Chef RoboticsがUltralytics YOLOを使用して食品の過剰供給を67%削減

大規模な食品組み立ての自動化には、多くの動的な要素が関与します。ライン上を大量のトレイが移動し、食材は一日を通して変化し、一つとして同じ盛り付けは存在しません。これらの要因が整合性の維持を困難にしており、手作業による組み立てでは検出、分量調整、配置の面で課題が生じていました。

Chef Roboticsは、AIとロボット技術によってこれらの課題の解決を支援しています。ロボット工学とコンピュータービジョンのようなAI技術を組み合わせることで、Chefはロボットが周囲の環境を見て理解できるようにしました。例えば、Ultralytics YOLOモデルはトレイや食材の検出とセグメンテーションに使用されており、これによりロボットは多品種かつ高速な製造ライン上で、センチメートル単位以下の精度でアイテムをピック＆プレースすることができます。

Link to this sectionロボット工学とAIを活用した食品製造の拡大#

サンフランシスコを拠点とするChef Roboticsは、食品業界が高まる製造需要に対応できるよう、AI駆動型ロボットシステムを構築しています。彼らが特に食品セクターに注力しているのは、米国において110万人以上の欠員を抱えるなど、この業界が最大の人手不足に直面しているためです。

この人手不足により、メーカーは生産高と整合性を維持することが困難になっています。これらの課題に対処するため、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製造環境を解釈し、リアルタイムで判断を下します。端的に言えば、異なる食材、トレイの種類、食事形式を正確に扱えるということです。

現在、Chefは北米の10以上の都市でシステムを展開しており、食品メーカーが大量の注文を管理し、手作業への依存を減らし、高速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。

Link to this section大規模な食品組み立てにおける精度のギャップ#

大規模な食事の製造には精度と速度が必要ですが、実際の製造環境ではそれが困難です。一日を通して食材の外観が変わる可能性があり、明るい照明の下ではトレイが透明になったり反射したりすることもあり、コンベアラインは高速で移動します。

こうした絶え間ない変化は、作業者が配置を正確に判断することを困難にします。特に、シフトごとに何千回も同じ動作を繰り返す場合はなおさらです。結果として、手作業での組み立てでは分量の不一致、時折のこぼれ、対象重量から外れるトレイの発生を招くことがよくあります。

これは食品の過剰供給（歩留まりロス）を増加させ、追加の清掃を必要とし、盛り付けのばらつきを生じさせます。レシピが頻繁に変更され、製品ごとに固有の取り扱い要件がある多品種環境では、この課題はさらに困難になります。

図1。手作業による食品組み立てラインの様子。

従来の自動化システムは、このようなレベルの変動に対応するように設計されていません。食材の変更、迅速な切り替え、そして広範囲なSKU（在庫管理単位）に対応することに苦労します。人手不足によってラインの稼働維持が困難になっているにもかかわらず、多くの生産者が依然として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ウィンザーを拠点とするインド料理ブランドであり受託製造業者でもあるCafe Spiceは、毎日これらの課題に直面していました。彼らのチームは手作業で1分間に約12トレイのペースで食事を組み立てていましたが、需要の増加に伴い生産高が制限されていました。

また、彼らの2分割トレイには、カレーがライスの部分にこぼれないように正確な盛り付けが必要でした。これは手作業のプロセスや従来の機器では一貫して維持するのが難しいものでした。これらの制約を認識したCafe Spiceは、より柔軟で信頼性の高いアプローチを求めてChefに相談しました。

Link to this sectionUltralytics YOLOモデルを用いた食品組み立てラインの解析#

Cafe Spiceの多品種の食事生産を自動化するため、Chefはトレイを検出し、食材を識別し、2分割トレイ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にあるのが、Ultralytics YOLOモデル上に構築されたVision AIパイプラインです。

Ultralytics YOLO models support key computer vision tasks such as object detection, oriented bounding box (OBB) detection, instance segmentation, and image classification. These capabilities give Chef robots real-time awareness of the production line.

Cafe Spiceは多くの異なるSKUを生産しているため、Ultralytics YOLOモデルは彼らの製造環境から直接収集され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条件下で食材を解釈できるようになります。

図2。Chefロボットがトレイを見て検出する方法（ソース）

特にYOLOは、コンベア上を流れるトレイの検出と、各食材に対する適切な仕切りの特定に使用されます。物体検出をさらに一歩進めて、OBB検出により、システムはボウル、透明なインサート、向きが変わるトレイなど、さまざまな角度で見えるアイテムを理解できるようになります。

Link to this sectionなぜUltralytics YOLOモデルが選ばれるのか#

Ultralytics YOLOモデルは、高速な製造ラインにおいてリアルタイムで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。彼らは、Ultralytics YOLOモデルが製造現場で約99.5%の精度を実現し、さまざまなトレイ、ボウル、食材の種類に対して、センチメートル単位以下のロボット配置に必要な安定した検出を提供することを見出しました。

また、Ultralytics Pythonパッケージは、これらのモデルをトレーニング、微調整、管理するためのツールを提供しており、エンジニアリングチームが迅速に反復を行うことを容易にしています。例えば、クロスプラットフォーム展開のためのONNXのようなエクスポート形式をサポートしているため、Chefのチームはロボットシステム全体でシームレスにモデルを変換および展開することができます。

Link to this sectionChef RoboticsとUltralytics YOLOがCafe Spiceの生産高を倍増#

Ultralytics YOLOモデルによって駆動されるChefのAI対応ロボットシステムを統合した後、Cafe Spiceは生産高、労働効率、製品品質全体にわたって即時かつ測定可能な改善を確認しました。以前は1分間に12トレイで稼働していた製造ラインは、現在では平均30トレイ、更新されたコンベアシステムではピーク時に40トレイに達しています。これは生産高の2〜3倍の増加を意味します。

図3。Chef RoboticsとUltralytics YOLOによって駆動されるCafe Spiceの食事生産ライン。

労働生産性も向上しました。各ラインは従来8〜10名の作業員を必要としていましたが、Chefのロボットがその数をラインあたり3〜4名に削減し、労働生産性が60%向上しました。解放されたリソースにより、Cafe Spiceは継続的な人手不足のために常に人手不足だった他のエリアへスタッフを再配置することができました。

同様に、品質と歩留まりも大幅な向上を見せました。自動化前、重量不足の拒否を避けるための過剰な盛り付けに起因する食品の過剰供給は9.19%でした。YOLOベースの検出を使用して食材を正確に配置するロボットの導入により、過剰供給は3.05%へと67%削減されました。これに加え、合格率も改善し、手作業で組み立てられたトレイの75%に対し、ロボットで組み立てられたトレイの91%がCafe Spiceの品質基準を満たしました。

Link to this section大規模な食事生産をよりスマートかつ精密に#

Chefは拡大を続ける中で、同社のAI駆動型システムを、食品業界全体で使用される多様な食材、トレイ、生産セットアップにさらに適合させ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主な原動力は、人間が本来得意とすることに集中できるようにするためのインテリジェントな機械を構築するというChefのミッションです。認識モデルの向上、切り替えの簡素化、多品種生産への柔軟性の向上を通じて、Chefは硬直的な機械ではなく、協調的な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の活用にご興味がありますか？あなたのプロジェクトにコンピュータービジョンを導入するためのライセンスオプションをご覧ください。GitHubリポジトリにアクセスし、コミュニティにもぜひご参加ください。ヘルスケアにおけるAIおよび小売におけるコンピュータービジョンについてのソリューションページも探索してみてください。