Ultralytics YOLO 모델을 활용해 Chef Robotics는 생산 라인에서 트레이와 식재료를 매우 정확하게 감지하며, 약 99.5%의 정확도를 달성합니다.
대규모 식품 조립 자동화에는 여러 변수가 작용합니다. 생산 라인에서는 많은 트레이가 이동하고, 식재료는 하루 동안 달라지며, 똑같은 한 숟가락 분량도 없습니다. 이러한 요인으로 인해 일관성을 유지하기가 어렵고, 수작업 조립 공정에서는 감지, 분량 조절, 배치에 문제가 발생할 수 있습니다.
Chef Robotics는 AI와 로봇을 활용해 이러한 문제를 해결합니다. 로보틱스와 컴퓨터 비전 같은 AI 기술을 결합해 로봇이 주변 환경을 보고 이해할 수 있도록 합니다. 예를 들어 Ultralytics YOLO 모델을 트레이 및 식재료 감지와 세그멘테이션에 사용하면, 품목 종류가 다양하고 작업 속도가 빠른 생산 라인에서도 로봇이 1cm 미만의 정밀도로 품목을 집어 배치할 수 있습니다.
로보틱스와 AI를 활용한 식품 생산 확장#
샌프란시스코에 본사를 둔 Chef Robotics는 식품 업계가 증가하는 생산 수요에 대응할 수 있도록 AI 기반 로봇 시스템을 구축합니다. Chef Robotics는 미국에서 110만 개가 넘는 일자리가 채워지지 않는 등 노동력 부족이 가장 심각한 식품 부문에 특히 주력합니다.
이러한 인력 부족은 제조업체가 생산량과 일관성을 유지하기 어렵게 만듭니다. Chef의 로봇은 이러한 문제를 해결하기 위해 머신러닝과 컴퓨터 비전으로 생산 환경을 해석하고 실시간으로 의사결정을 내립니다. 즉, 다양한 식재료, 트레이 유형, 식사 구성을 정확하게 처리할 수 있습니다.
현재 Chef는 북미 12개가 넘는 도시에 시스템을 배포해 식품 생산업체가 대량 생산을 관리하고 수작업 의존도를 낮추며 빠르게 진행되는 생산 라인에서 일관된 품질을 유지하도록 지원합니다.
대규모 식품 조립에서 정밀도가 중요한 이유#
대량으로 식사를 생산하려면 정확성과 속도가 필요하지만 실제 생산 환경에서는 이를 달성하기 어렵습니다. 식재료는 하루 중에도 모습이 달라질 수 있고, 트레이는 밝은 조명 아래에서 투명하거나 반사될 수 있으며, 컨베이어 라인은 빠르게 움직입니다.
이러한 변화가 끊임없이 발생하면 작업자는 배치를 정확히 판단하기 어려우며, 한 교대 근무 동안 같은 동작을 수천 번 반복할 때는 특히 그렇습니다. 그 결과 수작업 조립에서는 분량이 일정하지 않고, 식재료가 간혹 넘치며, 트레이 중량이 목표 범위를 벗어나는 일이 발생합니다.
이로 인해 식품 증량 제공이 늘고 추가 청소가 필요해지며, 제품 외관에도 편차가 생깁니다. 레시피가 자주 바뀌고 제품마다 취급 방법이 다른 다품종 환경에서는 문제가 더욱 커집니다.
그림 1. 수작업 식품 조립 라인의 모습입니다.
기존 자동화 시스템은 이 정도의 변동성을 처리하도록 설계되지 않았습니다. 식재료 변경, 빠른 생산 전환, 다양한 SKU(재고 관리 단위)에 대응하는 데 어려움을 겪습니다. 인력 부족으로 생산 라인을 계속 가동하기가 더욱 어려워지는 상황에서도 많은 생산업체는 여전히 수작업에 크게 의존합니다.
예를 들어 뉴욕주 뉴윈저에 본사를 둔 인도 음식 브랜드이자 공동 제조업체인 Cafe Spice는 이러한 문제를 매일 겪었습니다. 직원들은 식사를 손으로 조립했으며, 분당 약 12개의 트레이를 처리해 수요가 증가할수록 생산량이 제한됐습니다.
또한 두 칸으로 나뉜 트레이는 카레가 밥 칸으로 흘러 들어가지 않도록 정확하게 배치해야 했지만, 수작업 공정과 기존 장비로는 이를 일관되게 유지하기 어려웠습니다. 이러한 제약을 인식한 Cafe Spice는 더 유연하고 안정적인 방안을 찾기 위해 Chef에 의뢰했습니다.
Ultralytics YOLO 모델로 식품 조립 라인 분석#
Chef는 Cafe Spice의 다품종 식사 생산을 자동화하기 위해 트레이를 감지하고 식재료를 식별하며 두 칸 트레이에 필요한 정밀도로 음식을 배치할 수 있는 로봇 AI 시스템을 도입했습니다. 이 시스템의 중심에는 Ultralytics YOLO 모델을 기반으로 구축한 비전 AI 파이프라인이 있습니다.
Ultralytics YOLO 모델은 객체 감지, 방향 경계 상자(OBB) 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 주요 컴퓨터 비전 작업을 지원합니다. 이러한 기능을 통해 Chef의 로봇은 생산 라인을 실시간으로 파악할 수 있습니다.
Cafe Spice는 다양한 SKU를 생산하므로 Ultralytics YOLO 모델은 생산 현장에서 직접 수집한 이미지로 맞춤 학습합니다. 이를 통해 로봇은 실제 공장 환경에서 식재료를 정확히 해석할 수 있습니다.
그림 2. Chef 로봇이 트레이를 인식하고 감지하는 방식(출처)
특히 YOLO는 컨베이어를 따라 이동하는 트레이를 감지하고 각 식재료에 맞는 칸을 식별하는 데 사용됩니다. 객체 감지를 한 단계 발전시킨 OBB 감지를 통해 시스템은 그릇, 투명 인서트, 방향이 계속 바뀌는 트레이 등 다양한 각도로 나타나는 물체를 파악할 수 있습니다.
Ultralytics YOLO 모델을 선택한 이유#
Ultralytics YOLO 모델은 빠르게 움직이는 생산 라인에서 실시간 식품 조립에 필요한 속도와 정확도를 Chef에 제공합니다. 실제 생산 환경에서 Ultralytics YOLO 모델은 약 99.5%의 정확도를 달성했으며, 다양한 트레이, 그릇, 식재료에 대해 1cm 미만의 로봇 배치 정밀도를 보장하는 안정적인 감지 성능을 제공했습니다.
또한 Ultralytics Python 패키지는 이러한 모델을 학습하고 파인 튜닝하며 관리하는 도구를 제공해 엔지니어링 팀이 빠르게 반복 작업을 수행할 수 있도록 합니다. 예를 들어 크로스 플랫폼 배포를 위한 ONNX 등의 내보내기 형식을 지원하므로 Chef 팀은 로봇 시스템 전반에서 모델을 원활하게 변환하고 배포할 수 있습니다.
Chef Robotics와 Ultralytics YOLO, Cafe Spice의 생산량을 두 배로 늘리다#
Ultralytics YOLO 모델을 기반으로 하는 Chef의 AI 로봇 시스템을 통합한 후 Cafe Spice는 생산량, 노동 효율성, 제품 품질 전반에서 즉각적이고 측정 가능한 개선을 확인했습니다. 이전에는 분당 12개의 트레이를 처리하던 생산 라인이 이제 평균 분당 30개를 처리하며, 업데이트된 컨베이어 시스템에서는 최고 분당 40개에 도달합니다. 이는 생산량이 2~3배 증가한 수치입니다.
그림 3. Chef Robotics와 Ultralytics YOLO를 도입한 Cafe Spice의 식사 생산 라인입니다.
노동 생산성도 향상됐습니다. 이전에는 각 생산 라인에 8~10명의 작업자가 필요했지만, Chef의 로봇 도입 후 라인당 작업자 수가 3~4명으로 줄어 노동 생산성이 60% 높아졌습니다. 확보된 인력은 지속적인 인력 부족으로 늘 인원이 모자랐던 다른 부서에 재배치할 수 있었습니다.
마찬가지로 품질과 수율도 크게 향상됐습니다. 자동화 전에는 중량 미달로 인한 불합격을 피하려고 분량을 과다하게 담는 경우가 많아 식품 증량 제공률이 9.19%였습니다. YOLO 기반 감지를 사용하는 로봇이 식재료를 정확히 배치하면서 증량 제공률은 3.05%로 낮아져 67% 감소했습니다. 또한 품질 기준을 충족한 트레이의 비율도 개선되어 로봇 조립 트레이의 91%가 Cafe Spice의 품질 기준을 충족한 반면, 수작업 조립 트레이는 75%였습니다.
대규모 식사 생산을 더 스마트하고 정밀하게#
Chef는 사업을 계속 확장하면서 식품 업계에서 사용되는 다양한 식재료, 트레이, 생산 설비에 AI 기반 시스템을 더욱 유연하게 적용하는 데 주력하고 있습니다. 이러한 노력의 핵심 동력은 사람이 가장 잘하는 일을 할 수 있도록 지원하는 지능형 기계를 만든다는 Chef의 사명입니다. 인식 모델을 개선하고 생산 전환을 간소화하며 다품종 생산에 대한 유연성을 높임으로써, Chef는 경직된 기계보다는 협업하는 팀원처럼 작동하는 자동화 시스템을 구현하고 있습니다.
비전 AI를 알아보고 싶으신가요? 프로젝트에 컴퓨터 비전을 도입하려면 라이선스 옵션을 확인해 보세요. GitHub 리포지토리를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 의료 분야의 AI와 리테일 분야의 컴퓨터 비전을 살펴보세요.
