Al utilizar modelos de Ultralytics YOLO, Chef Robotics logra detectar con gran precisión bandejas e ingredientes en las líneas de producción, con una precisión de aproximadamente el 99,5 %.
La automatización del montaje de alimentos a gran escala implica muchas variables en movimiento. Un gran volumen de bandejas se desplaza por la línea, los ingredientes varían a lo largo del día y no hay dos cucharadas exactamente iguales. Estos factores dificultan mantener la uniformidad, y los procesos de montaje manual pueden tener problemas con la detección, el porcionado y la colocación.
Chef Robotics ayuda a resolver estos desafíos con IA y robots. Al combinar la robótica con tecnologías de IA como la visión por ordenador, Chef permite que sus robots vean y comprendan su entorno. Por ejemplo, los modelos de Ultralytics YOLO se utilizan para detectar y segmentar bandejas e ingredientes, lo que permite a los robots recoger y colocar elementos con una precisión inferior al centímetro en líneas de producción de alta variedad y ritmo elevado.
Escalar la producción de alimentos mediante robótica e IA#
Chef Robotics, con sede en San Francisco, crea sistemas robóticos impulsados por IA para ayudar a la industria alimentaria a hacer frente a la creciente demanda de producción. Se centra específicamente en el sector alimentario porque es el que sufre la mayor escasez de mano de obra en Estados Unidos, con más de 1,1 millones de puestos sin cubrir.
Esta escasez dificulta que los fabricantes mantengan el volumen de producción y la uniformidad. Para abordar estas preocupaciones, los robots de Chef utilizan aprendizaje automático y visión por ordenador para interpretar los entornos de producción y tomar decisiones en tiempo real. En pocas palabras, esto significa que pueden manipular con precisión distintos ingredientes, tipos de bandejas y formatos de comidas.
Actualmente, Chef ha implantado 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 uniforme en líneas de ritmo elevado.
La brecha de precisión en el montaje de alimentos a gran escala#
Producir comidas a gran escala requiere precisión y velocidad, 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 intensas y las líneas transportadoras se mueven rápidamente.
Estos cambios constantes dificultan que los trabajadores juzguen la colocación con precisión, especialmente cuando repiten los mismos movimientos miles de veces por turno. Como resultado, el montaje manual suele provocar porciones irregulares, derrames ocasionales y bandejas que quedan fuera de los pesos objetivo.
Esto aumenta el desperdicio de alimentos, requiere una limpieza adicional y genera variabilidad en la presentación. El desafío es aún mayor en entornos de alta variedad, donde las recetas cambian con frecuencia y cada producto tiene sus propios requisitos de manipulación.
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 formato y una amplia variedad de SKU (unidades de mantenimiento de stock). Muchos productores siguen dependiendo en gran medida de la mano de obra manual, incluso cuando la escasez de personal dificulta cada vez más 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 estos desafíos a diario. Su equipo montaba 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 con 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 solían tener dificultades para mantener de forma uniforme. Al reconocer estas limitaciones, Cafe Spice recurrió a Chef en busca de un enfoque más flexible y fiable.
Uso de modelos de Ultralytics YOLO para analizar líneas de montaje de alimentos#
Para automatizar la producción de comidas de alta variedad de Cafe Spice, Chef implantó un sistema robótico de IA capaz de detectar bandejas, identificar ingredientes y colocar los alimentos con la precisión necesaria para sus bandejas con dos compartimentos. En el centro de este sistema se encuentra una canalización de IA de visión basada en modelos de Ultralytics YOLO.
Los modelos de Ultralytics YOLO admiten tareas clave de visión por ordenador, como la detección de objetos, la detección de cajas delimitadoras orientadas (OBB), la segmentación de instancias y la clasificación de imágenes. Estas capacidades proporcionan a los robots de Chef información en tiempo real sobre la línea de producción.
Como Cafe Spice produce muchos SKU diferentes, los modelos de 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 ve y detecta las bandejas el robot de Chef (Fuente)
En concreto, YOLO se utiliza 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 comprender elementos que aparecen en distintos ángulos, incluidos cuencos, insertos transparentes y bandejas con orientaciones variables.
¿Por qué elegir los modelos Ultralytics YOLO?#
Los modelos de Ultralytics YOLO proporcionan a Chef la velocidad y precisión necesarias para el montaje de alimentos en tiempo real en líneas de producción de movimiento rápido. Han comprobado que los modelos de Ultralytics YOLO ofrecen aproximadamente un 99,5 % de precisión en producción, proporcionando las detecciones estables necesarias para colocar robóticamente elementos con una precisión inferior al centímetro en distintas bandejas, cuencos y tipos de ingredientes.
Además, el paquete de Python de Ultralytics proporciona las herramientas necesarias para entrenar, ajustar y gestionar estos modelos, lo que facilita que los equipos de ingeniería iteren rápidamente. Por ejemplo, admite formatos de exportación como ONNX para la implantación multiplataforma, lo que permite al equipo de Chef convertir e implantar modelos sin complicaciones 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 modelos de Ultralytics YOLO, Cafe Spice observó mejoras inmediatas y cuantificables en la producción, la eficiencia de la mano de obra y la calidad del producto. Sus líneas de producción, que anteriormente funcionaban a 12 bandejas por minuto, ahora alcanzan una media de 30 bandejas por minuto, con picos de 40 bandejas por minuto en el sistema de transporte actualizado. Esto representa un aumento de la producción de entre dos y tres veces.
Fig. 3. La línea de producción de comidas de Cafe Spice, impulsada por Chef Robotics y Ultralytics YOLO.
La productividad laboral también mejoró. Históricamente, 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 se tradujo en un aumento del 60 % de la productividad laboral. La capacidad liberada ayudó a Cafe Spice a reasignar personal a otras áreas que sufrían una falta constante de personal debido a la escasez de mano de obra.
Asimismo, la calidad y el rendimiento también mejoraron significativamente. Antes de la automatización, el desperdicio de alimentos, causado principalmente por servir porciones excesivas para evitar rechazos por bajo peso, era del 9,19 %. Con robots que utilizan detección basada en YOLO para colocar los ingredientes con precisión, el desperdicio se redujo al 3,05 %, una reducción del 67 %. Además, también mejoraron las tasas 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 expandiéndose, la empresa se centra en hacer que sus sistemas impulsados por IA sean aún más adaptables a la amplia variedad de ingredientes, bandejas y configuraciones de producción utilizadas en la industria alimentaria. Un factor clave de estos esfuerzos es la misión de Chef de crear máquinas inteligentes que permitan a las personas hacer aquello en lo que mejor destacan. Al mejorar sus modelos de percepción, simplificar los cambios de formato y aumentar la flexibilidad para la producción de alta 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 por ordenador a tus proyectos. Visita nuestro repositorio de GitHub y únete a nuestra comunidad. Explora la IA en la sanidad y la visión por ordenador en el comercio minorista en nuestras páginas de soluciones.
