Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Configuración de cookies
Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Chef Robotics se propuso automatizar el montaje de alimentos de alta mezcla, un proceso que resulta complicado debido a la variabilidad de los ingredientes y a los entornos complejos, a menudo difíciles de percibir, que se encuentran en las instalaciones de producción de alimentos.
Solución
Mediante el uso deYOLO Ultralytics , Chef Robotics logra una detección muy precisa de bandejas e ingredientes en las líneas de producción, alcanzando una precisión de alrededor del 99,5 %.
La automatización a gran escala del ensamblaje de alimentos implica muchas partes móviles. Un gran volumen de bandejas se mueve a lo largo de la línea, los ingredientes varían a lo largo del día y no hay dos cucharadas exactamente iguales. Estos factores dificultan mantener la consistencia, y los procesos de ensamblaje manual pueden tener problemas con la detección, el porcionado y la colocación.
Chef Robotics ayuda a resolver estos retos con IA y robots. Al combinar la robótica con tecnologías de IA como la visión artificial, Chef permite a sus robots ver y comprender su entorno. Por ejemplo, YOLO Ultralytics YOLO se utilizan para la detección y segmentación de bandejas e ingredientes, lo que permite a los robots recoger y colocar artículos con una precisión inferior al centímetro en líneas de producción muy variadas y de ritmo rápido.
Ampliación de la producción alimentaria mediante robótica e inteligencia artificial
Chef Robotics, con sede en San Francisco, construye sistemas robóticos impulsados por inteligencia artificial para ayudar a la industria alimentaria a satisfacer las crecientes demandas de producción. Se centran específicamente en el sector alimentario porque es el que se enfrenta a la mayor escasez de mano de obra en Estados Unidos, con más de 1,1 millones de puestos de trabajo sin cubrir.
Esta escasez dificulta a los fabricantes mantener la producción y la consistencia. Para abordar estas preocupaciones, los robots Chef utilizan el aprendizaje automático y la visión artificial para interpretar los entornos de producción y tomar decisiones en tiempo real. En pocas palabras, esto significa que pueden manejar con precisión diferentes ingredientes, tipos de bandejas y formatos de comidas.
Hoy en día, Chef ha implementado sus sistemas en más de una docena de ciudades de Norteamérica, ayudando a los productores alimentarios a gestionar grandes volúmenes, reducir la dependencia de la mano de obra manual y mantener una calidad constante en líneas de producción de ritmo rápido.
La brecha de precisión en el ensamblaje de alimentos a gran escala
La producción de comidas a gran escala requiere precisión y rapidez, pero los entornos de producción reales lo dificultan. Los ingredientes pueden tener un aspecto diferente a lo largo del día, las bandejas pueden ser transparentes o reflectantes bajo luces brillantes y las cintas transportadoras se mueven rápidamente.
Estos cambios constantes dificultan a los trabajadores determinar con precisión la ubicación, especialmente cuando repiten los mismos movimientos miles de veces por turno. Como resultado, el montaje manual a menudo da lugar a porciones inconsistentes, derrames ocasionales y bandejas que no alcanzan el peso objetivo.
Esto aumenta el desperdicio de alimentos, requiere una limpieza adicional y crea variabilidad en la presentación. El reto se vuelve aún más exigente en entornos de alta mezcla, donde las recetas cambian con frecuencia y cada producto tiene sus propios requisitos de manipulación.
Fig. 1. Una mirada a las líneas de montaje manual de alimentos.
Los sistemas de automatización tradicionales no están diseñados para este nivel de variabilidad. Tienen dificultades con los cambios de ingredientes, los cambios rápidos y una amplia gama de SKU (unidades de mantenimiento de stock). Muchos productores siguen dependiendo en gran medida del trabajo manual, incluso cuando la escasez de personal dificulta el funcionamiento de las líneas de producción.
Por ejemplo, Cafe Spice, una marca de comida india y cofabricante con sede en New Windsor, Nueva York, se enfrentaba a estos retos a diario. Su equipo preparaba las comidas a mano a un ritmo de unas doce bandejas por minuto, lo que limitaba la producción a medida que aumentaba la demanda.
Además, sus bandejas de dos compartimentos requerían una colocación precisa para evitar que el curry se derramara en la sección del arroz, algo que los procesos manuales y los equipos convencionales a menudo tenían dificultades para mantener de forma constante. Consciente de estas limitaciones, Cafe Spice recurrió a Chef en busca de un enfoque más flexible y fiable.
Uso deYOLO Ultralytics para analizar las cadenas de montaje de alimentos
Para automatizar la producción de comidas altamente variadas de Cafe Spice, Chef implementó un sistema robótico de IA capaz de detect , identificar ingredientes y colocar los alimentos con la precisión necesaria para sus bandejas de dos compartimentos. En el centro de este sistema se encuentra un canal de IA visual basado enYOLO Ultralytics .
Dado que Cafe Spice produce muchos SKU diferentes,YOLO Ultralytics se entrenan de forma personalizada con imágenes recopiladas directamente de su entorno de producción. Esto ayuda a los robots a interpretar los ingredientes en condiciones reales de fábrica.
Fig. 2. Cómo ve y detecta las bandejas el robot Chef (Fuente)
En concreto, YOLO utiliza para detect a medida que se desplazan por la cinta transportadora e identificar el compartimento correcto para cada ingrediente. Llevando la detección de objetos un paso más allá, la detección OBB permite al sistema reconocer elementos que aparecen en diferentes ángulos, incluyendo cuencos, insertos transparentes y bandejas con orientaciones variables.
¿Por qué elegir los modelosYOLO Ultralytics ?
YOLO Ultralytics proporcionan a Chef la velocidad y precisión necesarias para el montaje de alimentos en tiempo real en líneas de producción de rápido movimiento. Han descubierto queYOLO Ultralytics ofrecen una precisión aproximada del 99,5 % en la producción, lo que proporciona las detecciones estables necesarias para la colocación robótica con una precisión inferior al centímetro en diferentes bandejas, cuencos y tipos de ingredientes.
Además, el Python Ultralytics Python proporciona las herramientas necesarias para entrenar, ajustar y gestionar estos modelos, lo que facilita a los equipos de ingeniería la rápida iteración. Por ejemplo, admite formatos de exportación como ONNX la implementación multiplataforma, lo que permite al equipo de Chef convertir e implementar modelos de forma fluida en todos sus sistemas robóticos.
Chef Robotics y Ultralytics YOLO la producción de Cafe Spice.
Tras integrar los sistemas robóticos con IA de Chef, impulsados porYOLO Ultralytics , Cafe Spice observó mejoras inmediatas y cuantificables en la producción, la eficiencia laboral y la calidad de los productos. Sus líneas de producción, que antes funcionaban a un ritmo de 12 bandejas por minuto, ahora funcionan a una media de 30 bandejas por minuto, con picos que alcanzan las 40 bandejas por minuto en el sistema de transporte actualizado. Esto supone un aumento de la producción de entre dos y tres veces.
Fig. 3. Línea de producción de comidas de Cafe Spice, impulsada por Chef Robotics y Ultralytics YOLO.
La productividad laboral también mejoró. Cada línea requería históricamente entre 8 y 10 trabajadores, pero los robots de Chef redujeron ese número a entre 3 y 4 trabajadores por línea, lo que supuso un aumento del 60 % en la productividad laboral. La capacidad liberada ayudó a Cafe Spice a reasignar personal a otras áreas que habían estado constantemente faltas de personal debido a la continua escasez de mano de obra.
Del mismo modo, la calidad y el rendimiento también experimentaron mejoras significativas. Antes de la automatización, el desperdicio de alimentos, causado en gran medida por el exceso de porciones para evitar rechazos por peso insuficiente, se situaba en el 9,19 %. Con los robots, que utilizan la detección YOLO para colocar los ingredientes con precisión, el desperdicio se redujo al 3,05 %, lo que supone una reducción del 67 %. Además, también mejoraron las tasas de aceptación: el 91 % de las bandejas montadas por robots cumplían los estándares de calidad de Cafe Spice, frente al 75 % de las bandejas montadas manualmente.
Hacer que la producción de comidas a gran escala sea más inteligente y precisa.
A medida que Chef continúa expandiéndose, la empresa se centra en hacer que sus sistemas basados en inteligencia artificial sean aún más adaptables a la amplia variedad de ingredientes, bandejas y configuraciones de producción que se utilizan en la industria alimentaria. Un factor clave detrás de estos esfuerzos es la misión de Chef de construir máquinas inteligentes que permitan a los seres humanos hacer lo que mejor saben hacer. Al mejorar sus modelos de percepción, simplificar los cambios y aumentar la flexibilidad para la producción de alta mezcla, Chef está creando una automatización que funciona menos como una máquina rígida y más como un compañero de equipo colaborativo.
Los modelosYOLO de Ultralytics son arquitecturas de visión por ordenador desarrolladas para analizar datos visuales a partir de imágenes y entradas de vídeo. Estos modelos pueden entrenarse para tareas como la detección de objetos, la clasificación, la estimación de poses, el seguimiento y la segmentación de instanciasUltralytics
Ultralytics YOLOv5
Ultralytics YOLOv8
Ultralytics YOLO11
¿Cuál es la diferencia entre los modelosYOLO Ultralytics ?
Ultralytics YOLO11 es la última versión de nuestros modelos de Visión por Computador. Al igual que sus versiones anteriores, soporta todas las tareas de visión por computador que la comunidad de Vision AI ha llegado a amar de YOLOv8. El nuevo YOLO11, sin embargo, viene con un mayor rendimiento y precisión, lo que lo convierte en una poderosa herramienta y en el aliado perfecto para los desafíos de la industria en el mundo real.
¿Qué modeloYOLO Ultralytics debo elegir para mi proyecto?
El modelo que elija usar depende de los requisitos específicos de su proyecto. Es clave tener en cuenta factores como el rendimiento, la precisión y las necesidades de implementación. Aquí hay una descripción general rápida:
Algunas de las principales características de Ultralytics YOLOv8:
Madurez y estabilidad: YOLOv8 es un marco probado y estable con amplia documentación y compatibilidad con versiones anteriores de YOLO , lo que lo hace ideal para integrarlo en los flujos de trabajo existentes.
Facilidad de uso: YOLOv8 es perfecto para equipos de todos los niveles gracias a su sencilla instalación.
Rentabilidad: Requiere menos recursos computacionales, lo que lo convierte en una excelente opción para proyectos con presupuesto limitado.
Algunas de las principales características de Ultralytics YOLO11:
Mayor precisión: YOLO11 supera a YOLOv8 en las pruebas comparativas, logrando una mayor precisión con menos parámetros.
Características avanzadas: Admite tareas de vanguardia como la estimación de la pose, el seguimiento de objetos y los cuadros delimitadores orientados (OBB), ofreciendo una versatilidad inigualable.
Eficiencia en tiempo real: Optimizado para aplicaciones en tiempo real, YOLO11 ofrece tiempos de inferencia más rápidos y destaca en dispositivos periféricos y tareas sensibles a la latencia.
Adaptabilidad: Gracias a su amplia compatibilidad de hardware, YOLO11 es idóneo para su implantación en dispositivos periféricos, plataformas en la nube y GPU NVIDIA .
¿Qué licencia necesito?
Los repositoriosYOLO Ultralytics , como YOLOv5 y YOLO11, se distribuyen bajo la licencia AGPL-3.0 0 por defecto. Esta licencia, aprobada por la OSI, está diseñada para estudiantes, investigadores y entusiastas, promueve la colaboración abierta y exige que cualquier software que utilice componentes AGPL-3.0 0 también sea de código abierto. Aunque esto garantiza la transparencia y fomenta la innovación, puede que no se ajuste a los casos de uso comercial. Si su proyecto implica la integración del software de Ultralytics y los modelos de IA en productos o servicios comerciales y desea evitar los requisitos de código abierto de AGPL-3 AGPL-3.0, lo ideal es una licencia de empresa.
Los beneficios de la Licencia Enterprise incluyen:
Flexibilidad comercial: Modifique e incruste el código fuente y los modelos Ultralytics YOLO en productos de su propiedad sin necesidad de adherirse al requisito AGPL-3.0 de código abierto de su proyecto.
Desarrollo propietario: Obtenga plena libertad para desarrollar y distribuir aplicaciones comerciales que incluyan el código y los modelos Ultralytics YOLO .
Para garantizar una integración perfecta y evitar las limitaciones AGPL-3.0 , solicite una licencia de empresa de Ultralytics mediante el formulario proporcionado. Nuestro equipo le ayudará a adaptar la licencia a sus necesidades específicas.
Potencia con Ultralytics YOLO
Obtenga visión artificial avanzada para sus proyectos. Encuentre la licencia adecuada para sus objetivos hoy mismo.
