En utilisant les modèles Ultralytics YOLO, Chef Robotics détecte les barquettes et les ingrédients sur les lignes de production avec une grande précision, atteignant environ 99,5 % de précision.
L’automatisation de l’assemblage alimentaire à grande échelle implique de nombreux éléments en mouvement. Un grand nombre de barquettes se déplacent le long de la ligne, les ingrédients varient au cours de la journée et aucun dosage n’est exactement identique à un autre. Ces facteurs compliquent le maintien de la régularité, tandis que les processus d’assemblage manuels peuvent rencontrer des difficultés en matière de détection, de portionnement et de placement.
Chef Robotics contribue à résoudre ces difficultés grâce à l’IA et aux robots. En combinant la robotique avec 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 sont utilisés pour la détection et la segmentation des barquettes et des ingrédients, ce qui permet aux robots de saisir et de placer les éléments avec une précision inférieure au centimètre sur des lignes de production rapides et à forte diversité de produits.
Accélérer la production alimentaire grâce à la robotique et à l’IA#
Basée à San Francisco, Chef Robotics conçoit des systèmes robotiques alimentés par l’IA pour aider l’industrie alimentaire à répondre à la demande croissante en matière de production. L’entreprise se concentre spécifiquement sur le secteur alimentaire, qui connaît la plus importante pénurie de main-d’œuvre aux États-Unis, avec plus de 1,1 million de postes non pourvus.
Cette pénurie complique le maintien des volumes de production et de la régularité pour les fabricants. Pour répondre à ces enjeux, les robots de Chef utilisent le machine learning et la vision par ordinateur afin d’interpréter les environnements de production et de prendre des décisions en temps réel. En termes simples, cela signifie qu’ils peuvent manipuler avec précision différents ingrédients, types de barquettes 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 de gros volumes, à réduire leur dépendance à la main-d’œuvre manuelle et à maintenir une qualité constante sur des lignes rapides.
L’écart de précision dans l’assemblage alimentaire à grande échelle#
Produire des repas à grande échelle exige de la précision et de la rapidité, mais les environnements de production réels compliquent cette tâche. L’apparence des ingrédients peut varier au cours de la journée, les barquettes peuvent être transparentes ou réfléchissantes sous une lumière intense et les lignes de convoyage se déplacent rapidement.
Ces changements constants compliquent l’évaluation précise du placement par les opérateurs, surtout lorsqu’ils répètent les mêmes mouvements des milliers de fois par poste. Par conséquent, l’assemblage manuel entraîne souvent des portions irrégulières, des débordements occasionnels et des barquettes dont le poids ne respecte pas les valeurs cibles.
Cela augmente le giveaway alimentaire, nécessite davantage de nettoyage et crée une variabilité dans la présentation. Le défi est encore plus important dans les environnements à forte diversité de produits, où les recettes changent fréquemment et où chaque produit possède ses propres exigences de manipulation.
Fig. 1. Aperçu des lignes d’assemblage alimentaire manuel.
Les systèmes d’automatisation traditionnels ne sont pas conçus pour un tel niveau de variabilité. Ils rencontrent des difficultés face aux changements d’ingrédients, aux changements de production rapides et à une large gamme de SKUs (unités de gestion des stocks). De nombreux producteurs dépendent encore fortement de la main-d’œuvre manuelle, alors que les pénuries de personnel compliquent le maintien en fonctionnement des lignes.
Par exemple, Cafe Spice, une marque et un fabricant sous contrat de plats indiens basé à New Windsor, dans l’État de New York, était confronté quotidiennement à ces difficultés. Son équipe assemblait les repas à la main, à raison d’environ douze barquettes par minute, ce qui limitait la production à mesure que la demande augmentait.
De plus, leurs barquettes à deux compartiments nécessitaient un placement précis pour éviter que le curry ne se renverse dans la section réservée au riz, un résultat que les processus manuels et les équipements conventionnels avaient souvent du mal à garantir de manière constante. Consciente de ces contraintes, Cafe Spice s’est tournée vers Chef pour adopter une approche plus flexible et plus fiable.
Utiliser les modèles Ultralytics YOLO pour analyser les lignes d’assemblage alimentaire#
Pour automatiser la production de repas à forte diversité de produits de Cafe Spice, Chef a déployé un système robotique doté d’IA capable de détecter les barquettes, d’identifier les ingrédients et de placer les aliments avec la précision requise pour les barquettes à deux compartiments. Au cœur de ce système se trouve un pipeline de vision par IA basé sur les modèles Ultralytics YOLO.
Les modèles Ultralytics YOLO prennent en charge des tâches clés de vision par ordinateur, telles que la détection d’objets, la détection de boîtes englobantes orientées (OBB), la segmentation d’instances et la classification d’images. Ces fonctionnalités donnent aux robots de Chef une vision en temps réel de la ligne de production.
Comme Cafe Spice produit de nombreux SKUs, les modèles Ultralytics YOLO sont entraînés sur mesure à partir d’images collectées directement dans son environnement de production. Cela aide les robots à interpréter les ingrédients dans des conditions réelles d’usine.
Fig. 2. Comment le robot de Chef voit et détecte les barquettes (Source)
En particulier, YOLO est utilisé pour détecter les barquettes lorsqu’elles avancent sur le convoyeur et identifier le compartiment approprié pour chaque ingrédient. La détection OBB va plus loin que la détection d’objets en permettant au système de comprendre les éléments qui apparaissent sous différents angles, notamment les bols, les inserts transparents et les barquettes dont l’orientation varie.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Les modèles Ultralytics YOLO offrent à Chef la vitesse et la précision nécessaires à l’assemblage alimentaire en temps réel sur des lignes de production rapides. L’entreprise a constaté que les modèles Ultralytics YOLO atteignent environ 99,5 % de précision en production, fournissant les détections stables nécessaires au placement robotisé avec une précision inférieure au centimètre pour différents types de barquettes, de bols et d’ingrédients.
De plus, le package Python Ultralytics fournit les outils nécessaires pour entraîner, affiner et gérer ces modèles, permettant aux équipes d’ingénierie d’itérer rapidement. Par exemple, il prend en charge des formats d’exportation comme ONNX pour le déploiement multiplateforme, ce qui permet à l’équipe de Chef de convertir et de déployer les modèles de manière fluide sur ses différents systèmes robotiques.
Chef Robotics et Ultralytics YOLO doublent la production de Cafe Spice#
Après avoir intégré les systèmes robotiques dotés d’IA de Chef et pilotés par les modèles Ultralytics YOLO, Cafe Spice a constaté des améliorations immédiates et mesurables en matière de production, d’efficacité de la main-d’œuvre et de qualité des produits. Ses lignes de production, qui fonctionnaient auparavant à 12 barquettes par minute, produisent désormais en moyenne 30 barquettes par minute, avec des pointes atteignant 40 barquettes par minute sur le convoyeur modernisé. Cela représente une augmentation de la production d’un facteur de deux à trois.
Fig. 3. Ligne de production de repas de Cafe Spice, optimisée 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 réduit ce nombre à 3 ou 4 employés par ligne, entraînant une hausse de 60 % de la productivité de la main-d’œuvre. Cette capacité libérée a permis à Cafe Spice de réaffecter du personnel à d’autres secteurs qui souffraient régulièrement d’un manque d’effectifs en raison des pénuries persistantes de main-d’œuvre.
La qualité et le rendement ont eux aussi enregistré des progrès significatifs. Avant l’automatisation, le giveaway alimentaire, principalement dû au surportionnement destiné à éviter les rejets pour sous-poids, s’élevait à 9,19 %. Grâce aux robots utilisant la détection basée sur YOLO pour placer les ingrédients avec précision, le giveaway est tombé à 3,05 %, soit une réduction de 67 %. Les taux d’acceptation se sont également améliorés : 91 % des barquettes assemblées par les robots respectaient les normes de qualité de Cafe Spice, contre 75 % pour les barquettes assemblées manuellement.
Rendre la production de repas à grande échelle plus intelligente et plus précise#
Alors que Chef poursuit son expansion, l’entreprise s’attache à rendre ses systèmes alimentés par l’IA encore plus adaptables à la grande variété d’ingrédients, de barquettes et de configurations de production utilisées 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 le mieux, joue un rôle essentiel dans ces efforts. En faisant progresser ses modèles de perception, en simplifiant les changements de production 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 la vision par IA ? 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 le secteur de la santé et la vision par ordinateur dans le commerce de détail sur nos pages consacrées aux solutions.
