Durch die Integration von Ultralytics YOLO-Modellen konnte Specialvideo die Erkennungsgenauigkeit seines KI-Systems zur Lebensmittelinspektion auf 99 % steigern und die Inspektionszeit auf unter 250 ms pro Pizza senken.
Pizzahersteller müssen häufig optisch ansprechende Produkte hoher Qualität mit hoher Geschwindigkeit herstellen. Die manuelle Kontrolle des Belags jeder Pizza kann jedoch zeitaufwendig sein. Specialvideo nutzt einen auf visueller KI basierenden Ansatz, um Zutaten in Echtzeit zu erkennen und zu zählen. So können Hersteller Rezeptvorgaben einhalten, Abfall reduzieren und reibungslose Abläufe gewährleisten.
Bei der Erprobung verschiedener Lösungen für die visuelle Verarbeitung stellte Specialvideo fest, dass bestimmte Verfahren wie die semantische Segmentierung Schwierigkeiten mit überlappenden oder verdeckten Belägen hatten. Mit Ultralytics YOLO-Modellen konnten sie diese Hürden überwinden und ein zuverlässiges, hochgenaues, KI-gestütztes Qualitätskontrollsystem entwickeln, das Beläge laufend erkennt, zählt und überprüft. Es gewährleistet eine gleichbleibende Qualität, ohne die Produktionsgeschwindigkeit zu beeinträchtigen.
Verbesserung der KI-gestützten Lebensmittelinspektion mit Computer Vision#
Specialvideo wurde 1993 in Imola, Italien, gegründet und greift auf mehr als 30 Jahre Erfahrung bei der Entwicklung fortschrittlicher Computer-Vision-Systeme für Roboterführung, automatisierte Inspektion und Fehlererkennung zurück. Das Fachwissen des Unternehmens erstreckt sich auch auf Computer Vision in der Lebensmittelindustrie.
Insbesondere entwickelte das Unternehmen ein System zur KI-gestützten Lebensmittelinspektion, das die Instanzsegmentierung nutzt, um die Pizzaproduktion zu optimieren. Da jeder Belag als eigenständiges Objekt behandelt wird, kann das System Zutaten in Echtzeit präzise erkennen, segmentieren und zählen. Es bewältigt Probleme wie Verdeckungen, bei denen eine Zutat teilweise von einer anderen verdeckt wird, sowie Doppelerkennungen, bei denen das System zwei Instanzen einer Zutat erkennt, obwohl nur eine vorhanden ist. Durch das Erkennen von Platzierungsfehlern, also unausgewogenen Belägen, können Hersteller die Produktionsparameter entsprechend anpassen.
Das Modell lässt sich problemlos um neue Zutaten erweitern und kann ohne vollständige Überarbeitung neu trainiert werden.
Außerdem kann das System die Form prüfen, die Einhaltung der Farbvorgaben verifizieren und potenzielle Verunreinigungen erkennen. So wird sichergestellt, dass jedes Produkt hohen Sicherheits- und Qualitätsstandards entspricht.
Herausforderungen bei der Qualitätskontrolle in Echtzeit (QC)#
Pizzahersteller arbeiten häufig mit unglaublich hoher Geschwindigkeit und produzieren alle 600 Millisekunden eine neue Pizza. Bei diesem Tempo können menschliche Kontrolleure nur schwer Schritt halten, wodurch die Überwachung der Beläge und die zuverlässige Erkennung von Fehlern zu einer Herausforderung wird.
Darüber hinaus können sich überlappende Zutaten wie Salami und Pilze gegenseitig verdecken. Dies führt mitunter zu Pizzen mit fehlenden oder übermäßigen Belägen, falscher Verteilung oder uneinheitlichen Mengen. Das beeinträchtigt nicht nur die Einheitlichkeit des Produkts, sondern schadet auch dem Ruf der Marke, wenn Kunden Pizzen erhalten, die ihre Erwartungen nicht erfüllen.
Gleichzeitig erhöhen diese Probleme die Betriebskosten durch höhere Ausschussraten und die Verschwendung von Ressourcen. Zusätzlich können menschliche Kontrolleure während langer Schichten ermüden. Dadurch lässt ihre Aufmerksamkeit nach und das Fehlerrisiko steigt.
Angesichts dieser Nachteile setzen viele Hersteller inzwischen auf eine durch Computer Vision unterstützte Qualitätskontrolle und automatisierte Systeme zur Lebensmittelinspektion. Diese innovativen Systeme ermöglichen die Überwachung in Echtzeit, helfen menschliche Fehler zu reduzieren und unterstützen die Herstellung hochwertiger Produkte.
Echtzeit-Erkennung von Lebensmittelmängeln mit maschinellem Sehen#
Die Vision-AI-Lösung von Specialvideo nutzt die Unterstützung der Ultralytics YOLO-Modelle für die Instanzsegmentierung, um jede Pizza in Echtzeit zu prüfen und sicherzustellen, dass nur qualitativ einwandfreie Produkte die Verbraucher erreichen. Sie zählt und vermisst die Beläge präzise, indem sie jede Pizza mit ihrem Rezept vergleicht, und erkennt schnell fehlende oder zusätzliche Zutaten, ungleichmäßige Verteilungen und uneinheitliche Mengen.
Wird eine fehlerhafte Pizza erkannt – etwa aufgrund falsch platzierter Beläge, falscher Zutatenmengen oder Verunreinigungen wie blauem Kunststoff –, leitet das System sie automatisch auf eine Ausschusslinie um.
Um die Genauigkeit nach der Einführung aufrechtzuerhalten, erweitert Specialvideo kontinuierlich seinen Datensatz, verbessert die Genauigkeit der Beschriftungen und trainiert YOLO regelmäßig neu. Während des Trainings wird Datenaugmentation eingesetzt, um Überanpassung zu verhindern und dem Modell zu helfen, von einer begrenzten Anzahl an Stichproben zu verallgemeinern. Außerdem zeigen 10 % der Trainingsbilder Margherita-Pizzen als hilfreichen Kontext. Dadurch kann das Netzwerk Variationen selbst innerhalb desselben Zutatentyps bewältigen, etwa verschiedene Salamisorten.
Darüber hinaus hat Specialvideo einen Arbeitsablauf für neue Pizzazutaten eingeführt, um das erneute Training noch effizienter zu gestalten. Dieser Arbeitsablauf nutzt YOLO, um die Beschriftung neuer Bilder zu beschleunigen und den Bedarf an menschlicher Überwachung zu verringern, während sich die Zutatenvielfalt weiterentwickelt.
Abb. 1: YOLO wird verwendet, um Beläge auf einer Pizza für die KI-gestützte Lebensmittelinspektion zu erkennen und zu segmentieren.
Warum Ultralytics YOLO-Modelle wählen?#
Specialvideo entschied sich für Ultralytics YOLO-Modelle, weil sie ein ausgewogenes Verhältnis zwischen der Leistung des KI-Modells und den Kosten bieten. Mit einer Nvidia GTX-1660gt GPU (Grafikeinheit) erreicht das System Inferenzzeiten von nur 200–250 ms und ist damit schnell genug für eine Produktionslinie, die alle 600 ms eine Pizza herstellt.
Die effiziente Verarbeitungsgeschwindigkeit von YOLO ermöglicht Qualitätskontrolle in Echtzeit. Insgesamt optimiert dieser Ansatz nicht nur die Produktion, sondern unterstützt auch die Skalierbarkeit und bietet damit eine robuste Lösung für die Lebensmittelherstellung mit hohem Durchsatz.
Lebensmittelinspektionslösung mit YOLO erreicht eine Genauigkeit von 99 %#
Durch die Integration von Ultralytics YOLO-Modellen hat die KI-gestützte Lebensmittelinspektionslösung von Specialvideo die Qualitätskontrolle in der Pizzaproduktion grundlegend verändert. Das auf einem umfangreichen Datensatz mit mehr als 1.500 Bildern trainierte Modell erkennt präzise mehr als 10 verschiedene Zutaten und kategorisiert sie als zählbare Elemente wie Oliven, Salamischeiben, Sardellen und Mozzarellakugeln oder als nicht zählbare Elemente wie Schinkenwürfel, Pilze, Käsescheiben und Paprika.
Das von YOLO gesteuerte System arbeitet in Echtzeit mit einer Genauigkeit von bis zu 99 %, übertrifft menschliche Kontrolleure und reduziert die Inspektionszeiten im Vergleich zu manuellen Verfahren erheblich.
Interessanterweise hat die Lösung vielversprechende Ergebnisse erzielt, indem sie Zutaten in Lebensmitteln präzise erkannte, die nicht in ihrem ursprünglichen Training enthalten waren, etwa in Salaten und Pasta. Dadurch lässt sie sich leichter auf neue Produktlinien erweitern. Letztlich steigert dieser innovative Ansatz die betriebliche Effizienz, minimiert Abfall und senkt Kosten. Damit setzt er einen neuen Maßstab für die automatisierte Lebensmittelinspektion und Qualitätssicherung.
Intelligente Fertigung in der Lebensmittelindustrie voranbringen#
Die Zukunft von Specialvideo sieht vielversprechend aus. Das Unternehmen plant, seine Vision-AI-Lösung auf weitere Lebensmittel wie Salate und Pasta auszuweiten. Durch die kontinuierliche Feinabstimmung seiner Deep-Learning-Modelle und die Erweiterung seines Datensatzes möchte Specialvideo die Qualitätskontrolle in Echtzeit weiter verbessern, Abfall reduzieren und die Produktionseffizienz steigern. Diese Verbesserungen werden dazu beitragen, neue Branchenstandards zu setzen.
Möchtest du deine Abläufe mit Vision AI verbessern? Besuche unser GitHub-Repository, um zu sehen, wie die KI-Lösungen von Ultralytics in Bereichen wie KI im Gesundheitswesen und Computer Vision in der Fertigung Wirkung zeigen. Entdecke ausführliche Informationen zu unseren YOLO-Modellen und Lizenzoptionen und mache den ersten Schritt hin zu einer intelligenteren und effizienteren Automatisierung.
