Specialvideo erreicht 99 % Genauigkeit bei der Lebensmittelinspektion mit Ultralytics YOLO

Pizzahersteller müssen oft visuell ansprechende, hochwertige Produkte mit hoher Geschwindigkeit produzieren, doch die manuelle Überprüfung der Beläge jeder Pizza kann zeitaufwendig sein. Specialvideo nutzt einen durch Vision AI gesteuerten Ansatz, um Zutaten in Echtzeit zu erkennen und zu zählen. Dies ermöglicht es Herstellern, Rezeptstandards einzuhalten, Abfall zu reduzieren und reibungslose Abläufe zu gewährleisten.

Beim Testen verschiedener Vision-Lösungen stellte Specialvideo fest, dass bestimmte Techniken wie die semantische Segmentierung bei überlappenden oder verdeckten Belägen Schwierigkeiten hatten. Durch die Verwendung von Ultralytics YOLO-Modellen konnten sie diese Hürden überwinden und ein zuverlässiges, KI-gestütztes Qualitätskontrollsystem mit hoher Genauigkeit entwickeln, das Beläge im laufenden Betrieb identifiziert, zählt und verifiziert. Dies sorgt für gleichbleibende Qualität, ohne die Produktionsgeschwindigkeit zu beeinträchtigen.

Link to this sectionVerbesserung der KI-Lebensmittelinspektion mit Computer Vision#

Das 1993 in Imola, Italien, gegründete Unternehmen Specialvideo profitiert von über 30 Jahren 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 entwickelten sie ein Vision AI-System zur Lebensmittelinspektion, das Instanzsegmentierung einsetzt, um die Pizzaproduktion zu optimieren. Indem jede Zutat als separates Objekt behandelt wird, kann das System diese in Echtzeit präzise erkennen, segmentieren und zählen. Es behebt Probleme wie Okklusionen (bei denen eine Zutat teilweise von einer anderen verdeckt wird) und doppelte Erkennungen (bei denen das System zwei Instanzen einer Zutat identifiziert, obwohl nur eine vorhanden ist). Durch das Erkennen von Platzierungsfehlern (d. h. ungleichmäßig verteilte Beläge) können Hersteller die Produktionsparameter entsprechend anpassen.

Das Modell ist darauf ausgelegt, neue Zutaten einfach zu integrieren und kann ohne eine vollständige Überarbeitung neu trainiert werden.

Außerdem kann das System die Form prüfen, die Einhaltung der Farbvorgaben verifizieren und potenzielle Verunreinigungen erkennen, um sicherzustellen, dass jedes Produkt hohe Sicherheits- und Qualitätsstandards erfüllt.

Link to this sectionHerausforderungen bei der Lebensmittel-Qualitätskontrolle in Echtzeit#

Pizzahersteller arbeiten oft mit unglaublich hohen Geschwindigkeiten und produzieren alle 600 Millisekunden eine neue Pizza. Bei diesem Tempo ist es für menschliche Inspektoren sehr schwer, Schritt zu halten, was es zur Herausforderung macht, Beläge zu überwachen und Defekte präzise zu erkennen.

Darüber hinaus können überlappende Zutaten wie Salami und Pilze einander verdecken, was manchmal zu Pizzen mit fehlenden oder übermäßigen Belägen, falscher Verteilung oder uneinheitlichen Mengen führt. Dies stört nicht nur die Einheitlichkeit des Produkts, sondern schadet auch dem Ruf der Marke, wenn Kunden Pizzen erhalten, die nicht ihren Erwartungen entsprechen.

Gleichzeitig treiben diese Probleme die Betriebskosten durch höhere Ausschussraten und Ressourcenverschwendung in die Höhe. Hinzu kommt, dass menschliche Inspektoren bei langen Schichten ermüden können, wodurch ihre Aufmerksamkeit nachlässt und das Fehlerrisiko steigt.

In Anbetracht dieser Fallstricke setzen viele Hersteller nun auf eine Qualitätskontrolle durch Computer Vision und automatisierte Lebensmittelinspektionssysteme. Diese innovativen Systeme bieten eine Echtzeit-Überwachung und helfen, menschliche Fehler zu reduzieren und gleichzeitig hochwertige Ergebnisse zu unterstützen.

Link to this sectionLebensmittel-Defekterkennung in Echtzeit mit Machine Vision#

Die Vision AI-Lösung von Specialvideo nutzt die Unterstützung für Instanzsegmentierung der Ultralytics YOLO-Modelle, um jede Pizza in Echtzeit zu prüfen, damit nur Qualitätsprodukte die Verbraucher erreichen. Sie zählt und misst Beläge präzise, indem sie jede Pizza mit ihrem Rezept vergleicht und fehlende oder zusätzliche Zutaten, ungleichmäßige Verteilungen und inkonsistente Mengen schnell erkennt.

Wenn eine fehlerhafte Pizza erkannt wird – sei es aufgrund falsch ausgerichteter Beläge, falscher Zutatenmengen oder Verunreinigungen wie blauem Kunststoff –, leitet das System sie automatisch auf eine Ausschusslinie um.

Um die Genauigkeit nach der Implementierung aufrechtzuerhalten, erweitert Specialvideo kontinuierlich seinen Datensatz, verfeinert die Genauigkeit der Etikettierung und trainiert YOLO regelmäßig neu. Sie verwenden Datenerweiterung während des Trainings, um Overfitting zu verhindern und dem Modell zu helfen, von einer begrenzten Anzahl an Beispielen zu generalisieren. Zudem machen Margherita-Pizzen 10 % der Trainingsbilder aus, um hilfreichen Hintergrundkontext bereitzustellen. Dies unterstützt das Netzwerk dabei, Variationen selbst innerhalb derselben Zutatengruppe, wie etwa bei verschiedenen Salamisorten, zu bewältigen.

Darüber hinaus hat Specialvideo einen Workflow für neue Pizzazutaten implementiert, um den Prozess der Nachschulung noch effizienter zu gestalten. Dieser Workflow nutzt YOLO, um die Etikettierung neuer Bilder zu beschleunigen und den Bedarf an menschlicher Überwachung bei der Entwicklung neuer Zutatenvarianten zu verringern.

Abb. 1. YOLO wird verwendet, um Beläge auf einer Pizza für die KI-Lebensmittelinspektion zu erkennen und zu segmentieren.

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

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

Die effiziente Verarbeitungsgeschwindigkeit von YOLO erleichtert die Qualitätskontrolle in Echtzeit. Insgesamt optimiert dieser Ansatz nicht nur die Produktion, sondern unterstützt auch die Skalierbarkeit, was ihn zu einer robusten Lösung für Hochleistungs-Lebensmittelfertigungsumgebungen macht.

Link to this sectionYOLO-gestützte Lebensmittelinspektionslösung liefert 99 % Genauigkeit#

Durch die Integration von Ultralytics YOLO-Modellen hat die KI-Lebensmittelinspektionslösung von Specialvideo die Qualitätskontrolle in der Pizzaproduktion transformiert. Trainiert auf einem robusten Datensatz von über 1.500 Bildern, erkennt das Modell präzise mehr als 10 verschiedene Zutaten und kategorisiert sie in zählbare Artikel wie Oliven, Salamischeiben, Sardellen und Mozzarellakugeln sowie nicht zählbare Artikel wie Schinkenwürfel, Pilze, Käsescheiben und Paprika.

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

Interessanterweise hat die Lösung vielversprechende Ergebnisse gezeigt, indem sie Zutaten in Lebensmitteln präzise erkennt, die nicht in ihrem ursprünglichen Training enthalten waren, wie etwa Salate und Nudeln, was eine leichtere Expansion in neue Produktlinien ermöglicht. Letztendlich steigert dieser innovative Ansatz die betriebliche Effizienz, minimiert Abfall und senkt die Kosten, womit ein neuer Maßstab für automatisierte Lebensmittelinspektion und Qualitätssicherung gesetzt wird.

Link to this sectionFörderung der intelligenten Fertigung in der Lebensmittelindustrie#

Der Weg für Specialvideo sieht vielversprechend aus. Das Unternehmen plant, seine Vision AI-Lösung auf andere Lebensmittel wie Salate und Nudeln auszuweiten. Durch die kontinuierliche Feinabstimmung seiner Deep-Learning-Modelle und die Erweiterung seines Datensatzes zielt Specialvideo darauf ab, die Echtzeit-Qualitätskontrolle weiter zu verbessern, Abfall zu reduzieren und die Produktionseffizienz zu steigern. Diese Verbesserungen werden dazu beitragen, neue Industriestandards zu setzen.

Möchtest du deine Betriebsabläufe mit Vision AI verbessern? Besuche unser GitHub-Repository, um zu sehen, wie die KI-Lösungen von Ultralytics Auswirkungen in Bereichen wie KI im Gesundheitswesen und Computer Vision in der Fertigung haben. Finde detaillierte Einblicke in unsere YOLO-Modelle und Lizenzierungsoptionen und mache den ersten Schritt in Richtung einer intelligenteren, effizienteren Automatisierung.