، وقد تواجه عمليات التجميع اليدوي صعوبات في الاكتشاف والتقسيم والتنسيق.

تساعد Chef Robotics في حل هذه التحديات باستخدام الذكاء الاصطناعي والروبوتات. ومن خلال الجمع بين الروبوتات وتقنيات الذكاء الاصطناعي مثل computer vision، تمكّن Chef روبوتاتها من رؤية وفهم بيئتها. على سبيل المثال، تُستخدم Ultralytics YOLO models لاكتشاف وتجزئة الأطباق والمكونات، مما يسمح للروبوتات بالتقاط العناصر ووضعها بدقة تحت سنتيمترية على خطوط إنتاج متنوعة وسريعة الوتيرة.

Link to this sectionتوسيع نطاق إنتاج الأغذية باستخدام الروبوتات والذكاء الاصطناعي#

تقوم شركة Chef Robotics، ومقرها سان فرانسيسكو، ببناء AI-powered robotic systems لمساعدة صناعة الأغذية على مواكبة متطلبات الإنتاج المتزايدة. وهم يركزون بشكل خاص على قطاع الأغذية لأنه يواجه أكبر نقص في العمالة في الولايات المتحدة، مع أكثر من 1.1 مليون وظيفة شاغرة.

هذا النقص يجعل من الصعب على المصنعين الحفاظ على المخرجات والاتساق. ولمعالجة هذه المخاوف، تستخدم روبوتات Chef التعلم الآلي وcomputer vision لتفسير بيئات الإنتاج واتخاذ القرارات في الوقت الفعلي. ببساطة، هذا يعني أنها تستطيع التعامل مع مكونات وأنواع أطباق وتنسيقات وجبات مختلفة بدقة.

اليوم، قامت Chef بنشر أنظمتها في أكثر من اثنتي عشرة مدينة في أمريكا الشمالية، مما ساعد منتجي الأغذية على إدارة أحجام كبيرة، وتقليل الاعتماد على العمالة اليدوية، والحفاظ على جودة متسقة على الخطوط سريعة الوتيرة.

Link to this sectionفجوة الدقة في تجميع الأغذية على نطاق واسع#

يتطلب إنتاج الوجبات على نطاق واسع الدقة والسرعة، لكن بيئات الإنتاج الفعلية تجعل ذلك صعباً. فقد تبدو المكونات مختلفة على مدار اليوم، وقد تكون الأطباق شفافة أو عاكسة تحت الأضواء الساطعة، وتتحرك خطوط الناقل بسرعة.

تجعل هذه التحولات المستمرة من الصعب على العمال الحكم على التنسيق بدقة، خاصة عندما يكررون نفس الحركات آلاف المرات في كل وردية. ونتيجة لذلك، غالباً ما يؤدي التجميع اليدوي إلى حصص غير متسقة، وانسكاب عرضي، ووقوع الأطباق خارج الأوزان المستهدفة.

هذا يزيد من هدر الطعام، ويتطلب تنظيفاً إضافياً، ويخلق تبايناً في التقديم. يصبح التحدي أكثر صعوبة في البيئات عالية التنوع حيث تتغير الوصفات بشكل متكرر، ولكل منتج متطلبات معالجة خاصة به.

الشكل 1. نظرة على خطوط تجميع الأغذية اليدوية.

أنظمة الأتمتة التقليدية ليست مصممة لهذا المستوى من التباين. فهي تواجه صعوبة في التعامل مع تغييرات المكونات، وعمليات التغيير السريعة، ومجموعة واسعة من وحدات حفظ المخزون (SKUs). لا يزال العديد من المنتجين يعتمدون بشكل كبير على العمالة اليدوية، حتى مع جعل نقص الموظفين الحفاظ على تشغيل الخطوط أمراً أكثر صعوبة.

على سبيل المثال، واجهت Cafe Spice، وهي علامة تجارية للأغذية الهندية ومصنع مشارك مقره في نيوندسور، نيويورك، هذه التحديات يومياً. قام فريقهم بتجميع الوجبات يدوياً بمعدل اثني عشر طبقاً في الدقيقة، مما حد من المخرجات مع زيادة الطلب.

أيضاً، تطلبت أطباقهم ذات الحجرتين تنسيقاً دقيقاً لمنع الكاري من الانسكاب في قسم الأرز - وهو أمر كانت العمليات اليدوية والمعدات التقليدية غالباً ما تواجه صعوبة في الحفاظ عليه بشكل متسق. وإدراكاً لهذه القيود، لجأت Cafe Spice إلى Chef للحصول على نهج أكثر مرونة وموثوقية.

Link to this sectionاستخدام نماذج Ultralytics YOLO لتحليل خطوط تجميع الأغذية#

لأتمتة إنتاج الوجبات عالي التنوع في Cafe Spice، نشرت Chef نظاماً روبوتياً يعتمد على الذكاء الاصطناعي يمكنه اكتشاف الأطباق، وتحديد المكونات، ووضع الطعام بالدقة المطلوبة لأطباقهم ذات الحجرتين. في قلب هذا النظام يوجد مسار Vision AI مبني على نماذج Ultralytics YOLO.

تدعم نماذج Ultralytics YOLO مهام computer vision tasks الرئيسية مثل اكتشاف الكائنات، وoriented bounding box (OBB) detection، وتجزئة النسخ، وتصنيف الصور. تمنح هذه القدرات روبوتات Chef وعياً فورياً بخط الإنتاج.

نظراً لأن Cafe Spice تنتج العديد من وحدات حفظ المخزون المختلفة، يتم تدريب نماذج Ultralytics YOLO بشكل مخصص على صور مجمعة مباشرة من بيئة إنتاجها. يساعد هذا الروبوتات على تفسير المكونات في ظل ظروف المصنع الفعلية.

الشكل 2. كيف يرى روبوت Chef الأطباق ويكتشفها (المصدر)

على وجه الخصوص، يُستخدم YOLO لاكتشاف الأطباق أثناء تحركها على الناقل وتحديد الحجرة الصحيحة لكل مكون. ولأخذ اكتشاف الكائنات خطوة أبعد، يتيح اكتشاف OBB للنظام فهم العناصر التي تظهر بزوايا مختلفة، بما في ذلك الأوعية، والحشوات الشفافة، والأطباق ذات الاتجاهات المتغيرة.

Link to this sectionلماذا تختار نماذج Ultralytics YOLO؟#

تمنح نماذج Ultralytics YOLO شركة Chef السرعة والدقة اللازمتين لتجميع الأغذية في الوقت الفعلي على خطوط الإنتاج سريعة الحركة. لقد وجدوا أن نماذج Ultralytics YOLO توفر دقة تبلغ حوالي 99.5% في الإنتاج، مما يوفر اكتشافات مستقرة مطلوبة للتنسيق الروبوتي تحت سنتيمتري عبر مختلف الأطباق والأوعية وأنواع المكونات.

أيضاً، توفر Ultralytics Python package الأدوات اللازمة لتدريب هذه النماذج وضبطها وإدارتها، مما يسهل على الفرق الهندسية التكرار بسرعة. على سبيل المثال، فهي تدعم تنسيقات التصدير مثل ONNX للنشر عبر المنصات، مما يسمح لفريق Chef بتحويل ونشر النماذج بسلاسة عبر أنظمتهم الروبوتية.

Link to this sectionChef Robotics وUltralytics YOLO يضاعفان مخرجات Cafe Spice#

بعد دمج أنظمة الروبوتات المعتمدة على الذكاء الاصطناعي من Chef والتي تحركها نماذج Ultralytics YOLO، شهدت Cafe Spice تحسينات فورية وقابلة للقياس عبر المخرجات، وكفاءة العمالة، وجودة المنتج. خطوط إنتاجهم، التي كانت تعمل سابقاً بسرعة 12 طبقاً في الدقيقة، تعمل الآن بمتوسط 30 طبقاً في الدقيقة، مع وصول معدلات الذروة إلى 40 طبقاً في الدقيقة على نظام الناقل المحدث. يمثل هذا زيادة بمقدار ضعفين إلى ثلاثة أضعاف في المخرجات.

الشكل 3. خط إنتاج وجبات Cafe Spice، المدعوم من Chef Robotics وUltralytics YOLO.

تحسنت إنتاجية العمالة أيضاً. كان كل خط يتطلب تاريخياً من 8 إلى 10 عمال، لكن روبوتات Chef قللت هذا العدد إلى 3-4 عمال لكل خط، مما أدى إلى زيادة بنسبة 60% في إنتاجية العمالة. ساعدت السعة الموفرة Cafe Spice على إعادة توزيع الموظفين على مجالات أخرى كانت تعاني باستمرار من نقص الموظفين بسبب نقص العمالة المستمر.

وبالمثل، شهدت الجودة والإنتاجية مكاسب كبيرة أيضاً. قبل الأتمتة، كان هدر الطعام، الناجم إلى حد كبير عن الإفراط في تقسيم الحصص لتجنب المرفوضات التي تقل عن الوزن المطلوب، يبلغ 9.19%. ومع استخدام الروبوتات لاكتشاف يعتمد على YOLO لوضع المكونات بدقة، انخفض الهدر إلى 3.05%، وهو انخفاض بنسبة 67%. بالإضافة إلى ذلك، تحسنت معدلات القبول أيضاً: 91% من الأطباق المجمعة روبوتياً استوفت معايير جودة Cafe Spice، مقارنة بـ 75% للأطباق المجمعة يدوياً.

Link to this sectionجعل إنتاج الوجبات على نطاق واسع أكثر ذكاءً ودقة#

مع استمرار Chef في التوسع، تركز الشركة على جعل أنظمتها المعتمدة على الذكاء الاصطناعي أكثر قدرة على التكيف مع التنوع الكبير في المكونات والأطباق وإعدادات الإنتاج المستخدمة في صناعة الأغذية. المحرك الرئيسي وراء هذه الجهود هو مهمة Chef لبناء آلات ذكية تمكّن البشر من القيام بما يجيدونه. من خلال تطوير نماذج الإدراك الخاصة بها، وتبسيط عمليات التغيير، وتعزيز المرونة للإنتاج عالي التنوع، تعمل Chef على إنشاء أتمتة تعمل بشكل أقل كآلة جامدة وأكثر كزميل متعاون.

هل أنت مهتم باستكشاف Vision AI؟ اكتشف licensing options الخاصة بنا لجلب computer vision إلى مشاريعك. تفضل بزيارة GitHub repository الخاصة بنا وانضم إلى our community. استكشف AI in healthcare و computer vision in retail على صفحات حلولنا.