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 de haute qualité et visuellement attrayants, mais l’inspection manuelle des garnitures de chaque pizza peut prendre beaucoup de temps. Specialvideo s’appuie sur une approche fondée sur la Vision AI pour détecter et compter les ingrédients en temps réel, permettant aux producteurs de respecter les normes des recettes, de réduire le gaspillage et de maintenir des opérations fluides.
En testant différentes solutions de vision, Specialvideo a découvert que certaines techniques, comme la segmentation sémantique, peinaient à gérer les garnitures qui se chevauchent ou sont masquées. Grâce aux modèles Ultralytics YOLO, l’entreprise a pu surmonter ces difficultés et mettre au point un système de contrôle qualité fiable, de haute précision 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 de 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 AI qui utilise la segmentation d’instances pour rationaliser la production de pizzas. En considérant chaque garniture comme un objet distinct, le système peut détecter, segmenter et compter précisément les ingrédients en temps réel. Il traite les problèmes comme les occultations (quand un ingrédient est partiellement recouvert par un autre) et les détections en double (quand le système identifie deux instances d’un ingrédient alors qu’il n’y en a qu’une). En repérant les erreurs de répartition (c’est-à-dire les garnitures mal équilibrées), les fabricants peuvent ajuster les paramètres de production en conséquence.
Le modèle est conçu pour s’adapter facilement à 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.
Défis du contrôle qualité (QC) alimentaire en temps réel#
Les fabricants de pizzas travaillent souvent à une cadence extrêmement élevée, produisant une nouvelle pizza toutes les 600 millisecondes. À ce rythme, il est très difficile pour les inspecteurs de suivre et de surveiller précisément les garnitures et de détecter les éventuels défauts.
De plus, les ingrédients qui se chevauchent, comme le salami et les champignons, peuvent se masquer mutuellement. Il arrive alors que des pizzas aient des garnitures manquantes ou excessives, une répartition incorrecte ou des quantités irrégulières. Cela nuit non seulement à l’uniformité du produit, mais aussi 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 du taux de rebut élevé et du gaspillage des ressources. La fatigue des inspecteurs humains au cours de longs quarts de travail peut également réduire leur vigilance et accroître le risque d’erreurs.
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 surveillance en temps réel et contribuent à réduire les erreurs humaines tout en garantissant des produits de haute qualité.
Détecter les défauts alimentaires en temps réel grâce à la vision industrielle#
La solution de Vision AI de Specialvideo s’appuie sur la prise en charge de la segmentation d’instances des modèles Ultralytics YOLO pour inspecter chaque pizza en temps réel, afin que seuls des produits de qualité parviennent aux consommateurs. Elle compte et mesure précisément les garnitures en comparant chaque pizza à sa recette, et détecte rapidement les ingrédients manquants ou en trop, les répartitions inégales et les quantités irrégulières.
Lorsqu’une pizza défectueuse est détectée, que ce soit en raison de garnitures mal réparties, de quantités d’ingrédients incorrectes ou de contaminants comme du plastique bleu, le système la détourne automatiquement vers une ligne de rebut.
Pour préserver la précision après le déploiement, Specialvideo enrichit continuellement son jeu de données, améliore la précision de l’annotation et réentraîne régulièrement YOLO. L’entreprise utilise l’augmentation des 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 représentent 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 les différentes sortes de salami.
En outre, pour rendre le processus de réentraînement encore plus efficace, Specialvideo a mis en place un workflow dédié aux nouveaux ingrédients pour pizza. Ce workflow utilise YOLO pour accélérer l’annotation des nouvelles images, réduisant ainsi le besoin de supervision humaine à mesure que la variété des ingrédients évolue.
Fig. 1. YOLO détecte et segmente les garnitures d’une pizza pour l’inspection alimentaire par IA.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Specialvideo a choisi les modèles Ultralytics YOLO parce qu’ils offrent un excellent équilibre entre les performances du modèle d’IA et le coût. Avec un GPU NVIDIA GTX 1660 (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 chaîne de production qui fabrique 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 la production et facilite également le déploiement à grande échelle, ce qui en fait une solution robuste pour les environnements de fabrication alimentaire à grand volume.
Une 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 de la production de pizzas. Entraîné sur un jeu de données complet de plus de 1 500 images, le modèle reconnaît avec précision plus de 10 ingrédients différents, répartis 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 basé sur YOLO fonctionne en temps réel avec une précision pouvant atteindre 99 %, surpassant les inspecteurs humains et réduisant considérablement les délais d’inspection par rapport aux méthodes manuelles.
Fait intéressant, la solution a donné des résultats prometteurs en reconnaissant avec précision des ingrédients dans des produits alimentaires absents de son entraînement initial, comme les salades et les pâtes, ce qui facilite son adaptation à de nouvelles gammes de produits. En définitive, cette approche innovante accroît l’efficacité opérationnelle, réduit le gaspillage et diminue les coûts, établissant une nouvelle référence en matière d’inspection alimentaire automatisée et d’assurance qualité.
Promouvoir la fabrication intelligente dans l’industrie alimentaire#
L’avenir s’annonce prometteur pour Specialvideo. L’entreprise prévoit d’étendre sa solution de Vision AI à d’autres produits alimentaires, comme les salades et les pâtes. En ajustant continuellement ses modèles d’apprentissage profond et en enrichissant son jeu de données, Specialvideo souhaite améliorer encore le contrôle qualité en temps réel, réduire le gaspillage et accroître l’efficacité de la production. Ces améliorations contribueront à définir de nouvelles normes pour le secteur.
Tu veux améliorer tes opérations grâce à la Vision AI ? Consulte notre dépôt GitHub pour découvrir comment les solutions d’IA d’Ultralytics ont un impact dans des domaines comme l’inspection visuelle automatisée et la vision par ordinateur dans l’industrie manufacturière. Découvre en détail nos modèles YOLO et nos options de licence, puis fais le premier pas vers une automatisation plus intelligente et plus efficace.
Écrit par
Créateur de contenu · Ultralytics
