Durch den Einsatz von Ultralytics YOLO-Modellen erzielt Chef Robotics eine äußerst präzise Erkennung von Schalen und Zutaten auf Produktionslinien und erreicht dabei eine Genauigkeit von etwa 99,5 %.
Die Automatisierung der Lebensmittelmontage im großen Maßstab umfasst viele bewegliche Komponenten. Eine große Anzahl von Schalen bewegt sich entlang der Linie, die Zutaten variieren im Laufe des Tages, und keine Portion ist exakt wie die andere. Diese Faktoren erschweren die Aufrechterhaltung einer gleichbleibenden Qualität, während manuelle Montageprozesse bei Erkennung, Portionierung und Platzierung an ihre Grenzen stoßen können.
Chef Robotics hilft mit KI und Robotern, diese Herausforderungen zu bewältigen. Durch die Kombination von Robotik mit KI-Technologien wie Computer Vision ermöglicht Chef seinen Robotern, ihre Umgebung zu sehen und zu verstehen. So werden beispielsweise Ultralytics YOLO-Modelle zur Erkennung und Segmentierung von Schalen und Zutaten eingesetzt, sodass Roboter Gegenstände auf schnelllebigen Produktionslinien mit vielen Produktvarianten auf eine Genauigkeit im Subzentimeterbereich greifen und platzieren können.
Lebensmittelproduktion mit Robotik und KI skalieren#
Chef Robotics mit Sitz in San Francisco entwickelt robotische Systeme mit KI, die der Lebensmittelindustrie helfen, mit der wachsenden Produktionsnachfrage Schritt zu halten. Das Unternehmen konzentriert sich gezielt auf den Lebensmittelsektor, da dort in den Vereinigten Staaten der größte Arbeitskräftemangel herrscht und mehr als 1,1 Millionen Stellen unbesetzt sind.
Dieser Mangel erschwert es Herstellern, Produktionsmenge und gleichbleibende Qualität aufrechtzuerhalten. Um diese Herausforderungen zu bewältigen, nutzen die Roboter von Chef maschinelles Lernen und Computer Vision, um Produktionsumgebungen zu interpretieren und in Echtzeit Entscheidungen zu treffen. Einfach gesagt bedeutet das, dass sie verschiedene Zutaten, Schalentypen und Mahlzeitenformate präzise verarbeiten können.
Heute hat Chef seine Systeme in mehr als einem Dutzend Städten in Nordamerika eingesetzt. Sie helfen Lebensmittelherstellern dabei, große Mengen zu bewältigen, die Abhängigkeit von manueller Arbeit zu verringern und eine gleichbleibende Qualität auf schnelllebigen Produktionslinien aufrechtzuerhalten.
Die Präzisionslücke bei der Lebensmittelmontage im großen Maßstab#
Die Herstellung von Mahlzeiten im großen Maßstab erfordert Genauigkeit und Geschwindigkeit, doch reale Produktionsumgebungen machen dies schwierig. Zutaten können im Laufe des Tages unterschiedlich aussehen, Schalen können unter heller Beleuchtung transparent oder reflektierend sein, und Förderbänder bewegen sich schnell.
Diese ständigen Veränderungen erschweren es Arbeitskräften, die Platzierung präzise einzuschätzen, insbesondere wenn sie dieselben Bewegungen während einer Schicht tausende Male wiederholen. Infolgedessen führt die manuelle Montage häufig zu uneinheitlichen Portionen, gelegentlichem Verschütten und Schalen, deren Gewicht außerhalb des Zielbereichs liegt.
Dadurch steigt der Produktüberschuss, zusätzlicher Reinigungsaufwand entsteht und die Präsentation wird uneinheitlich. In Umgebungen mit vielen Produktvarianten wird diese Herausforderung noch anspruchsvoller, da sich Rezepte häufig ändern und jedes Produkt eigene Anforderungen an die Handhabung stellt.
Abb. 1. Einblick in manuelle Lebensmittelmontagelinien.
Herkömmliche Automatisierungssysteme sind nicht für ein solches Maß an Variabilität ausgelegt. Sie haben Schwierigkeiten mit wechselnden Zutaten, schnellen Umrüstungen und einer großen Bandbreite an Lagerhaltungseinheiten (SKUs). Viele Hersteller sind weiterhin stark auf manuelle Arbeit angewiesen, obwohl Personalknappheit es zunehmend erschwert, die Produktionslinien am Laufen zu halten.
Cafe Spice, eine Marke für indische Lebensmittel und Auftragshersteller mit Sitz in New Windsor, NY, war beispielsweise täglich mit diesen Herausforderungen konfrontiert. Das Team stellte die Mahlzeiten von Hand mit etwa zwölf Schalen pro Minute zusammen, was die Produktionsmenge bei steigender Nachfrage begrenzte.
Außerdem erforderten die Schalen mit zwei Fächern eine präzise Platzierung, damit Curry nicht in den Reisbereich verschüttet wurde – etwas, das manuelle Prozesse und herkömmliche Anlagen oft nur schwer dauerhaft gewährleisten konnten. Angesichts dieser Einschränkungen wandte sich Cafe Spice an Chef, um einen flexibleren und zuverlässigeren Ansatz zu finden.
Ultralytics YOLO-Modelle zur Analyse von Lebensmittelmontagelinien einsetzen#
Um die Produktion von Mahlzeiten mit vielen Produktvarianten bei Cafe Spice zu automatisieren, setzte Chef ein robotisches KI-System ein, das Schalen erkennen, Zutaten identifizieren und Lebensmittel mit der für die Schalen mit zwei Fächern erforderlichen Präzision platzieren kann. Im Zentrum dieses Systems steht eine auf Ultralytics YOLO-Modellen basierende Vision-KI-Pipeline.
Ultralytics YOLO-Modelle unterstützen wichtige Computer-Vision-Aufgaben wie Objekterkennung, die Erkennung orientierter Begrenzungsrahmen (OBB), Instanzsegmentierung und Bildklassifizierung. Diese Fähigkeiten verschaffen den Robotern von Chef ein Echtzeitbild der Produktionslinie.
Da Cafe Spice viele verschiedene SKUs produziert, werden die Ultralytics YOLO-Modelle mit Bildern, die direkt in der Produktionsumgebung aufgenommen wurden, speziell trainiert. Dadurch können die Roboter Zutaten unter realen Fabrikbedingungen interpretieren.
Abb. 2. Wie der Roboter von Chef Schalen sieht und erkennt (Quelle)
YOLO wird insbesondere eingesetzt, um Schalen zu erkennen, während sie sich auf dem Förderband bewegen, und das richtige Fach für jede Zutat zu identifizieren. Die OBB-Erkennung geht bei der Objekterkennung noch einen Schritt weiter und ermöglicht dem System, Gegenstände zu verstehen, die in unterschiedlichen Winkeln erscheinen, darunter Schüsseln, transparente Einsätze und Schalen mit wechselnder Ausrichtung.
Warum Ultralytics YOLO-Modelle wählen?#
Ultralytics YOLO-Modelle bieten Chef die für die Lebensmittelmontage in Echtzeit auf schnell laufenden Produktionslinien erforderliche Geschwindigkeit und Genauigkeit. Das Unternehmen hat festgestellt, dass Ultralytics YOLO-Modelle in der Produktion eine Genauigkeit von etwa 99,5 % erreichen und damit die stabilen Erkennungen liefern, die für die robotische Platzierung mit einer Genauigkeit im Subzentimeterbereich über verschiedene Schalen, Schüsseln und Zutatentypen hinweg erforderlich sind.
Außerdem stellt das Ultralytics Python-Paket Werkzeuge zum Trainieren, Feinabstimmen und Verwalten dieser Modelle bereit, sodass Entwicklungsteams schnell iterieren können. Es unterstützt beispielsweise Exportformate wie ONNX für die plattformübergreifende Bereitstellung. Dadurch kann das Team von Chef Modelle nahtlos in seinen verschiedenen robotischen Systemen konvertieren und einsetzen.
Chef Robotics und Ultralytics YOLO verdoppeln die Produktionsmenge von Cafe Spice#
Nach der Integration der von Ultralytics YOLO-Modellen gesteuerten robotischen Systeme mit KI von Chef verzeichnete Cafe Spice sofort messbare Verbesserungen bei Produktionsmenge, Arbeitseffizienz und Produktqualität. Die Produktionslinien, die zuvor mit 12 Schalen pro Minute liefen, erreichen nun durchschnittlich 30 Schalen pro Minute; auf dem modernisierten Fördersystem werden Spitzenwerte von 40 Schalen pro Minute erzielt. Dies entspricht einer zwei- bis dreifachen Steigerung der Produktionsmenge.
Abb. 3. Die von Chef Robotics und Ultralytics YOLO unterstützte Produktionslinie von Cafe Spice.
Auch die Arbeitsproduktivität verbesserte sich. Historisch waren für jede Linie 8–10 Arbeitskräfte erforderlich, doch die Roboter von Chef reduzierten diese Zahl auf 3–4 Arbeitskräfte pro Linie, was zu einer Steigerung der Arbeitsproduktivität um 60 % führte. Die frei gewordenen Kapazitäten ermöglichten es Cafe Spice, Mitarbeitende in andere Bereiche zu versetzen, die aufgrund des anhaltenden Arbeitskräftemangels dauerhaft unterbesetzt gewesen waren.
Auch Qualität und Ausbeute verbesserten sich deutlich. Vor der Automatisierung lag der Produktüberschuss, der größtenteils durch Überportionierung zur Vermeidung von Zurückweisungen wegen Untergewichts verursacht wurde, bei 9,19 %. Durch den Einsatz von Robotern, die Zutaten mithilfe der YOLO-basierten Erkennung präzise platzieren, sank der Überschuss auf 3,05 %, eine Reduzierung um 67 %. Darüber hinaus stiegen auch die Akzeptanzraten: 91 % der von Robotern zusammengestellten Schalen erfüllten die Qualitätsstandards von Cafe Spice, verglichen mit 75 % bei manuell zusammengestellten Schalen.
Lebensmittelproduktion im großen Maßstab intelligenter und präziser gestalten#
Während Chef weiter wächst, konzentriert sich das Unternehmen darauf, seine KI-gestützten Systeme noch besser an die große Vielfalt an Zutaten, Schalen und Produktionsumgebungen anzupassen, die in der Lebensmittelindustrie zum Einsatz kommen. Ein zentraler Antrieb hinter diesen Bemühungen ist die Mission von Chef, intelligente Maschinen zu entwickeln, die Menschen dabei unterstützen, das zu tun, was Menschen am besten können. Durch die Weiterentwicklung seiner Wahrnehmungsmodelle, die Vereinfachung von Umrüstungen und die Verbesserung der Flexibilität für die Produktion mit vielen Produktvarianten schafft Chef Automatisierung, die sich weniger wie eine starre Maschine und mehr wie ein kooperierendes Teammitglied verhält.
Möchtest du Vision-KI erkunden? Entdecke unsere Lizenzoptionen, um Computer Vision in deine Projekte zu integrieren. Besuche unser GitHub-Repository und werde Teil unserer Community. Entdecke KI im Gesundheitswesen und Computer Vision im Einzelhandel auf unseren Lösungsseiten.
