Ultralytics YOLOモデルを使用することで、Chef Roboticsは生産ライン上のトレーや食材を非常に高い精度で検出し、約99.5%の精度を達成しています。
大規模な食品組立の自動化には、多くの変動要素が伴います。大量のトレーがライン上を移動し、食材は一日を通して変化し、同じ量をすくう場合でもまったく同じになることはありません。こうした要因により一貫性の維持は難しくなり、手作業による組立工程では、検出、分量調整、配置に対応しきれないことがあります。
Chef Roboticsは、AIとロボットによってこれらの課題の解決を支援しています。コンピュータービジョンなどのAI技術とロボット工学を組み合わせることで、Chefはロボットが周囲の環境を認識し、理解できるようにしています。例えば、Ultralytics YOLOモデルはトレーや食材の検出およびセグメンテーションに使用されており、品種が多く高速に稼働する生産ラインで、ロボットが1cm未満の精度で品物をピックアンドプレースできるようにしています。
ロボットとAIによる食品生産のスケールアップ#
サンフランシスコを拠点とするChef Roboticsは、食品業界が増加する生産需要に対応できるよう、AI搭載ロボットシステムを構築しています。同社が食品分野に特化しているのは、米国で最も深刻な労働力不足に直面しており、110万件を超える求人が未充足となっている業界だからです。
この人手不足により、メーカーは生産量と一貫性を維持することが難しくなっています。こうした懸念に対処するため、Chefのロボットは機械学習とコンピュータービジョンを使用して生産環境を解釈し、リアルタイムで判断を下します。簡単に言えば、異なる食材、トレーの種類、食事の形式を正確に扱えるということです。
現在、Chefは北米の12都市を超える地域にシステムを導入しており、食品生産者が大量の生産に対応し、手作業への依存を減らし、高速に稼働するラインで一貫した品質を維持できるよう支援しています。
大規模な食品組立における精度のギャップ#
大規模に食事を生産するには精度とスピードが必要ですが、実際の生産環境ではそれが難しくなります。食材は一日を通して見た目が変化することがあり、明るい照明の下ではトレーが透明または反射性になる場合があり、コンベヤーラインは高速で動きます。
こうした絶え間ない変化により、作業員は配置を正確に判断することが難しくなります。特に、1シフト中に同じ動作を何千回も繰り返す場合はなおさらです。その結果、手作業による組立では、分量のばらつき、時折のこぼれ、目標重量から外れるトレーが生じることがよくあります。
これにより食品の過剰投入が増え、追加の清掃が必要になり、盛り付けのばらつきも生じます。レシピが頻繁に変わり、製品ごとに取り扱い要件が異なる多品種環境では、この課題はさらに厳しくなります。
図1. 手作業による食品組立ラインの様子。
従来の自動化システムは、このレベルの変動性に対応するよう設計されていません。食材の変更、迅速な段取り替え、幅広いSKU（在庫保管単位）に対応することが困難です。人員不足によってラインの稼働維持が難しくなっている一方で、多くの生産者はいまだに手作業に大きく依存しています。
例えば、ニューヨーク州ニューワインザーを拠点とするインド料理ブランド兼共同製造会社のCafe Spiceは、こうした課題に日々直面していました。同社のチームは1分あたり約12枚のトレーを手作業で組み立てており、需要の増加に伴って生産量が制限されていました。
さらに、2つの区画に分かれたトレーでは、カレーが米の区画にこぼれないよう正確に配置する必要がありました。この作業は、手作業の工程や従来型の設備では一貫して維持することが難しいものでした。こうした制約を認識したCafe Spiceは、より柔軟で信頼性の高いアプローチを求めてChefに依頼しました。
Ultralytics YOLOモデルによる食品組立ラインの分析#
Cafe Spiceの多品種な食事の生産を自動化するため、Chefはトレーを検出し、食材を識別し、2区画トレーに必要な精度で食品を配置できるロボットAIシステムを導入しました。このシステムの中核となるのは、Ultralytics YOLOモデルを基盤に構築されたVision AIパイプラインです。
Ultralytics YOLOモデルは、物体検出、回転バウンディングボックス（OBB）検出、インスタンスセグメンテーション、画像分類など、主要なコンピュータービジョンタスクをサポートします。これらの機能により、Chefのロボットは生産ラインの状況をリアルタイムで把握できます。
Cafe Spiceは多くの異なるSKUを生産しているため、Ultralytics YOLOモデルは同社の生産環境から直接収集した画像を使用してカスタムトレーニングされています。これにより、ロボットは実際の工場環境下で食材を解釈できます。
図2. Chefのロボットによるトレーの認識と検出の仕組み（出典）
具体的には、YOLOを使用してコンベヤー上を移動するトレーを検出し、各食材に適した区画を識別します。物体検出をさらに発展させたOBB検出により、ボウル、透明なインサート、向きが変化するトレーなど、さまざまな角度で現れる物品をシステムが認識できるようになります。
なぜUltralytics YOLOモデルを選ぶのか#
Ultralytics YOLOモデルは、高速で動く生産ライン上でリアルタイムに食品を組み立てるために必要な速度と精度をChefに提供します。同社の検証では、Ultralytics YOLOモデルは本番環境で約99.5%の精度を実現しており、さまざまなトレー、ボウル、食材に対して1cm未満のロボット配置に必要な安定した検出を提供しています。
また、Ultralytics Pythonパッケージは、これらのモデルのトレーニング、ファインチューニング、管理に必要なツールを提供するため、エンジニアリングチームは迅速に反復しやすくなります。例えば、クロスプラットフォーム展開向けのONNXなどのエクスポート形式をサポートしており、Chefのチームはロボットシステム全体でモデルをシームレスに変換・展開できます。
Chef RoboticsとUltralytics YOLOがCafe Spiceの生産量を倍増#
Ultralytics YOLOモデルを搭載したChefのAI対応ロボットシステムを統合した後、Cafe Spiceでは生産量、労働効率、製品品質のすべてで、即時かつ測定可能な改善が見られました。従来は1分あたり12枚のトレーを処理していた生産ラインが、現在では平均30枚、更新されたコンベヤーシステムでは最大40枚を処理しています。これは生産量が2～3倍に増加したことを意味します。
図3. Chef RoboticsとUltralytics YOLOによって稼働するCafe Spiceの食事生産ライン。
労働生産性も向上しました。従来は各ラインに8～10人の作業員が必要でしたが、Chefのロボットによってラインあたり3～4人に削減され、労働生産性が60%向上しました。創出された余力により、Cafe Spiceは慢性的な人手不足によって継続的に人員が不足していた他の部門へスタッフを再配置できました。
品質と歩留まりも同様に大きく向上しました。自動化前は、規格未達による不合格を避けるための過剰な分量調整が主な原因となり、食品の過剰投入率は9.19%でした。YOLOベースの検出を使用するロボットが食材を正確に配置した結果、過剰投入率は3.05%に低下し、67%削減されました。さらに、合格率も向上しました。ロボットが組み立てたトレーの91%がCafe Spiceの品質基準を満たしたのに対し、手作業で組み立てたトレーでは75%でした。
大規模な食事生産をよりスマートかつ高精度に#
Chefは事業の拡大を続ける中で、食品業界全体で使用される多種多様な食材、トレー、生産設備に対して、AI搭載システムをさらに適応しやすくすることに注力しています。これらの取り組みの背景にある重要な原動力は、人間が最も得意とすることに取り組めるよう支援する知能機械を構築するというChefの使命です。認識モデルの高度化、段取り替えの簡素化、多品種生産における柔軟性の向上を通じて、Chefは無機質で融通の利かない機械ではなく、協働するチームメイトのように動作する自動化を実現しています。
Vision AIの導入を検討していますか？コンピュータービジョンをプロジェクトに導入するため、当社のライセンスオプションをご覧ください。GitHubリポジトリを訪問し、コミュニティに参加してください。ソリューションページでヘルスケアにおけるAIと小売業におけるコンピュータービジョンをご覧ください。
