Con los modelos Ultralytics YOLO, Chef Robotics detecta bandejas e ingredientes en las líneas de producción con gran precisión, que alcanza aproximadamente el 99,5 %.
La automatización del montaje de alimentos a gran escala implica muchas variables. Una gran cantidad de bandejas avanza por la línea, los ingredientes varían a lo largo del día y cada porción es distinta. Estos factores dificultan mantener la coherencia, y los procesos de montaje 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 que sus robots vean y comprendan su entorno. Por ejemplo, los modelos Ultralytics YOLO se utilizan para detectar y segmentar bandejas e ingredientes, lo que permite a los robots recoger y colocar artículos con una precisión inferior a un centímetro en líneas de producción de gran variedad y ritmo acelerado.
Ampliar la producción de alimentos con robótica e IA#
Chef Robotics, con sede en San Francisco, crea sistemas robóticos con IA para ayudar al sector alimentario a satisfacer la creciente demanda de producción. Se centra específicamente en este sector porque es el que sufre la mayor escasez de mano de obra de Estados Unidos, con más de 1,1 millones de puestos sin cubrir.
Esta escasez dificulta que los fabricantes mantengan la producción y la coherencia. Para abordar estos problemas, los robots de Chef utilizan aprendizaje automático y visión artificial para interpretar los entornos de producción y tomar decisiones en tiempo real. En pocas palabras, pueden manipular con precisión distintos ingredientes, tipos de bandejas y formatos de comida.
Actualmente, Chef ha implementado sus sistemas en más de una docena de ciudades de Norteamérica, donde ayuda a los productores de alimentos a gestionar grandes volúmenes, reducir la dependencia del trabajo manual y mantener una calidad uniforme en líneas de producción de ritmo acelerado.
La brecha de precisión en el montaje de alimentos a gran escala#
Producir comidas a gran escala exige precisión y rapidez, pero los entornos de producción reales lo dificultan. El aspecto de los ingredientes puede cambiar a lo largo del día, las bandejas pueden ser transparentes o reflejar la luz intensa y las cintas transportadoras se mueven rápido.
Estos cambios constantes dificultan que los trabajadores juzguen la colocación con precisión, sobre todo cuando repiten los mismos movimientos miles de veces por turno. Por ello, el montaje manual suele producir porciones irregulares, derrames ocasionales y bandejas cuyo peso queda fuera del objetivo.
Esto aumenta el desperdicio de alimentos, exige más tareas de limpieza y genera variaciones en la presentación. El reto es aún mayor en entornos con gran variedad de productos, donde las recetas cambian con frecuencia y cada producto requiere una manipulación distinta.
Fig. 1. Un vistazo 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 de configuración y una amplia gama de referencias (SKU). Muchos productores siguen dependiendo en gran medida del trabajo manual, aunque la escasez de personal haga cada vez más difícil mantener las líneas en funcionamiento.
Por ejemplo, Cafe Spice, una marca de comida india y fabricante por contrato con sede en New Windsor, Nueva York, se enfrentaba a diario a estos retos. Su equipo montaba a mano unas doce bandejas por minuto, lo que limitaba la producción a medida que aumentaba la demanda.
Además, sus bandejas de dos compartimentos exigían una colocación precisa para evitar que el curry se derramara en la sección del arroz, algo que los procesos manuales y los equipos convencionales solían tener dificultades para mantener de forma constante. Al reconocer estas limitaciones, Cafe Spice recurrió a Chef en busca de un enfoque más flexible y fiable.
Uso de los modelos Ultralytics YOLO para analizar líneas de montaje de alimentos#
Para automatizar la producción de comidas variadas de Cafe Spice, Chef implementó un sistema robótico de IA capaz de detectar bandejas, identificar ingredientes y colocar la comida con la precisión necesaria para sus bandejas de dos compartimentos. En el centro de este sistema hay un flujo de trabajo de IA de visión basado en los modelos Ultralytics YOLO.
Los modelos Ultralytics YOLO admiten tareas clave de visión artificial, como la detección de objetos, la detección de cajas delimitadoras orientadas (OBB), la segmentación de instancias y la clasificación de imágenes. Estas capacidades permiten que los robots de Chef tengan información en tiempo real sobre la línea de producción.
Como Cafe Spice produce muchas referencias (SKU) distintas, los modelos Ultralytics YOLO se entrenan de forma personalizada con imágenes recopiladas directamente en su entorno de producción. Esto ayuda a los robots a interpretar los ingredientes en condiciones reales de fábrica.
Fig. 2. Cómo ve y detecta bandejas el robot de Chef (Fuente)
En concreto, se utiliza YOLO para detectar las bandejas mientras avanzan por la cinta transportadora e identificar el compartimento correcto para cada ingrediente. La detección OBB lleva la detección de objetos un paso más allá y permite al sistema interpretar artículos que aparecen en distintos ángulos, como cuencos, insertos transparentes y bandejas con orientaciones cambiantes.
¿Por qué elegir los modelos Ultralytics YOLO?#
Los modelos Ultralytics YOLO ofrecen a Chef la velocidad y precisión necesarias para montar alimentos en tiempo real en líneas de producción rápidas. Según sus resultados, los modelos Ultralytics YOLO alcanzan aproximadamente un 99,5 % de precisión en producción y proporcionan las detecciones estables necesarias para la colocación robótica con precisión inferior a un centímetro en distintas bandejas, cuencos y tipos de ingredientes.
Además, el paquete de Python Ultralytics proporciona las herramientas necesarias para entrenar, ajustar y gestionar estos modelos, lo que permite a los equipos de ingeniería iterar rápidamente. Por ejemplo, admite formatos de exportación como ONNX para la implementación multiplataforma, lo que permite al equipo de Chef convertir e implementar modelos sin problemas en sus sistemas robóticos.
Chef Robotics y Ultralytics YOLO duplican la producción de Cafe Spice#
Tras integrar los sistemas robóticos con IA de Chef, basados en los modelos Ultralytics YOLO, Cafe Spice observó mejoras inmediatas y cuantificables en la producción, la eficiencia laboral y la calidad del producto. Sus líneas de producción, que antes funcionaban a 12 bandejas por minuto, ahora procesan una media de 30 bandejas por minuto, con picos de 40 bandejas por minuto en el sistema actualizado de cintas transportadoras. Esto supone multiplicar la producción por dos o por tres.
Fig. 3. La línea de producción de comidas de Cafe Spice, impulsada por Chef Robotics y Ultralytics YOLO.
La productividad laboral también mejoró. Antes, cada línea necesitaba entre 8 y 10 trabajadores, pero los robots de Chef redujeron esa cifra a entre 3 y 4 trabajadores por línea, lo que supuso un aumento del 60 % en la productividad laboral. Esta capacidad liberada permitió a Cafe Spice reasignar personal a otras áreas que sufrían una falta de personal constante debido a la escasez de mano de obra.
La calidad y el rendimiento también mejoraron considerablemente. Antes de la automatización, el desperdicio de alimentos, causado en gran medida por servir porciones excesivas para evitar rechazos por peso insuficiente, era del 9,19 %. Gracias a los robots, que utilizan la detección basada en YOLO para colocar los ingredientes con precisión, el desperdicio bajó al 3,05 %, una reducción del 67 %. Además, también mejoraron los índices de aceptación: el 91 % de las bandejas montadas por robots cumplía 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 sigue creciendo, la empresa se centra en adaptar aún más sus sistemas de IA a la gran variedad de ingredientes, bandejas y configuraciones de producción del sector alimentario. Un elemento clave de estos esfuerzos es la misión de Chef de crear máquinas inteligentes que permitan a las personas hacer aquello que mejor saben hacer. Al mejorar sus modelos de percepción, simplificar los cambios de configuración y aumentar la flexibilidad para la producción de gran variedad, Chef está creando una automatización que funciona menos como una máquina rígida y más como un compañero de equipo colaborativo.
¿Te interesa explorar la IA de visión? Descubre nuestras opciones de licencia para incorporar la visión artificial a tus proyectos. Visita nuestro repositorio de GitHub y únete a nuestra comunidad. Explora la IA en el sector sanitario y la visión artificial en el comercio minorista en nuestras páginas de soluciones.
