Grâce aux modèles Ultralytics YOLO, Chef Robotics détecte les plateaux et les ingrédients sur les lignes de production avec une grande précision, atteignant environ 99,5 %.
L’automatisation de l’assemblage alimentaire à grande échelle implique de nombreux éléments mobiles. Les plateaux défilent en grand nombre sur la ligne, les ingrédients varient tout au long de la journée et aucune portion n’est exactement identique à une autre. Ces facteurs compliquent le maintien d’une production homogène, et les processus d’assemblage manuels peuvent avoir du mal à détecter, doser et placer les ingrédients.
Chef Robotics relève ces défis grâce à l’IA et à la robotique. En associant la robotique à des technologies d’IA comme la vision par ordinateur, Chef permet à ses robots de voir et de comprendre leur environnement. Par exemple, les modèles Ultralytics YOLO servent à détecter et à segmenter les plateaux et les ingrédients, ce qui permet aux robots de saisir et de déposer les éléments avec une précision inférieure au centimètre sur des lignes de production à forte diversité de produits et au rythme soutenu.
Accroître la production alimentaire grâce à la robotique et à l’IA#
Chef Robotics, basée à San Francisco, conçoit des systèmes robotiques alimentés par l’IA pour aider l’industrie alimentaire à répondre à la demande croissante. L’entreprise se concentre sur le secteur alimentaire, qui connaît la plus grave pénurie de main-d’œuvre des États-Unis, avec plus de 1,1 million de postes vacants.
Cette pénurie complique le maintien du rendement et de la régularité pour les fabricants. Pour y remédier, les robots Chef utilisent l’apprentissage automatique et la vision par ordinateur afin d’interpréter les environnements de production et de prendre des décisions en temps réel. En bref, ils peuvent manipuler avec précision différents ingrédients, types de plateaux et formats de repas.
Aujourd’hui, Chef a déployé ses systèmes dans plus d’une douzaine de villes d’Amérique du Nord, aidant les producteurs alimentaires à gérer des volumes importants, à réduire leur dépendance à la main-d’œuvre manuelle et à maintenir une qualité constante sur des lignes de production rapides.
Le déficit de précision dans l’assemblage alimentaire à grande échelle#
Produire des repas à grande échelle exige précision et rapidité, mais les conditions réelles de production compliquent la tâche. L’apparence des ingrédients peut varier au cours de la journée, les plateaux peuvent être transparents ou réfléchissants sous un éclairage intense et les convoyeurs avancent rapidement.
Ces changements constants compliquent l’évaluation précise du placement par les employés, surtout lorsqu’ils répètent les mêmes gestes des milliers de fois par quart de travail. L’assemblage manuel entraîne donc souvent des portions irrégulières, des débordements occasionnels et des plateaux dont le poids ne respecte pas les valeurs cibles.
Cela augmente le gaspillage alimentaire, nécessite un nettoyage supplémentaire et rend la présentation moins homogène. Le défi est encore plus grand dans les environnements à forte diversité de produits, où les recettes changent souvent et où chaque produit nécessite une manipulation spécifique.
Fig. 1. Aperçu des lignes d’assemblage alimentaire manuelles.
Les systèmes d’automatisation traditionnels ne sont pas conçus pour gérer un tel niveau de variabilité. Ils peinent à s’adapter aux changements d’ingrédients, aux changements rapides de série et à une large gamme de références (SKU). De nombreux producteurs dépendent encore fortement du travail manuel, alors que les pénuries de personnel compliquent le fonctionnement continu des lignes.
Par exemple, Cafe Spice, une marque de produits alimentaires indiens et un fabricant sous contrat basé à New Windsor, dans l’État de New York, était confrontée quotidiennement à ces difficultés. Son équipe assemblait les repas à la main à raison d’environ douze plateaux par minute, ce qui limitait le rendement face à la hausse de la demande.
De plus, ses plateaux à deux compartiments exigeaient un placement précis pour empêcher le curry de se déverser dans la partie réservée au riz — une exigence à laquelle les processus manuels et les équipements conventionnels avaient souvent du mal à répondre de façon constante. Consciente de ces contraintes, Cafe Spice s’est tournée vers Chef pour adopter une approche plus flexible et plus fiable.
Analyser les lignes d’assemblage alimentaire avec les modèles Ultralytics YOLO#
Pour automatiser la production de repas variés de Cafe Spice, Chef a déployé un système robotique d’IA capable de détecter les plateaux, d’identifier les ingrédients et de placer les aliments avec la précision requise pour les plateaux à deux compartiments. Au cœur de ce système se trouve un pipeline d’IA visuelle reposant sur les modèles Ultralytics YOLO.
Les modèles Ultralytics YOLO prennent en charge des tâches clés de vision par ordinateur, comme la détection d’objets, la détection de boîtes englobantes orientées (OBB), la segmentation d’instances et la classification d’images. Ces capacités permettent aux robots Chef de percevoir la ligne de production en temps réel.
Comme Cafe Spice produit de nombreuses références, les modèles Ultralytics YOLO sont entraînés sur mesure à partir d’images recueillies directement dans son environnement de production. Les robots peuvent ainsi interpréter les ingrédients dans les conditions réelles de l’usine.
Fig. 2. Comment le robot Chef voit et détecte les plateaux (Source)
En particulier, YOLO sert à détecter les plateaux qui avancent sur le convoyeur et à identifier le compartiment approprié pour chaque ingrédient. En allant au-delà de la détection d’objets, la détection OBB permet au système de comprendre les éléments présentés sous différents angles, notamment les bols, les inserts transparents et les plateaux dont l’orientation varie.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Les modèles Ultralytics YOLO offrent à Chef la rapidité et la précision nécessaires à l’assemblage alimentaire en temps réel sur des lignes de production rapides. Chef a constaté que les modèles Ultralytics YOLO atteignent une précision d’environ 99,5 % en production, fournissant les détections stables nécessaires au placement robotisé à moins d’un centimètre sur différents plateaux, bols et types d’ingrédients.
De plus, le package Python Ultralytics fournit les outils nécessaires pour entraîner, affiner et gérer ces modèles, ce qui permet aux équipes d’ingénierie d’itérer rapidement. Il prend notamment en charge des formats d’exportation comme ONNX pour le déploiement multiplateforme, afin que l’équipe de Chef puisse convertir et déployer facilement les modèles sur ses systèmes robotiques.
Chef Robotics et Ultralytics YOLO doublent le rendement de Cafe Spice#
Après l’intégration des systèmes robotiques dotés d’IA de Chef, reposant sur les modèles Ultralytics YOLO, Cafe Spice a constaté des améliorations immédiates et mesurables du rendement, de la productivité de la main-d’œuvre et de la qualité des produits. Ses lignes de production, qui traitaient auparavant 12 plateaux par minute, en traitent désormais en moyenne 30, avec des pointes à 40 plateaux par minute sur le convoyeur modernisé. Le rendement a ainsi été multiplié par deux à trois.
Fig. 3. La ligne de production de repas de Cafe Spice, propulsée par Chef Robotics et Ultralytics YOLO.
La productivité de la main-d’œuvre s’est également améliorée. Chaque ligne nécessitait auparavant 8 à 10 employés, mais les robots de Chef ont ramené ce chiffre à 3 ou 4 employés par ligne, soit une hausse de 60 % de la productivité de la main-d’œuvre. Cafe Spice a pu réaffecter le personnel ainsi libéré à d’autres secteurs régulièrement en sous-effectif en raison des pénuries persistantes de main-d’œuvre.
La qualité et le rendement se sont également considérablement améliorés. Avant l’automatisation, le gaspillage alimentaire, principalement dû au surdosage visant à éviter les rejets pour poids insuffisant, atteignait 9,19 %. Grâce aux robots qui placent précisément les ingrédients à l’aide de la détection basée sur YOLO, ce gaspillage est tombé à 3,05 %, soit une baisse de 67 %. Le taux d’acceptation a également augmenté : 91 % des plateaux assemblés par les robots répondaient aux normes de qualité de Cafe Spice, contre 75 % des plateaux assemblés manuellement.
Rendre la production de repas à grande échelle plus intelligente et plus précise#
Alors que Chef poursuit son expansion, l’entreprise cherche à rendre ses systèmes alimentés par l’IA encore plus adaptables à la grande variété d’ingrédients, de plateaux et de configurations de production utilisés dans l’industrie alimentaire. La mission de Chef, qui consiste à créer des machines intelligentes permettant aux humains de se consacrer à ce qu’ils font de mieux, est un moteur essentiel de ces efforts. En faisant progresser ses modèles de perception, en simplifiant les changements de série et en améliorant la flexibilité pour les productions à forte diversité de produits, Chef crée une automatisation qui fonctionne moins comme une machine rigide que comme un coéquipier collaboratif.
Tu souhaites explorer l’IA visuelle ? Découvre nos options de licence pour intégrer la vision par ordinateur à tes projets. Consulte notre dépôt GitHub et rejoins notre communauté. Découvre l’IA dans la santé et la vision par ordinateur dans le commerce de détail sur nos pages consacrées aux solutions.
