Chef Robotics s'est lancé dans l'automatisation de l'assemblage alimentaire hautement diversifié, un processus rendu difficile par la variabilité des ingrédients et les environnements complexes, souvent difficiles à percevoir, que l'on trouve dans les installations de production alimentaire.
GrâceYOLO Ultralytics , Chef Robotics parvient à détecter avec une grande précision les plateaux et les ingrédients sur les chaînes de production, avec une précision d'environ 99,5 %.
L'automatisation à grande échelle de l'assemblage alimentaire implique de nombreux éléments mobiles. Un volume élevé de plateaux circule le long de la chaîne, les ingrédients varient tout au long de la journée et aucune cuillère n'est exactement identique à une autre. Ces facteurs rendent difficile le maintien d'une cohérence, et les processus d'assemblage manuels peuvent rencontrer des difficultés en matière de détection, de portionnement et de placement.
Chef Robotics aide à relever ces défis grâce à l'IA et aux robots. En combinant la robotique avec des technologies d'IA telles que la vision par ordinateur, Chef permet à ses robots de voir et de comprendre leur environnement. Par exemple, YOLO Ultralytics YOLO sont utilisés pour la détection et la segmentation des plateaux et des ingrédients, ce qui permet aux robots de saisir et de placer des articles avec une précision inférieure au centimètre sur des lignes de production très variées et rapides.
Chef Robotics, basée à San Francisco, construit des systèmes robotiques alimentés par l'IA pour aider l'industrie alimentaire à répondre à la demande croissante en matière de production. Elle se concentre spécifiquement sur le secteur alimentaire, car celui-ci est confronté à la plus grande pénurie de main-d'œuvre aux États-Unis, avec plus de 1,1 million d'emplois non pourvus.
Cette pénurie rend difficile pour les fabricants de maintenir leur production et leur cohérence. Pour répondre à ces préoccupations, les robots Chef utilisent l'apprentissage automatique et la vision par ordinateur pour interpréter les environnements de production et prendre des décisions en temps réel. En termes simples, cela signifie qu'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 élevés, à réduire leur dépendance à la main-d'œuvre manuelle et à maintenir une qualité constante sur des chaînes de production au rythme effréné.
La production de repas à grande échelle exige précision et rapidité, mais les conditions réelles de production rendent cela difficile. Les ingrédients peuvent avoir un aspect différent au cours de la journée, les plateaux peuvent être transparents ou réfléchissants sous un éclairage intense, et les chaînes de convoyage se déplacent rapidement.
Ces changements constants rendent difficile pour les travailleurs d'évaluer précisément le placement, en particulier lorsqu'ils répètent les mêmes mouvements des milliers de fois par quart de travail. Par conséquent, l'assemblage manuel entraîne souvent des portions inégales, des débordements occasionnels et des barquettes dont le poids dépasse les limites fixées.
Cela augmente le gaspillage alimentaire, nécessite un nettoyage supplémentaire et crée une variabilité dans la présentation. Le défi devient encore plus difficile dans les environnements à forte mixité où les recettes changent fréquemment et où chaque produit a ses propres exigences en matière de manipulation.
Les systèmes d'automatisation traditionnels ne sont pas conçus pour ce niveau de variabilité. Ils ont du mal à gérer les changements d'ingrédients, les changements rapides et un large éventail de références (unités de gestion des stocks). De nombreux producteurs continuent de s'appuyer fortement sur le travail manuel, même si le manque de personnel rend plus difficile le maintien des chaînes de production en fonctionnement.
Par exemple, Cafe Spice, une marque alimentaire indienne et co-fabricant basé à New Windsor, dans l'État de New York, était confronté quotidiennement à ces défis. Son équipe assemblait les repas à la main à raison d'environ douze plateaux par minute, ce qui limitait la production alors que la demande augmentait.
De plus, leurs plateaux à deux compartiments devaient être placés avec précision pour éviter que le curry ne se répande dans la partie réservée au riz, ce qui était souvent difficile à réaliser de manière constante avec des processus manuels et des équipements conventionnels. Conscient de ces contraintes, Cafe Spice s'est tourné vers Chef pour trouver une solution plus flexible et plus fiable.
Pour automatiser la production de repas très variés de Cafe Spice, le chef a déployé un système robotique basé sur l'IA capable de detect , d'identifier les ingrédients et de placer les aliments avec la précision requise pour leurs plateaux à deux compartiments. Au cœur de ce système se trouve un pipeline Vision AI basé surYOLO Ultralytics .
YOLO Ultralytics prennent en charge des tâches clés de vision par ordinateur telles que la détection d'objets, la détection de cadres de sélection orientés (OBB), la segmentation d'instances et la classification d'images. Ces capacités permettent aux robots Chef d'avoir une perception en temps réel de la chaîne de production.
Étant donné que Cafe Spice produit de nombreuses références différentes,YOLO Ultralytics sont spécialement formés à partir d'images collectées directement dans leur environnement de production. Cela aide les robots à interpréter les ingrédients dans des conditions réelles d'usine.
YOLO notamment utilisé pour detect lorsqu'ils descendent le convoyeur et identifier le compartiment approprié pour chaque ingrédient. Allant encore plus loin dans la détection d'objets, la détection OBB permet au système de reconnaître les articles qui apparaissent sous différents angles, notamment les bols, les inserts transparents et les plateaux dont l'orientation change.
YOLO Ultralytics offrent à Chef la rapidité et la précision nécessaires pour assembler les aliments en temps réel sur des lignes de production à cadence rapide. Ils ont constaté queYOLO Ultralytics offrent une précision d'environ 99,5 % en production, fournissant les détections stables requises pour un placement robotisé au centimètre près sur différents plateaux, bols et types d'ingrédients.
De plus, le Python Ultralytics fournit les outils nécessaires pour former, affiner et gérer ces modèles, ce qui permet aux équipes d'ingénieurs d'itérer rapidement. Par exemple, il prend en charge des formats d'exportation tels que ONNX un déploiement multiplateforme, ce qui permet à l'équipe de Chef de convertir et de déployer des modèles de manière transparente sur l'ensemble de ses systèmes robotiques.
Après avoir intégré les systèmes robotiques basés sur l'IA de Chef, pilotés parYOLO Ultralytics , Cafe Spice a constaté des améliorations immédiates et mesurables en termes de rendement, d'efficacité du travail et de qualité des produits. Leurs lignes de production, qui fonctionnaient auparavant à une cadence de 12 plateaux par minute, tournent désormais à une cadence moyenne de 30 plateaux par minute, avec des pics atteignant 40 plateaux par minute sur le système de convoyage mis à jour. Cela représente une augmentation de deux à trois fois du rendement.
La productivité du travail s'est également améliorée. Chaque ligne nécessitait auparavant 8 à 10 employés, mais les robots de Chef ont permis de réduire ce nombre à 3 ou 4 employés par ligne, ce qui a entraîné une augmentation de 60 % de la productivité du travail. Les capacités ainsi libérées ont permis au Café Spice de redéployer son personnel vers d'autres domaines qui souffraient d'un manque chronique de main-d'œuvre en raison de la pénurie persistante de travailleurs.
De même, la qualité et le rendement ont également connu des gains significatifs. Avant l'automatisation, le gaspillage alimentaire, principalement dû à un surdosage visant à éviter les rejets pour cause de sous-poids, s'élevait à 9,19 %. Grâce à l'utilisation de robots équipés d'un système de détection YOLO pour placer les ingrédients avec précision, le gaspillage est tombé à 3,05 %, soit une réduction de 67 %. En outre, les taux d'acceptation se sont également améliorés : 91 % des plateaux assemblés par des robots répondaient aux normes de qualité de Cafe Spice, contre 75 % pour les plateaux assemblés manuellement.
Alors que Chef poursuit son expansion, l'entreprise s'efforce de rendre ses systèmes basés sur l'IA encore plus adaptables à la grande variété d'ingrédients, de plateaux et de configurations de production utilisés dans l'industrie alimentaire. L'un des principaux moteurs de ces efforts est la mission de Chef, qui consiste à construire des machines intelligentes permettant aux humains de faire ce qu'ils font le mieux. En améliorant ses modèles de perception, en simplifiant les changements et en renforçant la flexibilité pour une production très diversifiée, Chef crée une automatisation qui fonctionne moins comme une machine rigide et davantage comme un coéquipier collaboratif.
Vous souhaitez découvrir Vision AI ? Découvrez nos options de licence pour intégrer la vision par ordinateur à vos projets. Visitez notre référentiel GitHub et rejoignez notre communauté. Découvrez l'IA dans le domaine de la santé et la vision par ordinateur dans le commerce de détail sur nos pages de solutions.
Les modèlesYOLO d'Ultralytics sont des architectures de vision par ordinateur développées pour analyser des données visuelles à partir d'images et d'entrées vidéo. Ces modèles peuvent être entraînés pour des tâches telles que la détection d'objets, la classification, l'estimation de la pose, le suivi et la segmentation d'instancesUltralytics
Ultralytics YOLO11 est la dernière version de nos modèles de vision par ordinateur. Comme ses versions précédentes, elle prend en charge toutes les tâches de vision par ordinateur que la communauté Vision AI a appris à apprécier dans YOLOv8. Cependant, le nouveau YOLO11 est plus performant et plus précis, ce qui en fait un outil puissant et un allié parfait pour relever les défis industriels du monde réel.
Le modèle que vous choisissez d'utiliser dépend des exigences spécifiques de votre projet. Il est essentiel de prendre en compte des facteurs tels que les performances, la précision et les besoins de déploiement. Voici un aperçu rapide :
Les dépôtsYOLO d'Ultralytics , tels que YOLOv5 et YOLO11, sont distribués par défaut sous la licence AGPL-3.0 Cette licence approuvée par l'OSI est conçue pour les étudiants, les chercheurs et les passionnés. Elle encourage la collaboration ouverte et exige que tout logiciel utilisant des composants AGPL-3.0 soit également mis à disposition en libre accès. Bien que cette licence assure la transparence et favorise l'innovation, elle peut ne pas correspondre aux cas d'utilisation commerciale.
Si votre projet implique l'intégration du logiciel Ultralytics et des modèles d'IA dans des produits ou services commerciaux et que vous souhaitez contourner les exigences d'open-source de l'AGPL-3.0, une Licence Entreprise est idéale.
Les avantages de la licence Enterprise incluent :
Pour garantir une intégration transparente et éviter les contraintes de l'AGPL-3.0 , demandez une licence d'entreprise Ultralytics en utilisant le formulaire prévu à cet effet. Notre équipe vous aidera à adapter la licence à vos besoins spécifiques.
