Chef Robotics utilise Ultralytics YOLO pour réduire le gaspillage alimentaire de 67 %

L'automatisation de l'assemblage alimentaire à grande échelle implique de nombreux éléments mobiles. Un volume élevé de plateaux se déplace sur la ligne, les ingrédients varient au cours de la journée et aucune portion n'est exactement identique. Ces facteurs rendent le maintien de la constance difficile, et les processus d'assemblage manuel peuvent rencontrer des problèmes 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 computer vision, Chef permet à ses robots de voir et de comprendre leur environnement. Par exemple, les Ultralytics YOLO models sont utilisés pour la détection et la segmentation des barquettes et des ingrédients, ce qui permet aux robots de saisir et de placer des éléments avec une précision inférieure au centimètre sur des lignes de production rapides et à forte mixité.

Mise à l'échelle de la production alimentaire grâce à la robotique et à l'IA#

Chef Robotics, basée à San Francisco, conçoit des AI-powered robotic systems pour aider l'industrie agroalimentaire à faire face aux demandes croissantes de production. L'entreprise se concentre spécifiquement sur le secteur alimentaire car il fait face à la plus grande pénurie de main-d'œuvre aux États-Unis, avec plus de 1,1 million de postes non pourvus.

Cette pénurie rend difficile pour les fabricants le maintien du rendement et de la constance. 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 gérer différents ingrédients, types de plateaux et formats de repas avec précision.

Aujourd'hui, Chef a déployé ses systèmes dans plus d'une douzaine de villes en 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 lignes rapides.

Le déficit de précision dans l'assemblage alimentaire à grande échelle#

Produire des repas à grande échelle exige précision et rapidité, mais les environnements de production réels rendent cela difficile. Les ingrédients peuvent varier tout au long de la journée, les plateaux peuvent être transparents ou réfléchissants sous des lumières vives, et les lignes de convoyage se déplacent rapidement.

Ces changements constants rendent difficile pour les travailleurs de juger le placement avec précision, surtout lorsqu'ils répètent les mêmes mouvements des milliers de fois par poste. Par conséquent, l'assemblage manuel conduit souvent à des portions incohérentes, des débordements occasionnels et des plateaux dont le poids n'atteint pas les objectifs.

Cela augmente le gaspillage alimentaire, nécessite un nettoyage supplémentaire et crée une variabilité dans la présentation. Le défi devient encore plus exigeant dans les environnements à haute variété où les recettes changent fréquemment et où chaque produit a ses propres exigences de manipulation.

Fig 1. Un aperçu des lignes d'assemblage alimentaire manuel.

Les systèmes d'automatisation traditionnels ne sont pas conçus pour ce niveau de variabilité. Ils peinent à gérer les changements d'ingrédients, les changements de série rapides et une large gamme de SKU (unités de gestion des stocks). De nombreux producteurs dépendent encore fortement de la main-d'œuvre manuelle, alors même que les pénuries de personnel rendent le maintien des lignes plus difficile.

Par exemple, Cafe Spice, une marque de cuisine indienne et co-fabricant basé à New Windsor, NY, faisait face à ces défis quotidiennement. Leur équipe assemblait les repas à la main à raison d'environ douze plateaux par minute, ce qui limitait la production à mesure que la demande augmentait.

De plus, leurs plateaux à deux compartiments nécessitaient un placement précis pour éviter que le curry ne se renverse dans la section du riz - un aspect que les processus manuels et l'équipement conventionnel peinaient souvent à maintenir de manière constante. Reconnaissant ces contraintes, Cafe Spice s'est tourné vers Chef pour une approche plus flexible et fiable.

Utiliser les modèles Ultralytics YOLO pour analyser les lignes d'assemblage alimentaire#

Pour automatiser la production de repas à haute variété de Cafe Spice, Chef a déployé un système robotique IA capable de détecter les plateaux, d'identifier les ingrédients et de placer les aliments avec la précision requise pour leurs plateaux à deux compartiments. Au centre de ce système se trouve un pipeline Vision AI construit sur les modèles Ultralytics YOLO.

Les Ultralytics YOLO models prennent en charge des computer vision tasks clés telles que la détection d'objets, la oriented bounding box (OBB) detection, la segmentation d'instances et la classification d'images. Ces fonctionnalités donnent aux robots de Chef une conscience en temps réel de la ligne de production.

Comme Cafe Spice produit de nombreux SKU différents, les modèles Ultralytics YOLO sont entraînés sur mesure à partir d'images collectées directement dans leur environnement de production. Cela aide les robots à interpréter les ingrédients dans les conditions réelles de l'usine.

Fig 2. Comment le robot Chef voit et détecte les barquettes (Source)

En particulier, YOLO est utilisé pour détecter les plateaux lorsqu'ils descendent sur le convoyeur et pour identifier le compartiment correct pour chaque ingrédient. En poussant la détection d'objets un peu plus loin, la détection OBB permet au système de comprendre les éléments qui apparaissent sous différents angles, y compris les bols, les inserts transparents et les plateaux ayant des orientations changeantes.

Pourquoi choisir les modèles Ultralytics YOLO ?#

Les modèles Ultralytics YOLO donnent à Chef la vitesse et la précision nécessaires pour l'assemblage alimentaire en temps réel sur des lignes de production rapides. Ils ont constaté que les modèles Ultralytics YOLO offrent une précision d'environ 99,5 % en production, assurant les détections stables requises pour un placement robotique avec une précision inférieure au centimètre sur différents types de plateaux, bols et ingrédients.

De plus, le Ultralytics Python package fournit les outils pour entraîner, affiner et gérer ces modèles, ce qui permet 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 des modèles de manière transparente sur l'ensemble de ses systèmes robotiques.

Chef Robotics et Ultralytics YOLO doublent la production de Cafe Spice#

Après avoir intégré les systèmes robotiques basés sur l'IA de Chef, pilotés par les modèles Ultralytics YOLO, Cafe Spice a constaté des améliorations immédiates et mesurables en termes de production, d'efficacité du travail et de qualité des produits. Leurs lignes de production, qui fonctionnaient auparavant à 12 plateaux par minute, tournent maintenant à une moyenne de 30 plateaux par minute, avec des pointes atteignant 40 plateaux par minute sur le système de convoyage mis à jour. Cela représente une augmentation de la production par deux ou trois.

Fig 3. La ligne de production de repas de Cafe Spice, alimentée par Chef Robotics et Ultralytics YOLO.

La productivité du travail s'est également améliorée. Chaque ligne nécessitait historiquement 8 à 10 travailleurs, mais les robots de Chef ont réduit ce nombre à 3 à 4 travailleurs par ligne, entraînant une augmentation de 60 % de la productivité du travail. La capacité libérée a permis à Cafe Spice de redéployer le personnel vers d'autres zones qui avaient été constamment sous-effectives en raison des pénuries de main-d'œuvre persistantes.

De même, la qualité et le rendement ont également enregistré des gains significatifs. Avant l'automatisation, le gaspillage alimentaire, principalement causé par un sur-portionnement pour éviter les rejets pour poids insuffisant, s'élevait à 9,19 %. Avec des robots utilisant la détection basée sur YOLO pour placer les ingrédients avec précision, le gaspillage est tombé à 3,05 %, soit une réduction de 67 %. En plus de cela, les taux d'acceptation se sont également améliorés : 91 % des plateaux assemblés par les robots répondaient aux normes de qualité de Cafe Spice, contre 75 % pour les plateaux assemblés manuellement.

Rendre la production de repas à grande échelle plus intelligente et plus précise#

Alors que Chef continue de se développer, l'entreprise se concentre sur l'adaptation croissante de ses systèmes alimentés par l'IA à la grande variété d'ingrédients, de plateaux et de configurations de production utilisés dans l'industrie alimentaire. L'un des moteurs clés de ces efforts est la mission de Chef de construire des machines intelligentes qui permettent aux humains de faire ce qu'ils font le mieux. En faisant progresser ses modèles de perception, en simplifiant les changements de série et en améliorant la flexibilité pour la production à haute variété, Chef crée une automatisation qui fonctionne moins comme une machine rigide et plus comme un coéquipier collaboratif.

Tu t'intéresses à la vision par ordinateur ? Découvre nos licensing options pour intégrer la computer vision dans tes projets. Visite notre GitHub repository et rejoins our community. Explore l'AI in healthcare et la computer vision in retail sur nos pages de solutions.