Specialvideo erreicht mit Ultralytics YOLO eine Prüfgenauigkeit von 99 % bei Lebensmitteln

Durch die Integration von Ultralytics-YOLO-Modellen steigerte das KI-System von Specialvideo zur Lebensmittelkontrolle die Erkennungsgenauigkeit auf 99 % und verkürzte die Prüfzeit auf weniger als 250 ms pro Pizza.

Pizzahersteller müssen häufig in kurzer Zeit optisch ansprechende Produkte hoher Qualität herstellen. Die manuelle Kontrolle des Belags jeder Pizza kann jedoch zeitaufwendig sein. Specialvideo nutzt einen auf Vision AI basierenden Ansatz, um Zutaten in Echtzeit zu erkennen und zu zählen. So können Hersteller Rezeptvorgaben einhalten, Abfälle reduzieren und reibungslose Abläufe gewährleisten.

Beim Testen verschiedener Lösungen für die Bildverarbeitung stellte Specialvideo fest, dass bestimmte Verfahren wie die semantische Segmentierung Schwierigkeiten mit überlappenden oder verdeckten Belägen hatten. Mit Ultralytics-YOLO-Modellen konnten die Herausforderungen bewältigt und ein zuverlässiges, hochpräzises KI-gestütztes Qualitätskontrollsystem entwickelt werden, das Beläge unmittelbar erkennt, zählt und überprüft. Es gewährleistet gleichbleibende Qualität, ohne die Produktionsgeschwindigkeit zu beeinträchtigen.

Die Kontrolle von Lebensmitteln mit Computer Vision verbessern#

Specialvideo wurde 1993 im italienischen Imola gegründet und kann auf mehr als 30 Jahre Erfahrung in der Entwicklung fortschrittlicher Computer-Vision-Systeme für die Roboterführung, automatisierte Prüfungen und Fehlererkennung zurückblicken. Das Fachwissen des Unternehmens umfasst auch Computer Vision in der Lebensmittelindustrie.

Insbesondere entwickelte das Unternehmen ein Vision-AI-System zur Lebensmittelkontrolle, das mithilfe von Instanzsegmentierung die Pizzaherstellung effizienter gestaltet. Da jede Zutat als eigenständiges Objekt behandelt wird, kann das System Zutaten in Echtzeit präzise erkennen, segmentieren und zählen. Es bewältigt Probleme wie Verdeckungen (wenn eine Zutat teilweise von einer anderen verdeckt wird) und Doppelerkennungen (wenn das System zwei Instanzen einer Zutat erkennt, obwohl nur eine vorhanden ist). Indem Hersteller Platzierungsfehler erkennen, etwa eine ungleichmäßige Verteilung des Belags, können sie die Produktionsparameter entsprechend anpassen.

Das Modell lässt sich leicht um neue Zutaten erweitern und kann ohne grundlegende Überarbeitung erneut trainiert werden.

Außerdem kann das System die Form kontrollieren, die Einhaltung von Farbvorgaben überprüfen und mögliche Verunreinigungen erkennen. So wird sichergestellt, dass jedes Produkt hohe Sicherheits- und Qualitätsstandards erfüllt.

Herausforderungen bei der Qualitätskontrolle von Lebensmitteln in Echtzeit#

Pizzahersteller arbeiten häufig mit enorm hoher Geschwindigkeit und stellen alle 600 Millisekunden eine neue Pizza her. Bei diesem Tempo können menschliche Prüfer kaum mithalten. Dadurch wird es schwierig, den Belag zu überwachen und Fehler zuverlässig zu erkennen.

Hinzu kommt, dass Zutaten wie Salami und Pilze einander verdecken können. Dadurch fehlen auf manchen Pizzen Zutaten, andere sind übermäßig belegt oder die Zutaten sind falsch verteilt beziehungsweise in uneinheitlichen Mengen vorhanden. 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 Ausschussquoten und verschwendete Ressourcen. Bei langen Schichten können menschliche Prüfer zudem ermüden, wodurch ihre Aufmerksamkeit nachlässt und das Fehlerrisiko steigt.

Viele Hersteller erkennen diese Schwachstellen und setzen nun auf Qualitätskontrolle und automatisierte Lebensmittelprüfung mit Computer Vision. Diese innovativen Systeme überwachen die Produktion in Echtzeit, helfen menschliche Fehler zu reduzieren und unterstützen eine gleichbleibend hohe Produktqualität.

Lebensmittelmängel mit Bildverarbeitung in Echtzeit erkennen#

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 einwandfreie Produkte bei den Verbrauchern ankommen. Sie zählt und vermisst den Belag präzise, indem sie jede Pizza mit dem zugehörigen Rezept vergleicht. So erkennt sie schnell fehlende oder zusätzliche Zutaten, ungleichmäßige Verteilungen und uneinheitliche Mengen.

Wird eine fehlerhafte Pizza erkannt, etwa wegen falsch angeordneter Beläge, falscher Zutatenmengen oder Verunreinigungen wie blauem Kunststoff, leitet das System sie automatisch auf eine Ausschusslinie um.

Um die Genauigkeit nach der Bereitstellung sicherzustellen, erweitert Specialvideo den Datensatz kontinuierlich, verbessert die Genauigkeit der Kennzeichnung und trainiert YOLO regelmäßig erneut. Während des Trainings nutzt das Unternehmen Datenerweiterung, um Überanpassung zu verhindern und dem Modell zu helfen, aus einer begrenzten Anzahl von Beispielen zu verallgemeinern. Außerdem zeigen 10 % der Trainingsbilder Margherita-Pizzen, um hilfreichen Hintergrundkontext bereitzustellen. So kann das Netzwerk auch mit Variationen innerhalb derselben Zutatenart umgehen, etwa mit verschiedenen Salamisorten.

Darüber hinaus hat Specialvideo einen Arbeitsablauf für neue Pizzazutaten eingerichtet, um das erneute Trainieren noch effizienter zu gestalten. Dieser Arbeitsablauf nutzt YOLO, um neue Bilder schneller zu kennzeichnen und so den Bedarf an menschlicher Aufsicht zu verringern, wenn sich die verwendeten Zutaten ändern.

Abb. 1. YOLO erkennt und segmentiert den Belag einer Pizza zur KI-gestützten Lebensmittelkontrolle.

Warum Ultralytics YOLO-Modelle wählen?#

Specialvideo entschied sich für Ultralytics YOLO-Modelle, weil sie ein ausgewogenes Verhältnis zwischen KI-Modellleistung und Kosten bieten. Mit einer NVIDIA GTX 1660 GPU (Grafikeinheit) erreicht das System Inferenzzeiten von nur 200–250 ms. Damit ist es schnell genug für eine Produktionslinie, die alle 600 ms eine Pizza herstellt.

Die effiziente Verarbeitungsgeschwindigkeit von YOLO ermöglicht die Qualitätskontrolle in Echtzeit. Dieser Ansatz vereinfacht nicht nur die Produktion, sondern lässt sich auch skalieren und eignet sich damit gut für die Lebensmittelherstellung in großen Mengen.

Lebensmittelkontrolle mit YOLO erreicht eine Genauigkeit von 99 %#

Durch die Integration von Ultralytics-YOLO-Modellen hat Specialvideo die Qualitätskontrolle in der Pizzaherstellung mit seiner KI-Lösung zur Lebensmittelkontrolle grundlegend verbessert. Mit einem robusten Datensatz aus mehr als 1.500 Bildern trainiert, erkennt das Modell mehr als zehn verschiedene Zutaten zuverlässig. Es unterscheidet dabei zählbare Zutaten wie Oliven, Salamischeiben, Sardellen und Mozzarellakugeln von nicht einzeln zählbaren Zutaten wie gewürfeltem Schinken, Pilzen, Käsescheiben und Paprika.

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

Bemerkenswert ist, dass die Lösung Zutaten in Lebensmitteln, die nicht in den ursprünglichen Trainingsdaten enthalten waren, beispielsweise in Salaten und Pasta, zuverlässig erkennt. Das erleichtert die Erweiterung auf neue Produktlinien. Insgesamt steigert dieser innovative Ansatz die betriebliche Effizienz, minimiert Abfälle und senkt Kosten. Damit setzt er neue Maßstäbe für die automatisierte Lebensmittelkontrolle und Qualitätssicherung.

Intelligente Fertigung in der Lebensmittelindustrie voranbringen#

Die Zukunft sieht für Specialvideo 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 des Datensatzes möchte Specialvideo die Qualitätskontrolle in Echtzeit weiter verbessern, Abfälle reduzieren und die Produktionseffizienz steigern. Diese Verbesserungen werden dazu beitragen, neue Branchenstandards zu setzen.

Möchtest du deine Betriebsabläufe mit Vision AI optimieren? Besuche unser GitHub-Repository, um zu sehen, wie die KI-Lösungen von Ultralytics in Bereichen wie der automatisierten Sichtprüfung und der Computer Vision in der Fertigung Wirkung zeigen. Entdecke ausführliche Informationen zu unseren YOLO-Modellen und Lizenzoptionen und mach den ersten Schritt hin zu intelligenterer und effizienterer Automatisierung.