Specialvideo atteint 99 % de précision d'inspection alimentaire avec Ultralytics YOLO

Les fabricants de pizzas doivent souvent produire des produits attrayants et de haute qualité à une vitesse élevée, mais inspecter manuellement les garnitures de chaque pizza peut prendre beaucoup de temps. Specialvideo utilise une approche basée sur l'IA visuelle pour détecter et compter les ingrédients en temps réel, permettant aux producteurs de respecter les standards des 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 avec les garnitures superposées ou cachées. En utilisant les modèles Ultralytics YOLO, ils ont réussi à surmonter ces obstacles et à développer un système de contrôle qualité fiable et très précis piloté par l'IA qui identifie, compte et vérifie les garnitures à la volée. Cela garantit une qualité constante sans sacrifier la vitesse de production.

Link to this sectionAméliorer l'inspection alimentaire par IA avec 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 de vision par ordinateur avancés pour le guidage de robots, l'inspection automatisée et la détection de défauts. Leur expertise s'étend également à la vision par ordinateur dans l'industrie agroalimentaire.

Ils ont notamment développé un système de Vision AI pour l'inspection alimentaire 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 avec précision les ingrédients en temps réel. Il résout des problèmes tels que les occlusions (lorsqu'un ingrédient est partiellement recouvert 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 placement (par exemple, 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 nécessiter une refonte complète.

De plus, le système peut vérifier la forme, confirmer la conformité des couleurs et détecter des contaminants potentiels, en s'assurant que chaque produit respecte des normes de sécurité et de qualité élevées.

Link to this sectionDéfis du contrôle qualité (CQ) alimentaire en temps réel#

Les fabricants de pizzas opèrent souvent à des vitesses incroyablement élevées, produisant une nouvelle pizza toutes les 600 millisecondes. À ce rythme, il est très difficile pour les inspecteurs humains de suivre, rendant complexe le contrôle des garnitures et la détection précise des éventuels défauts.

De plus, les ingrédients superposés comme le salami et les champignons peuvent s'obscurcir mutuellement, ce qui conduit parfois à des pizzas avec des garnitures manquantes ou excessives, des répartitions incorrectes 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 rebuts plus élevés et de ressources gaspillées. À cela s'ajoute le fait que les inspecteurs humains peuvent ressentir de la fatigue lors de longs quarts de travail, ce qui diminue leur attention et augmente le risque d'erreurs.

Conscients de ces pièges, de nombreux fabricants adoptent désormais un contrôle qualité basé sur la vision par ordinateur et des systèmes d'inspection alimentaire automatisés. Ces systèmes innovants offrent une supervision en temps réel et aident à réduire les erreurs humaines tout en soutenant des résultats de haute qualité.

Link to this sectionDétection de défauts alimentaires en temps réel avec la vision industrielle#

La solution Vision AI 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 de qualité atteignent les consommateurs. Elle compte et mesure avec précision les garnitures en comparant chaque pizza à sa recette, détectant rapidement les ingrédients manquants ou en surplus, 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'étiquetage et réentraîne YOLO régulièrement. Ils utilisent l'augmentation de données pendant l'entraînement pour prévenir le surapprentissage et aider le modèle à généraliser à partir d'un nombre limité d'échantillons. De plus, 10 % des images d'entraînement présentent des pizzas Margherita pour 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 différents types de salami.

Au-delà de cela, pour rendre le processus de réentraînement encore plus efficace, Specialvideo a mis en œuvre un flux de travail pour les nouveaux ingrédients de pizza. Ce flux de travail exploite YOLO pour accélérer l'étiquetage de nouvelles images, réduisant ainsi le besoin de supervision humaine à mesure que les variétés d'ingrédients évoluent.

Fig 1. YOLO est utilisé pour détecter et segmenter les garnitures sur une pizza pour l'inspection alimentaire par IA.

Link to this sectionPourquoi choisir les modèles Ultralytics YOLO ?#

Specialvideo a choisi d'utiliser les modèles Ultralytics YOLO car ils offrent un excellent équilibre entre la performance 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 assez rapide pour gérer une ligne de production qui sort 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 soutient également l'évolutivité, en faisant une solution robuste pour les environnements de fabrication alimentaire à haut volume.

Link to this sectionLa solution d'inspection alimentaire optimisée par YOLO offre 99 % de précision#

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 avec précision plus de 10 ingrédients différents, les classant en 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 jusqu'à 99 % de précision, surpassant les inspecteurs humains et réduisant considérablement les temps d'inspection par rapport aux méthodes manuelles.

Il est intéressant de noter que la solution a donné des résultats prometteurs en reconnaissant avec précision les ingrédients dans des produits alimentaires non inclus dans son entraînement initial, comme les salades et les pâtes, facilitant ainsi une expansion plus aisée vers de nouvelles gammes de produits. En fin de compte, cette approche innovante améliore l'efficacité opérationnelle, minimise le gaspillage et réduit les coûts, établissant une nouvelle référence pour l'inspection alimentaire automatisée et l'assurance qualité.

Link to this sectionPromouvoir la fabrication intelligente dans l'industrie agroalimentaire#

L'avenir s'annonce prometteur pour Specialvideo. L'entreprise prévoit d'étendre sa solution Vision AI à d'autres produits alimentaires comme les salades et les pâtes. En affinant continuellement ses modèles d'apprentissage profond et en enrichissant son jeu de données, Specialvideo vise à améliorer encore davantage le contrôle qualité en temps réel, à réduire le gaspillage et à augmenter l'efficacité de la production. Ces améliorations aideront à établir de nouvelles normes industrielles.

Tu souhaites booster tes opérations avec la Vision AI ? Rends-toi sur notre dépôt GitHub pour voir comment les solutions d'IA d'Ultralytics ont un impact dans des domaines comme l'IA dans la santé et la vision par ordinateur dans la fabrication. Trouve des informations détaillées sur nos modèles YOLO et les options de licence, et fais ce premier pas vers une automatisation plus intelligente et plus efficace.