Ultralytics YOLO unterstützt das Tool zur Lebensmittelkontrolle von Specialvideo

Pizzahersteller müssen oft optisch ansprechende, qualitativ hochwertige Produkte in hoher Geschwindigkeit herstellen, aber die manuelle Prüfung der Beläge für jede Pizza kann zeitaufwändig sein. Specialvideo nutzt einen KI-gesteuerten Ansatz zur detect und Zählung von Zutaten in Echtzeit, der es den Herstellern ermöglicht, Rezeptstandards einzuhalten, Abfall zu reduzieren und reibungslose Abläufe zu gewährleisten.

Beim Testen verschiedener Bildverarbeitungslösungen stellte Specialvideo fest, dass bestimmte Techniken wie die semantische Segmentierung Probleme mit überlappenden oder versteckten Belägen hatten. Durch den Einsatz der YOLO Ultralytics konnten sie diese Hürden überwinden und ein zuverlässiges, hochpräzises KI-gestütztes Qualitätskontrollsystem entwickeln, das Beläge im laufenden Betrieb identifiziert, zählt und überprüft. Es gewährleistet gleichbleibende Qualität, ohne die Produktionsgeschwindigkeit zu beeinträchtigen.

Verbesserung der KI-gestützten Lebensmittelinspektion mit Computer Vision

Specialvideo wurde 1993 in Imola, Italien, gegründet und verfügt über mehr als 30 Jahre Erfahrung in der Entwicklung fortschrittlicher Computer-Vision-Systeme für Roboterführung, automatisierte Inspektion und Fehlererkennung. Ihre Expertise erstreckt sich auch auf Computer Vision in der Lebensmittelindustrie. 

Insbesondere haben sie ein Vision AI-Lebensmittelinspektionssystem entwickelt, das die Segmentierung von Instanzen nutzt, um die Pizzaproduktion zu rationalisieren. Da das System jeden Belag als eigenständiges Objekt behandelt, kann es Zutaten in Echtzeit genau detect, segment und zählen. Es löst Probleme wie Verdeckungen (wenn eine Zutat teilweise von einer anderen verdeckt wird) und doppelte Erkennungen (wenn das System zwei Instanzen einer Zutat identifiziert, obwohl nur eine vorhanden ist). Durch die Erkennung von Platzierungsfehlern (z. B. unausgewogene Beläge) können die Hersteller die Produktionsparameter entsprechend anpassen.

Das Modell ist so konzipiert, dass es problemlos neue Zutaten aufnehmen kann und ohne eine vollständige Überholung neu trainiert werden kann.

Außerdem kann das System die Form überprüfen, die Farbkonformität sicherstellen und potenzielle Verunreinigungen detect , um sicherzustellen, dass jedes Produkt den hohen Sicherheits- und Qualitätsstandards entspricht.

Herausforderungen bei der Echtzeit-Qualitätskontrolle von Lebensmitteln

Pizzahersteller arbeiten oft mit unglaublich hohen Geschwindigkeiten und stellen alle 600 Millisekunden eine neue Pizza her. Bei diesem Tempo ist es für menschliche Inspektoren sehr schwer, mitzuhalten, so dass es schwierig ist, den Belag zu überwachen und etwaige Mängel genau detect .

Darüber hinaus können sich überlappende Zutaten wie Salami und Pilze gegenseitig verdecken, was manchmal zu Pizzen mit fehlendem oder übermäßigem Belag, falschen Verteilungen oder inkonsistenten Mengen führt. Dies beeinträchtigt nicht nur die Gleichmäßigkeit des Produkts, sondern schadet auch dem Ruf der Marke, wenn Kunden Pizzen erhalten, die ihren Erwartungen nicht entsprechen. 

Gleichzeitig treiben diese Probleme die Betriebskosten durch höhere Ausschussquoten und verschwendete Ressourcen in die Höhe. Hinzu kommt, dass menschliche Inspektoren bei langen Schichten ermüden können, was ihre Aufmerksamkeit beeinträchtigt und das Fehlerrisiko erhöht. 

Viele Hersteller erkennen diese Fallstricke und setzen nun auf Computer Vision-gestützte Qualitätskontroll- und automatisierte Lebensmittelinspektionssysteme. Diese innovativen Systeme bieten eine Echtzeitüberwachung und helfen, menschliche Fehler zu reduzieren und gleichzeitig qualitativ hochwertige Ergebnisse zu unterstützen. 

Echtzeit-Fehlererkennung bei Lebensmitteln mit Machine Vision

Die Vision AI-Lösung von Specialvideo nutzt die Instanzsegmentierungsunterstützung derYOLO von Ultralytics , um jede Pizza in Echtzeit zu prüfen, damit nur Qualitätsprodukte den Verbraucher erreichen. Sie zählt und misst die Beläge genau, indem sie jede Pizza mit ihrem Rezept vergleicht und so fehlende oder zusätzliche Zutaten, ungleiche Verteilungen und uneinheitliche Mengen schnell erkennt.

Wird eine fehlerhafte Pizza erkannt – sei es aufgrund von falsch platzierten Zutaten, falschen Mengen oder Verunreinigungen wie blauem Kunststoff –, leitet das System sie automatisch zu einer Ausschusslinie um. 

Um die Genauigkeit auch nach der Einführung aufrechtzuerhalten, erweitert Specialvideo kontinuierlich seinen Datensatz, verfeinert die Beschriftungsgenauigkeit und trainiert YOLO regelmäßig neu. Während des Trainings werden Datenerweiterungen verwendet, um eine Überanpassung zu verhindern und dem Modell zu helfen, aus einer begrenzten Anzahl von Stichproben zu verallgemeinern. Außerdem sind auf 10 % der Trainingsbilder Margherita-Pizzen abgebildet, um einen hilfreichen Hintergrundkontext zu liefern, der dem Netzwerk hilft, mit Variationen selbst innerhalb desselben Zutatentyps umzugehen, z. B. mit verschiedenen Arten von Salami.

Um den Umschulungsprozess noch effizienter zu gestalten, hat Specialvideo darüber hinaus einen Workflow für neue Pizzazutaten implementiert. Dieser Arbeitsablauf nutzt YOLO , um die Beschriftung neuer Bilder zu beschleunigen und den Bedarf an menschlicher Aufsicht zu reduzieren, wenn sich die Sorten der Zutaten weiterentwickeln.

‍

Warum dieYOLO Ultralytics ?

Specialvideo entschied sich für dieYOLO Ultralytics , weil sie ein hervorragendes Gleichgewicht zwischen KI-Modellleistung und Kosten bieten. Mit einer Nvidia GTX-1660gt GPU (Graphics Processing Unit) erreicht das System Inferenzzeiten von nur 200 bis 250 ms und ist damit schnell genug, um eine Produktionslinie zu bedienen, die alle 600 ms eine Pizza produziert. 

Die effiziente Verarbeitungsgeschwindigkeit von YOLOermöglicht eine Qualitätskontrolle in Echtzeit. Insgesamt rationalisiert dieser Ansatz nicht nur die Produktion, sondern unterstützt auch die Skalierbarkeit, was ihn zu einer robusten Lösung für hochvolumige Lebensmittelproduktionsumgebungen macht. 

YOLO Lösung zur Lebensmittelinspektion liefert 99 % Genauigkeit

Durch die Integration derYOLO Ultralytics hat die KI-Lösung für die Lebensmittelkontrolle von Specialvideo die Qualitätskontrolle in der Pizzaproduktion verändert. Anhand eines robusten Datensatzes von über 1.500 Bildern erkennt das Modell mehr als 10 verschiedene Zutaten und kategorisiert sie in zählbare Artikel wie Oliven, Salamischeiben, Sardellen und Mozzarellakugeln und nicht zählbare Artikel wie Schinkenwürfel, Pilze, Käsescheiben und Paprika. 

Das YOLO System arbeitet in Echtzeit mit einer Genauigkeit von bis zu 99 %, übertrifft damit menschliche Inspektoren und verkürzt die Prüfzeiten im Vergleich zu manuellen Methoden erheblich. 

Interessanterweise hat die Lösung vielversprechende Ergebnisse gezeigt, indem sie Zutaten in Lebensmitteln, die nicht in ihrem ursprünglichen Training enthalten waren, wie z. B. Salate und Pasta, präzise erkannt und so die Erweiterung auf neue Produktlinien erleichtert hat. Letztendlich steigert dieser innovative Ansatz die betriebliche Effizienz, minimiert Abfall und senkt Kosten und setzt damit einen neuen Maßstab für die automatisierte Lebensmittelinspektion und Qualitätssicherung.

Förderung intelligenter Fertigung in der Lebensmittelindustrie

Die Zukunft von Specialvideo sieht vielversprechend aus. Das Unternehmen plant, seine Vision AI-Lösung auf andere Lebensmittelprodukte wie Salate und Pasta auszuweiten. Durch die kontinuierliche Feinabstimmung seiner Deep-Learning-Modelle und die Erweiterung seines Datensatzes will Specialvideo die Echtzeit-Qualitätskontrolle weiter verbessern, Abfall reduzieren und die Produktionseffizienz steigern. Diese Verbesserungen werden dazu beitragen, neue Industriestandards zu setzen.

Möchten Sie Ihre Abläufe mit Vision AI verbessern? Besuchen Sie unser GitHub-Repository und erfahren Sie, wie die KI-Lösungen von Ultralyticsin Bereichen wie KI im Gesundheitswesen und Computer Vision in der Fertigung zum Einsatz kommen. Erhalten Sie detaillierte Einblicke in unsere YOLO und Lizenzierungsoptionen, und machen Sie den ersten Schritt zu einer intelligenteren, effizienteren Automatisierung.