En intégrant les modèles Ultralytics YOLO, le système d’inspection alimentaire par IA de Specialvideo a porté la précision de détection à 99 % et réduit le temps d’inspection à moins de 250 ms par pizza.
Les fabricants de pizzas doivent souvent produire rapidement des produits visuellement attrayants et de haute qualité, mais inspecter manuellement les garnitures de chaque pizza peut prendre beaucoup de temps. Specialvideo s’appuie sur une approche fondée sur la vision par IA pour détecter et compter les ingrédients en temps réel, permettant ainsi aux producteurs de respecter les recettes, de réduire le gaspillage et de maintenir des opérations fluides.
En testant diverses solutions de vision, Specialvideo a découvert que certaines techniques, comme la segmentation sémantique, peinaient à gérer les garnitures qui se chevauchent ou sont dissimulées. Grâce aux modèles Ultralytics YOLO, l’entreprise a pu surmonter ces difficultés et développer un système de contrôle qualité fiable, très précis et alimenté par l’IA, qui identifie, compte et vérifie les garnitures à la volée. Il garantit une qualité constante sans sacrifier la vitesse de production.
Améliorer l’inspection alimentaire par IA grâce à la vision par ordinateur#
Fondée en 1993 à Imola, en Italie, Specialvideo s’appuie sur plus de 30 ans d’expérience dans la conception de systèmes avancés de vision par ordinateur pour le guidage des robots, l’inspection automatisée et la détection des défauts. Son expertise s’étend également à la vision par ordinateur dans l’industrie alimentaire.
L’entreprise a notamment développé un système d’inspection alimentaire par vision IA qui utilise la segmentation d’instances pour rationaliser la production de pizzas. En traitant chaque garniture comme un objet distinct, le système peut détecter, segmenter et compter précisément les ingrédients en temps réel. Il répond à des problèmes tels que les occultations (lorsqu’un ingrédient est partiellement masqué par un autre) et les doubles détections (lorsque le système identifie deux instances d’un ingrédient alors qu’il n’y en a qu’une). En identifiant les erreurs de répartition (i.e., des garnitures déséquilibrées), les fabricants peuvent ajuster les paramètres de production en conséquence.
Le modèle est conçu pour intégrer facilement de nouveaux ingrédients et peut être réentraîné sans refonte complète.
Le système peut également vérifier la forme, contrôler la conformité des couleurs et détecter d’éventuels contaminants, afin de garantir que chaque produit respecte des normes élevées de sécurité et de qualité.
Les défis du contrôle qualité en temps réel (QC)#
Les fabricants de pizzas travaillent souvent à des vitesses extrêmement élevées, produisant une nouvelle pizza toutes les 600 millisecondes. À ce rythme, il est très difficile pour les inspecteurs humains de suivre la cadence, ce qui complique la surveillance précise des garnitures et la détection des défauts.
De plus, des ingrédients qui se chevauchent, comme le salami et les champignons, peuvent se masquer mutuellement, ce qui entraîne parfois des pizzas avec des garnitures manquantes ou en excès, une répartition incorrecte ou des quantités incohérentes. Cela perturbe non seulement l’uniformité du produit, mais nuit également à la réputation de la marque lorsque les clients reçoivent des pizzas qui ne répondent pas à leurs attentes.
Parallèlement, ces problèmes augmentent les coûts opérationnels en raison de taux de rebut plus élevés et du gaspillage de ressources. Pour ne rien arranger, les inspecteurs humains peuvent se fatiguer au cours de longues équipes, leur attention diminuant et le risque d’erreurs augmentant.
Conscients de ces difficultés, de nombreux fabricants adoptent désormais des systèmes de contrôle qualité et d’inspection alimentaire automatisée reposant sur la vision par ordinateur. Ces systèmes innovants assurent une supervision en temps réel et contribuent à réduire les erreurs humaines tout en favorisant une production de haute qualité.
Détection des défauts alimentaires en temps réel grâce à la vision industrielle#
La solution de vision IA de Specialvideo utilise la prise en charge de la segmentation d’instances des modèles Ultralytics YOLO pour inspecter chaque pizza en temps réel, afin que seuls les produits conformes parviennent aux consommateurs. Elle compte et mesure précisément les garnitures en comparant chaque pizza à sa recette, détectant rapidement les ingrédients manquants ou en excès, les répartitions inégales et les quantités incohérentes.
Lorsqu’une pizza défectueuse est détectée — que ce soit en raison de garnitures mal alignées, de quantités d’ingrédients incorrectes ou de contaminants comme du plastique bleu — le système la détourne automatiquement vers une ligne de rebut.
Pour maintenir la précision après le déploiement, Specialvideo enrichit continuellement son jeu de données, affine la précision de l’annotation et réentraîne régulièrement YOLO. L’entreprise utilise l’augmentation des données pendant l’entraînement afin d’éviter le surapprentissage et d’aider le modèle à généraliser à partir d’un nombre limité d’échantillons. De plus, 10 % des images d’entraînement représentent des pizzas Margherita afin de fournir un contexte d’arrière-plan utile, ce qui aide le réseau à gérer les variations, même au sein d’un même type d’ingrédient, comme les différentes sortes de salami.
En outre, pour rendre le processus de réentraînement encore plus efficace, Specialvideo a mis en place un workflow pour les nouveaux ingrédients de pizza. Ce workflow s’appuie sur YOLO pour accélérer l’annotation des nouvelles images et réduire le besoin de supervision humaine à mesure que les variétés d’ingrédients évoluent.
Fig. 1. YOLO est utilisé pour détecter et segmenter les garnitures d’une pizza lors de l’inspection alimentaire par IA.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Specialvideo a choisi d’utiliser les modèles Ultralytics YOLO, car ils offrent un excellent équilibre entre les performances du modèle d’IA et le coût. Avec un GPU Nvidia GTX-1660gt (unité de traitement graphique), le système atteint des temps d’inférence de seulement 200 à 250 ms, ce qui est suffisamment rapide pour gérer une ligne de production fabriquant une pizza toutes les 600 ms.
La vitesse de traitement efficace de YOLO facilite le contrôle qualité en temps réel. Dans l’ensemble, cette approche rationalise non seulement la production, mais favorise également la mise à l’échelle, ce qui en fait une solution robuste pour les environnements de fabrication alimentaire à haut volume.
La solution d’inspection alimentaire basée sur YOLO atteint une précision de 99 %#
En intégrant les modèles Ultralytics YOLO, la solution d’inspection alimentaire par IA de Specialvideo a transformé le contrôle qualité dans la production de pizzas. Entraîné sur un jeu de données robuste de plus de 1 500 images, le modèle reconnaît précisément plus de 10 ingrédients différents, qu’il répartit entre les éléments dénombrables, comme les olives, les tranches de salami, les anchois et les billes de mozzarella, et les éléments non dénombrables, comme le jambon en dés, les champignons, les tranches de fromage et les poivrons.
Le système piloté par YOLO fonctionne en temps réel avec une précision pouvant atteindre 99 %, surpassant les inspecteurs humains et réduisant considérablement les temps d’inspection par rapport aux méthodes manuelles.
Fait intéressant, la solution a donné des résultats prometteurs en reconnaissant précisément des ingrédients dans des produits alimentaires qui ne figuraient pas dans son entraînement initial, comme les salades et les pâtes, ce qui facilite son extension à de nouvelles gammes de produits. En définitive, cette approche innovante améliore l’efficacité opérationnelle, réduit le gaspillage et diminue les coûts, établissant une nouvelle référence pour l’inspection alimentaire automatisée et l’assurance qualité.
Promouvoir la fabrication intelligente dans l’industrie alimentaire#
L’avenir de Specialvideo s’annonce prometteur. L’entreprise prévoit d’étendre sa solution de vision IA à d’autres produits alimentaires, comme les salades et les pâtes. En affinant continuellement ses modèles d’apprentissage profond et en développant son jeu de données, Specialvideo vise à améliorer encore le contrôle qualité en temps réel, à réduire le gaspillage et à accroître l’efficacité de la production. Ces améliorations contribueront à établir de nouvelles normes dans le secteur.
Tu veux améliorer tes opérations grâce à la vision IA ? Consulte notre dépôt GitHub pour découvrir comment les solutions d’IA d’Ultralytics ont un impact dans des domaines comme l’IA dans le secteur de la santé et la vision par ordinateur dans l’industrie manufacturière. Découvre des informations détaillées sur nos modèles YOLO et nos options de licence, et fais le premier pas vers une automatisation plus intelligente et plus efficace.
