Chef Robotics utiliza Ultralytics YOLO para reducir el desperdicio de alimentos en un 67%
Explora cómo Chef Robotics utiliza modelos de Ultralytics YOLO para un ensamblaje preciso de alimentos.
Problem
Chef Robotics se propuso automatizar el ensamblaje de alimentos de alta mezcla, un proceso que resulta complejo debido a la variabilidad de los ingredientes y a los entornos intrincados, a menudo difíciles de percibir, que se encuentran en las instalaciones de producción de alimentos.
Solution
Al utilizar modelos Ultralytics YOLO, Chef Robotics logra una detección altamente precisa de bandejas e ingredientes en las líneas de producción, alcanzando una precisión de alrededor del 99,5%.
La automatización del ensamblaje de alimentos a gran escala implica muchas partes móviles. Un gran volumen de bandejas se desplaza por la línea, los ingredientes varían a lo largo del día y no hay dos porciones exactamente iguales. Estos factores dificultan el mantenimiento de la consistencia, y los procesos de ensamblaje manual pueden tener problemas con la detección, el racionamiento 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, los modelos 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 de ritmo rápido y alta mezcla.
Link to this sectionEscalar la producción de alimentos mediante robótica e IA#
Chef Robotics, con sede en San Francisco, construye sistemas robóticos impulsados por IA para ayudar a la industria alimentaria a seguir el ritmo de las crecientes demandas de producción. Se centran específicamente en el sector alimentario porque 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 que los fabricantes mantengan el rendimiento y la consistencia. Para abordar estas preocupaciones, 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, significa que pueden manejar diferentes ingredientes, tipos de bandejas y formatos de comida con precisión.
Hoy en día, Chef ha desplegado sus sistemas en más de una docena de ciudades de Norteamérica, ayudando a los productores de alimentos a gestionar grandes volúmenes, reducir la dependencia de la mano de obra manual y mantener una calidad constante en líneas de ritmo rápido.
Link to this sectionLa brecha de precisión en el ensamblaje de alimentos a gran escala#
Producir comidas a escala requiere precisión y velocidad, pero los entornos de producción reales lo dificultan. Los ingredientes pueden verse diferentes a lo largo del día, las bandejas pueden ser transparentes o reflectantes bajo luces brillantes, y las líneas de transporte se mueven rápidamente.
Estos cambios constantes hacen que sea difícil para los trabajadores juzgar la colocación con precisión, especialmente cuando repiten los mismos movimientos miles de veces por turno. Como resultado, el ensamblaje manual a menudo conduce a porciones inconsistentes, derrames ocasionales y bandejas que quedan fuera de los pesos objetivo.
Esto aumenta el desperdicio de comida, requiere limpieza adicional y crea variabilidad en la presentación. El reto se vuelve aún más exigente en entornos de alta mezcla donde las recetas cambian frecuentemente y cada producto tiene sus propios requisitos de manipulación.
Fig 1. Un vistazo a las líneas manuales de ensamblaje 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 existencias). Muchos productores todavía dependen en gran medida del trabajo manual, incluso cuando la escasez de personal hace que sea más difícil mantener las líneas en funcionamiento.
Por ejemplo, Cafe Spice, una marca de comida india y cofabricante con sede en New Windsor, NY, se enfrentaba a estos retos a diario. Su equipo ensamblaba las comidas a mano a 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. Al reconocer estas limitaciones, Cafe Spice recurrió a Chef para obtener un enfoque más flexible y fiable.
Link to this sectionUso de modelos Ultralytics YOLO para analizar líneas de ensamblaje de alimentos#
Para automatizar la producción de comidas de alta mezcla de Cafe Spice, Chef desplegó un sistema robótico de IA capaz de detectar bandejas, identificar ingredientes y colocar los alimentos con la precisión requerida para sus bandejas de dos compartimentos. En el centro de este sistema hay una tubería de IA de visión construida sobre modelos Ultralytics YOLO.
Los modelos Ultralytics YOLO admiten tareas clave de visión artificial como la detección de objetos, la detección de cuadros delimitadores orientados (OBB), la segmentación de instancias y la clasificación de imágenes. Estas capacidades brindan a los robots de Chef una conciencia en tiempo real de la línea de producción.
Dado que Cafe Spice produce muchos SKU diferentes, los modelos Ultralytics YOLO 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 el robot Chef ve y detecta las bandejas (Fuente)
En particular, YOLO se utiliza para detectar las bandejas a medida que se mueven 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 comprender los artículos que aparecen en diferentes ángulos, incluidos cuencos, insertos transparentes y bandejas con orientaciones cambiantes.
Link to this section¿Por qué elegir los modelos Ultralytics YOLO?#
Los modelos Ultralytics YOLO brindan a Chef la velocidad y precisión necesarias para el ensamblaje de alimentos en tiempo real en líneas de producción de movimiento rápido. Han descubierto que los modelos Ultralytics YOLO ofrecen aproximadamente un 99,5% de precisión en la producción, proporcionando las detecciones estables requeridas para la colocación robótica sub-centimétrica en diferentes bandejas, cuencos y tipos de ingredientes.
Además, el paquete de Python de Ultralytics proporciona las herramientas para entrenar, ajustar y gestionar estos modelos, facilitando que los equipos de ingeniería iteren rápidamente. Por ejemplo, admite formatos de exportación como ONNX para el despliegue multiplataforma, lo que permite al equipo de Chef convertir y desplegar modelos sin problemas en todos sus sistemas robóticos.
Link to this sectionChef Robotics y Ultralytics YOLO duplican la producción de Cafe Spice#
Tras integrar los sistemas robóticos con IA de Chef impulsados por modelos Ultralytics YOLO, Cafe Spice observó mejoras inmediatas y medibles en la producción, la eficiencia laboral y la calidad del producto. Sus líneas de producción, que anteriormente operaban a 12 bandejas por minuto, ahora funcionan a una media de 30 bandejas por minuto, con tasas máximas que alcanzan las 40 bandejas por minuto en el sistema de transporte actualizado. Esto representa un aumento de dos a tres veces en la producción.
Fig 3. La línea de producción de comidas de Cafe Spice, impulsada por Chef Robotics y Ultralytics YOLO.
La productividad laboral también mejoró. Cada línea requería históricamente de 8 a 10 trabajadores, pero los robots de Chef redujeron esa cifra a entre 3 y 4 trabajadores por línea, lo que resultó en 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.
De igual manera, la calidad y el rendimiento también obtuvieron ganancias significativas. Antes de la automatización, el desperdicio de alimentos, causado en gran medida por el exceso de porciones para evitar rechazos por bajo peso, se situaba en el 9,19%. Con robots que utilizan la detección basada en YOLO para colocar los ingredientes con precisión, el desperdicio cayó al 3,05%, una reducción del 67%. Además de esto, las tasas de aceptación también mejoraron: el 91% de las bandejas ensambladas por robots cumplieron con los estándares de calidad de Cafe Spice, en comparación con el 75% de las bandejas ensambladas manualmente.
Link to this sectionHaciendo la producción de comidas a gran escala más inteligente y precisa#
A medida que Chef continúa expandiéndose, la empresa se centra en hacer que sus sistemas impulsados por IA sean aún más adaptables a la gran variedad de ingredientes, bandejas y configuraciones de producción utilizadas en la industria alimentaria. Un motor clave detrás de estos esfuerzos es la misión de Chef de construir máquinas inteligentes que empoderen a los humanos para hacer lo que mejor saben hacer. Al avanzar en sus modelos de percepción, simplificar los cambios y mejorar la flexibilidad para la producción de alta mezcla, Chef está creando una automatización que opera 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 llevar la visión artificial a tus proyectos. Visita nuestro repositorio de GitHub y únete a nuestra comunidad. Explora la IA en el cuidado de la salud y la visión artificial en el comercio minorista en nuestras páginas de soluciones.
