Ultralytics YOLO 모델을 사용하여 Chef Robotics는 생산 라인에서 트레이와 식재료를 매우 정확하게 감지하며, 약 99.5%의 정확도를 달성합니다.
대규모 식품 조립 자동화에는 많은 요소가 관여합니다. 많은 트레이가 라인을 따라 이동하고, 식재료는 하루 동안 달라지며, 동일한 스쿱도 완전히 똑같을 수 없습니다. 이러한 요인으로 인해 일관성을 유지하기가 어려워지고, 수작업 조립 공정은 감지, 정량 배분 및 배치 작업에서 어려움을 겪을 수 있습니다.
Chef Robotics는 AI와 로봇을 사용하여 이러한 문제를 해결합니다. Chef는 로보틱스와 컴퓨터 비전 같은 AI 기술을 결합하여 로봇이 주변 환경을 보고 이해할 수 있도록 합니다. 예를 들어, Ultralytics YOLO 모델은 트레이 및 식재료 감지와 세그멘테이션에 사용되며, 이를 통해 로봇은 다양한 제품이 빠르게 생산되는 라인에서 1cm 미만의 정밀도로 물품을 집어 배치할 수 있습니다.
로보틱스와 AI를 활용한 식품 생산 확장#
샌프란시스코에 본사를 둔 Chef Robotics는 식품 업계가 증가하는 생산 수요에 대응할 수 있도록 지원하는 AI 기반 로봇 시스템을 구축합니다. Chef는 미국에서 110만 개가 넘는 일자리가 충원되지 않아 가장 큰 인력 부족에 직면한 식품 부문에 특히 주력합니다.
이러한 인력 부족으로 인해 제조업체는 생산량과 일관성을 유지하기 어려워집니다. Chef 로봇은 이러한 문제를 해결하기 위해 머신 러닝과 컴퓨터 비전을 사용하여 생산 환경을 해석하고 실시간으로 의사 결정을 내립니다. 간단히 말해, 다양한 식재료, 트레이 유형 및 식사 형식을 정확하게 처리할 수 있습니다.
현재 Chef는 북미 12개가 넘는 도시에 시스템을 배포하여 식품 생산업체가 대량의 생산량을 관리하고, 수작업 의존도를 낮추며, 빠르게 운영되는 라인에서 일관된 품질을 유지하도록 지원하고 있습니다.
대규모 식품 조립에서 발생하는 정밀도 격차#
대규모로 식사를 생산하려면 정확도와 속도가 필요하지만, 실제 생산 환경에서는 이를 달성하기가 어렵습니다. 식재료는 하루 동안 외관이 달라질 수 있고, 밝은 조명 아래에서 트레이가 투명하거나 반사성을 띨 수 있으며, 컨베이어 라인은 빠르게 이동합니다.
이러한 지속적인 변화로 인해 작업자는 특히 교대 근무 중 동일한 동작을 수천 번 반복할 때 배치 위치를 정밀하게 판단하기 어렵습니다. 그 결과 수작업 조립에서는 배분량이 일정하지 않거나, 간혹 식재료가 넘치거나, 트레이 중량이 목표 범위를 벗어나는 일이 발생하는 경우가 많습니다.
이로 인해 식품 과다 제공량이 증가하고, 추가 청소가 필요하며, 외관의 변동성이 커집니다. 레시피가 자주 변경되고 제품마다 고유한 취급 요건이 있는 다양한 제품 환경에서는 이러한 문제가 더욱 까다로워집니다.
그림 1. 수작업 식품 조립 라인의 모습입니다.
기존 자동화 시스템은 이러한 수준의 변동성을 고려하여 설계되지 않았습니다. 식재료 변경, 빠른 전환 및 다양한 재고 관리 단위(SKU)에 대응하는 데 어려움을 겪습니다. 인력 부족으로 라인 운영이 점점 어려워지는 상황에서도 많은 생산업체는 여전히 수작업에 크게 의존하고 있습니다.
예를 들어, 뉴욕주 뉴윈저에 기반을 둔 인도 음식 브랜드이자 공동 제조업체인 Cafe Spice는 매일 이러한 문제에 직면했습니다. 이 팀은 분당 약 12개의 트레이를 수작업으로 조립했으며, 수요가 증가함에 따라 생산량이 제한되었습니다.
또한 두 칸으로 나뉜 트레이에는 카레가 밥 칸으로 흘러 들어가는 것을 방지하기 위한 정밀한 배치가 필요했지만, 수작업 공정과 기존 장비로는 이를 일관되게 유지하기 어려운 경우가 많았습니다. 이러한 제약을 인식한 Cafe Spice는 더욱 유연하고 안정적인 방식을 위해 Chef를 선택했습니다.
Ultralytics YOLO 모델을 사용한 식품 조립 라인 분석#
Chef는 Cafe Spice의 다양한 제품이 생산되는 식사 제조 공정을 자동화하기 위해 트레이를 감지하고, 식재료를 식별하며, 두 칸으로 나뉜 트레이에 필요한 정밀도로 식품을 배치할 수 있는 로봇 AI 시스템을 배포했습니다. 이 시스템의 중심에는 Ultralytics YOLO 모델을 기반으로 구축된 Vision AI 파이프라인이 있습니다.
Ultralytics YOLO 모델은 객체 감지, 방향성 바운딩 박스(OBB) 감지, 인스턴스 세그멘테이션 및 이미지 분류와 같은 주요 컴퓨터 비전 작업을 지원합니다. 이러한 기능을 통해 Chef 로봇은 생산 라인을 실시간으로 파악할 수 있습니다.
Cafe Spice는 다양한 재고 관리 단위(SKU)를 생산하므로, Ultralytics YOLO 모델은 생산 환경에서 직접 수집한 이미지로 커스텀 학습됩니다. 이를 통해 로봇은 실제 공장 환경에서 식재료를 해석할 수 있습니다.
그림 2. Chef 로봇이 트레이를 보고 감지하는 방식(출처)
특히 YOLO는 컨베이어를 따라 이동하는 트레이를 감지하고 각 식재료에 맞는 칸을 식별하는 데 사용됩니다. 객체 감지에서 한 단계 더 나아가 OBB 감지를 사용하면 시스템이 다양한 각도로 나타나는 물체를 이해할 수 있으며, 여기에는 그릇, 투명 인서트 및 방향이 변하는 트레이가 포함됩니다.
Ultralytics YOLO 모델을 선택한 이유#
Ultralytics YOLO 모델은 빠르게 움직이는 생산 라인에서 실시간 식품 조립에 필요한 속도와 정확도를 Chef에 제공합니다. Chef는 Ultralytics YOLO 모델이 생산 환경에서 약 99.5%의 정확도를 제공하여 다양한 트레이, 그릇 및 식재료 유형에 대해 1cm 미만의 로봇 배치에 필요한 안정적인 감지를 지원한다는 사실을 확인했습니다.
또한 Ultralytics Python 패키지는 이러한 모델을 학습하고, 파인튜닝하며, 관리할 수 있는 도구를 제공하므로 엔지니어링 팀이 신속하게 반복 작업을 수행할 수 있습니다. 예를 들어, 크로스 플랫폼 배포를 위한 ONNX와 같은 내보내기 형식을 지원하므로 Chef 팀은 로봇 시스템 전반에서 모델을 원활하게 변환하고 배포할 수 있습니다.
Chef Robotics와 Ultralytics YOLO, Cafe Spice의 생산량 두 배로 향상#
Ultralytics YOLO 모델로 구동되는 Chef의 AI 기반 로보틱스 시스템을 통합한 후, Cafe Spice는 생산량, 인력 효율성 및 제품 품질 전반에서 즉각적이고 측정 가능한 개선을 확인했습니다. 이전에는 분당 12개의 트레이를 처리하던 생산 라인이 이제 평균 분당 30개의 트레이를 처리하며, 업데이트된 컨베이어 시스템에서는 최고 분당 40개의 트레이에 도달합니다. 이는 생산량이 2~3배 증가한 것입니다.
그림 3. Chef Robotics와 Ultralytics YOLO로 구동되는 Cafe Spice의 식사 생산 라인입니다.
인력 생산성도 향상되었습니다. 각 라인에는 과거 810명의 작업자가 필요했지만, Chef의 로봇은 라인당 작업자 수를 34명으로 줄여 인력 생산성을 60% 높였습니다. 확보된 인력 여력 덕분에 Cafe Spice는 지속적인 인력 부족으로 인력이 꾸준히 부족했던 다른 영역에 직원을 재배치할 수 있었습니다.
품질과 수율 역시 크게 향상되었습니다. 자동화 이전에는 중량 미달 반품을 피하기 위한 과다 배분이 주된 원인이었던 식품 과다 제공량이 9.19%에 달했습니다. YOLO 기반 감지를 사용하는 로봇이 식재료를 정확하게 배치하면서 과다 제공량은 3.05%로 감소했으며, 이는 67% 감소한 수치입니다. 또한 합격률도 향상되었습니다. 로봇이 조립한 트레이의 91%가 Cafe Spice의 품질 기준을 충족한 반면, 수작업으로 조립한 트레이는 75%에 그쳤습니다.
대규모 식사 생산을 더욱 스마트하고 정밀하게 구현#
Chef는 계속해서 사업을 확장하면서 식품 업계 전반에서 사용되는 다양한 식재료, 트레이 및 생산 환경에 AI 기반 시스템을 더욱 유연하게 적용하는 데 주력하고 있습니다. 이러한 노력의 핵심 동력은 인간이 가장 잘하는 일을 할 수 있도록 지원하는 지능형 기계를 구축한다는 Chef의 사명입니다. Chef는 인식 모델을 고도화하고, 전환 작업을 간소화하며, 다양한 제품이 생산되는 환경에서 유연성을 향상함으로써 견고한 기계라기보다 협업하는 팀원처럼 작동하는 자동화를 구현하고 있습니다.
Vision AI를 살펴보는 데 관심이 있으신가요? 라이선스 옵션을 확인하고 컴퓨터 비전을 프로젝트에 도입해 보세요. GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 헬스케어 분야의 AI와 리테일 분야의 컴퓨터 비전을 살펴보세요.
