Chef Robotics verwendet Ultralytics YOLO, um Lebensmittelverluste um 67 % zu reduzieren

Die Automatisierung der Lebensmittelmontage im großen Maßstab umfasst viele bewegliche Teile. Eine große Anzahl an Schalen bewegt sich entlang der Linie, die Zutaten variieren im Laufe des Tages und keine Portion gleicht exakt der anderen. Diese Faktoren erschweren die Aufrechterhaltung der Konsistenz, und manuelle Montageprozesse können bei Erkennung, Portionierung und Platzierung an ihre Grenzen stoßen.

Chef Robotics hilft dabei, diese Herausforderungen mit KI und Robotern zu lösen. Durch die Kombination von Robotik mit KI-Technologien wie Computer Vision versetzt Chef seine Roboter in die Lage, ihre Umgebung zu sehen und zu verstehen. Beispielsweise werden Ultralytics YOLO Modelle für die Erkennung und Segmentierung von Schalen und Zutaten eingesetzt, wodurch Roboter Artikel auf schnelllebigen Produktionslinien mit einer Präzision im Sub-Zentimeterbereich greifen und platzieren können.

Link to this sectionSkalierung der Lebensmittelproduktion durch Robotik und KI#

Chef Robotics mit Sitz in San Francisco baut KI-gestützte Robotersysteme, um die Lebensmittelindustrie bei der Bewältigung steigender Produktionsanforderungen zu unterstützen. Sie konzentrieren sich speziell auf den Lebensmittelsektor, da dieser mit dem größten Arbeitskräftemangel in den Vereinigten Staaten konfrontiert ist – dort sind mehr als 1,1 Millionen Stellen unbesetzt.

Dieser Mangel erschwert es Herstellern, die Produktionsleistung und Konsistenz aufrechtzuerhalten. Um diese Probleme anzugehen, nutzen Chef-Roboter maschinelles Lernen und Computer Vision, um Produktionsumgebungen zu interpretieren und Entscheidungen in Echtzeit zu treffen. Vereinfacht ausgedrückt bedeutet dies, dass sie unterschiedliche Zutaten, Schalentypen und Mahlzeitenformate präzise verarbeiten können.

Heute hat Chef seine Systeme in über einem Dutzend Städten in Nordamerika im Einsatz und unterstützt Lebensmittelproduzenten dabei, hohe Volumina zu bewältigen, die Abhängigkeit von manueller Arbeit zu verringern und eine gleichbleibende Qualität auf schnelllebigen Produktionslinien zu gewährleisten.

Link to this sectionDie Präzisionslücke bei der großflächigen Lebensmittelmontage#

Die Produktion von Mahlzeiten in großem Maßstab erfordert Genauigkeit und Geschwindigkeit, doch reale Produktionsumgebungen erschweren dies. Zutaten können im Laufe des Tages unterschiedlich aussehen, Schalen können unter hellem Licht transparent oder reflektierend wirken, und Förderbänder bewegen sich schnell.

Diese ständigen Veränderungen machen es für Arbeiter schwer, die Platzierung präzise zu beurteilen, besonders wenn sie dieselben Bewegungen Tausende Male pro Schicht wiederholen. Infolgedessen führt die manuelle Montage oft zu inkonsistenten Portionen, gelegentlichem Verschütten und Schalen, die außerhalb der Zielgewichte liegen.

Dies erhöht den Lebensmittelverlust, erfordert zusätzliche Reinigungsarbeiten und führt zu Variabilität in der Präsentation. Die Herausforderung wird in Umgebungen mit hoher Produktvielfalt noch anspruchsvoller, da sich Rezepte häufig ändern und jedes Produkt seine eigenen Anforderungen an die Handhabung hat.

Abb. 1. Ein Blick auf manuelle Lebensmittelmontagelinien.

Traditionelle Automatisierungssysteme sind nicht für dieses Maß an Variabilität ausgelegt. Sie haben Schwierigkeiten mit Zutatenänderungen, schnellen Umrüstungen und einer breiten Palette an SKUs (Stock Keeping Units). Viele Produzenten verlassen sich weiterhin stark auf manuelle Arbeit, selbst wenn der Personalmangel es erschwert, die Linien am Laufen zu halten.

Zum Beispiel stand Cafe Spice, eine Marke für indische Lebensmittel und ein Co-Hersteller mit Sitz in New Windsor, NY, täglich vor diesen Herausforderungen. Ihr Team stellte Mahlzeiten von Hand mit etwa zwölf Schalen pro Minute zusammen, was den Ausstoß bei steigender Nachfrage begrenzte.

Außerdem erforderten ihre Zweikammer-Schalen eine präzise Platzierung, um zu verhindern, dass Curry in den Reisbereich überläuft – eine Aufgabe, die bei manuellen Prozessen und konventioneller Ausrüstung oft nur schwer konsistent zu bewältigen war. Da Cafe Spice diese Einschränkungen erkannte, wandte sich das Unternehmen an Chef, um einen flexibleren und zuverlässigeren Ansatz zu finden.

Link to this sectionEinsatz von Ultralytics YOLO Modellen zur Analyse von Lebensmittelmontagelinien#

Um die Produktion von Mahlzeiten mit hoher Produktvielfalt bei Cafe Spice zu automatisieren, setzte Chef ein KI-Robotiksystem ein, das Schalen erkennen, Zutaten identifizieren und Lebensmittel mit der für ihre Zweikammer-Schalen erforderlichen Präzision platzieren kann. Im Zentrum dieses Systems steht eine Vision-KI-Pipeline, die auf Ultralytics YOLO Modellen basiert.

Ultralytics YOLO Modelle unterstützen wichtige Computer Vision Aufgaben wie Objekterkennung, Oriented Bounding Box (OBB) Erkennung, Instanzsegmentierung und Bildklassifizierung. Diese Fähigkeiten geben Chef-Robotern ein Echtzeit-Verständnis der Produktionslinie.

Da Cafe Spice viele verschiedene SKUs produziert, werden Ultralytics YOLO Modelle individuell mit Bildern trainiert, die direkt aus ihrer Produktionsumgebung stammen. Dies hilft den Robotern, die Zutaten unter realen Fabrikbedingungen zu interpretieren.

Abb. 2. Wie der Chef-Roboter Schalen sieht und erkennt (Quelle)

Insbesondere wird YOLO verwendet, um Schalen auf dem Förderband zu erkennen und das richtige Fach für jede Zutat zu identifizieren. Indem die Objekterkennung einen Schritt weiter geführt wird, ermöglicht die OBB-Erkennung dem System, Objekte zu verstehen, die in verschiedenen Winkeln auftreten, einschließlich Schalen, transparenten Einsätzen und Behältern mit wechselnden Ausrichtungen.

Link to this sectionWarum solltest du dich für Ultralytics YOLO Modelle entscheiden?#

Ultralytics YOLO Modelle verleihen Chef die Geschwindigkeit und Genauigkeit, die für die Echtzeit-Montage von Lebensmitteln auf schnelllebigen Produktionslinien erforderlich sind. Sie haben festgestellt, dass Ultralytics YOLO Modelle eine Genauigkeit von etwa 99,5 % in der Produktion liefern und die stabilen Erkennungen ermöglichen, die für eine robotergestützte Platzierung im Sub-Zentimeterbereich über verschiedene Schalen, Gefäße und Zutatentypen hinweg nötig sind.

Darüber hinaus bietet das Ultralytics Python-Paket die Werkzeuge zum Trainieren, Feinabstimmen und Verwalten dieser Modelle, was es Ingenieurteams leicht macht, schnell zu iterieren. Zum Beispiel unterstützt es Exportformate wie ONNX für die plattformübergreifende Bereitstellung, wodurch das Team von Chef Modelle nahtlos konvertieren und auf ihren Robotersystemen einsetzen kann.

Link to this sectionChef Robotics und Ultralytics YOLO verdoppeln den Ausstoß von Cafe Spice#

Nach der Integration der KI-gestützten Robotersysteme von Chef, die von Ultralytics YOLO Modellen gesteuert werden, verzeichnete Cafe Spice sofortige und messbare Verbesserungen bei Ausstoß, Arbeitseffizienz und Produktqualität. Ihre Produktionslinien, die zuvor mit 12 Schalen pro Minute liefen, laufen nun durchschnittlich mit 30 Schalen pro Minute, wobei die Spitzenwerte auf dem aktualisierten Fördersystem 40 Schalen pro Minute erreichen. Dies entspricht einer zwei- bis dreifachen Steigerung des Ausstoßes.

Abb. 3. Die Mahlzeitenproduktionslinie von Cafe Spice, betrieben durch Chef Robotics und Ultralytics YOLO.

Auch die Arbeitsproduktivität verbesserte sich. Jede Linie erforderte früher 8–10 Arbeiter, aber die Roboter von Chef reduzierten diese Zahl auf 3–4 Arbeiter pro Linie, was zu einer Steigerung der Arbeitsproduktivität um 60 % führte. Die freigewordene Kapazität half Cafe Spice dabei, Personal in andere Bereiche umzusetzen, die aufgrund des anhaltenden Arbeitskräftemangels durchgehend unterbesetzt waren.

Ähnlich verhielt es sich mit der Qualität und dem Ertrag, die ebenfalls signifikante Gewinne verzeichneten. Vor der Automatisierung lag der Lebensmittelverlust, der größtenteils durch Überportionierung zur Vermeidung von Untergewicht-Ausschuss entstand, bei 9,19 %. Mit Robotern, die auf YOLO-basierter Erkennung setzen, um Zutaten präzise zu platzieren, sank der Verlust auf 3,05 %, was einer Reduzierung um 67 % entspricht. Darüber hinaus verbesserten sich auch die Akzeptanzraten: 91 % der roboter-montierten Schalen entsprachen den Qualitätsstandards von Cafe Spice, verglichen mit 75 % bei manuell montierten Schalen.

Link to this sectionDie Lebensmittelproduktion im großen Maßstab intelligenter und präziser gestalten#

Während Chef weiter expandiert, konzentriert sich das Unternehmen darauf, seine KI-gestützten Systeme noch anpassungsfähiger an die große Vielfalt an Zutaten, Schalen und Produktionsaufbauten in der Lebensmittelindustrie zu machen. Ein treibender Faktor hinter diesen Bemühungen ist die Mission von Chef, intelligente Maschinen zu bauen, die Menschen dazu befähigen, das zu tun, was sie am besten können. Durch die Weiterentwicklung seiner Wahrnehmungsmodelle, die Vereinfachung von Umrüstungen und die Erhöhung der Flexibilität für die Produktion mit hoher Produktvielfalt schafft Chef eine Automatisierung, die weniger wie eine starre Maschine und mehr wie ein kollaborativer Teamkollege arbeitet.

Interessiert daran, Vision AI zu erkunden? Entdecke unsere Lizenzierungsoptionen, um Computer Vision in deine Projekte einzubringen. Besuche unser GitHub-Repository und tritt unserer Community bei. Erforsche KI im Gesundheitswesen und Computer Vision im Einzelhandel auf unseren Lösungsseiten.