셰프 로보틱스는 정밀한 식품 조립을YOLO Ultralytics YOLO 활용합니다

대규모 식품 조립 자동화에는 수많은 변수가 존재합니다. 대량의 트레이가 라인을 따라 이동하고, 재료는 하루 종일 변동하며, 똑같은 스쿱은 단 하나도 없습니다. 이러한 요소들로 인해 일관성 유지가 어려워지며, 수동 조립 공정에서는 감지, 분량 조절, 배치 작업에 어려움을 겪을 수 있습니다.

셰프 로보틱스는 인공지능과 로봇을 통해 이러한 과제를 해결합니다. 컴퓨터 비전과 같은 인공지능 기술을 로봇공학과 결합함으로써, 셰프는 로봇이 주변 환경을 인식하고 이해할 수 있도록 합니다. 예를 들어, Ultralytics YOLO 활용해 쟁반과 재료를 감지하고 분할함으로써, 로봇이 다양한 품목이 혼재된 고속 생산 라인에서 1cm 미만의 정밀도로 물품을 집어 올리고 배치할 수 있게 합니다.

로봇공학과 인공지능을 활용한 식품 생산 확대

샌프란시스코에 본사를 둔 셰프 로보틱스는 식품 산업이 증가하는 생산 수요를 따라잡을 수 있도록 지원하는 인공지능 기반 로봇 시스템을 구축합니다. 이 회사는 특히 식품 분야에 집중하는데, 이는 미국에서 가장 심각한 노동력 부족을 겪고 있으며 110만 개 이상의 일자리가 채워지지 않은 상태이기 때문입니다. 

이러한 부족 현상으로 제조업체들은 생산량과 일관성을 유지하기 어렵습니다. 이러한 문제를 해결하기 위해 셰프 로봇은 머신 러닝과 컴퓨터 비전을 활용해 생산 환경을 해석하고 실시간으로 의사결정을 내립니다. 간단히 말해, 다양한 재료, 트레이 유형, 식사 형태를 정확하게 처리할 수 있다는 의미입니다. 

오늘날 Chef는 북미 지역 10여 개 이상의 도시에 시스템을 구축하여 식품 생산 업체들이 대량 생산을 관리하고, 인력 의존도를 낮추며, 빠르게 돌아가는 생산 라인에서 일관된 품질을 유지할 수 있도록 지원하고 있습니다.

대규모 식품 조립 공정에서의 정밀도 격차

대량으로 식사를 생산하려면 정확성과 속도가 필요하지만, 실제 생산 환경에서는 이를 달성하기 어렵습니다. 재료는 하루 중 시간대에 따라 다르게 보일 수 있으며, 밝은 조명 아래에서는 트레이가 투명하거나 반사될 수 있고, 컨베이어 라인은 빠르게 움직입니다. 

이러한 지속적인 변화로 인해 작업자들은 특히 한 교대 근무 동안 동일한 동작을 수천 번 반복할 때 정확한 위치를 판단하기 어렵습니다. 그 결과 수동 조립은 종종 불규칙한 분량, 가끔 발생하는 넘침 현상, 그리고 목표 중량을 벗어난 트레이로 이어집니다. 

이로 인해 음식 낭비가 증가하고 추가적인 청소가 필요하며, 제공 방식에 변동성이 발생합니다. 레시피가 자주 변경되고 각 제품마다 별도의 취급 요건이 있는 고혼합 환경에서는 이 문제가 더욱 까다로워집니다.

‍

기존 자동화 시스템은 이 정도의 변동성을 감당하도록 설계되지 않았습니다. 원료 변경, 신속한 전환 작업, 다양한 SKU(재고 관리 단위)에 어려움을 겪습니다. 인력 부족으로 생산 라인 가동이 점점 더 어려워지고 있음에도 불구하고, 많은 제조업체들은 여전히 수작업에 크게 의존하고 있습니다.

예를 들어, 뉴욕주 뉴윈저에 본사를 둔 인도 음식 브랜드이자 공동 제조업체인 카페 스파이스는 매일 이러한 문제에 직면했습니다. 그들의 팀은 분당 약 12개의 트레이로 식사를 수작업으로 조립했는데, 이는 수요가 증가함에 따라 생산량을 제한했습니다. 

또한, 그들의 2칸 트레이는 카레가 밥 구역으로 넘치지 않도록 정밀한 배치가 필요했는데, 이는 수작업과 기존 장비로는 일관되게 유지하기 어려운 부분이었습니다. 이러한 제약점을 인지한 카페 스파이스는 보다 유연하고 신뢰할 수 있는 접근법을 위해 셰프(Chef)를 선택했습니다.

Ultralytics YOLO 활용한 식품 조립 라인 분석

카페 스파이스의 다양한 메뉴 생산을 자동화하기 위해 셰프는 detect , 재료 식별, 이중 구획 트레이에 필요한 정밀도로 음식 배치 기능을 갖춘 로봇 AI 시스템을 도입했습니다. 이 시스템의 핵심은 Ultralytics YOLO 기반으로 구축된 비전 AI 파이프라인입니다. 

Ultralytics YOLO 객체 탐지, 방향성 바운딩 박스(OBB) 탐지, 인스턴스 분할, 이미지 분류 등 주요 컴퓨터 비전 작업을 지원합니다. 이러한 기능은 Chef 로봇이 생산 라인을 실시간으로 인지할 수 있게 합니다. 

카페 스파이스는 다양한 SKU를 생산하므로, Ultralytics YOLO 생산 환경에서 직접 수집한 이미지로 맞춤형 훈련됩니다. 이를 통해 로봇이 실제 공장 환경에서 재료를 해석하는 데 도움이 됩니다.

‍

특히 YOLO 컨베이어를 따라 이동하는 detect 각 재료에 맞는 올바른 구획을 식별하는 데 YOLO . 물체 감지를 한 단계 발전시킨 OBB 감지 기술은 그릇, 투명 삽입물, 방향이 변하는 트레이 등 다양한 각도로 나타나는 물품들을 시스템이 이해할 수 있게 합니다. 

Ultralytics YOLO 모델을 선택하는 이유는 무엇인가요?

Ultralytics YOLO 빠르게 움직이는 생산 라인에서 실시간 음식 조립에 필요한 속도와 정확도를 셰프에게 제공합니다. 생산 현장에서 Ultralytics YOLO 약 99.5%의 정확도를 구현하여 다양한 트레이, 그릇, 재료 유형에 걸쳐 센티미터 미만의 정밀한 로봇 배치를 위한 안정적인 감지 성능을 제공한다는 사실이 확인되었습니다.

또한 Ultralytics Python 이러한 모델을 훈련, 미세 조정 및 관리하는 도구를 제공하여 엔지니어링 팀이 신속하게 반복 작업을 수행할 수 있도록 합니다. 예를 들어, 크로스 플랫폼 배포를 ONNX 같은 내보내기 형식을 지원하여 Chef 팀이 로봇 시스템 전반에 걸쳐 모델을 원활하게 변환하고 배포할 수 있게 합니다.

셰프 로보틱스와 Ultralytics YOLO 카페 스파이스의 생산량을YOLO

YOLO 구동되는 셰프(Chef)의 AI 기반 로봇 시스템을 통합한 후, 카페 스파이스(Cafe Spice)는 생산량, 노동 효율성, 제품 품질 전반에 걸쳐 즉각적이고 가시적인 개선 효과를 확인했습니다. 기존에 분당 12개의 트레이를 처리하던 생산 라인은 업데이트된 컨베이어 시스템을 통해 현재 분당 평균 30개, 최대 분당 40개의 트레이를 처리합니다. 이는 생산량이 2~3배 증가한 것을 의미합니다.

‍

노동 생산성도 향상되었습니다. 기존에는 각 라인당 8~10명의 작업자가 필요했으나, 셰프의 로봇 도입으로 라인당 3~4명으로 인원이 감소하여 노동 생산성이 60% 증가했습니다. 이로 인해 확보된 인력으로 카페 스파이스는 지속적인 인력 부족으로 항상 인원이 부족했던 다른 부서에 직원을 재배치할 수 있었습니다.

마찬가지로 품질과 수율도 크게 향상되었습니다. 자동화 이전에는 중량 미달 불량품을 방지하기 위한 과다 분량으로 인해 발생하는 식품 폐기율이 9.19%에 달했습니다. 로봇이 YOLO 기반 검출 기술을 활용해 재료를 정확히 배치함에 따라 폐기율은 3.05%로 67% 감소했습니다. 또한 합격률도 개선되어: 로봇 조립 트레이의 91%가 카페 스파이스의 품질 기준을 충족한 반면, 수동 조립 트레이는 75%에 그쳤습니다.

대규모 식사 생산을 더 스마트하고 정밀하게

셰프가 지속적으로 확장함에 따라, 회사는 식품 산업 전반에서 사용되는 다양한 재료, 트레이 및 생산 설정에 AI 기반 시스템을 더욱 유연하게 적용하는 데 주력하고 있습니다. 이러한 노력의 핵심 동력은 인간이 가장 잘하는 일을 할 수 있도록 지원하는 지능형 기계 구축이라는 셰프의 사명입니다. 인식 모델을 발전시키고, 전환 작업을 간소화하며, 다품종 생산을 위한 유연성을 강화함으로써 셰프는 경직된 기계라기보다 협력적인 팀원처럼 작동하는 자동화 시스템을 구축하고 있습니다.

비전 AI를 탐구해보고 싶으신가요? 프로젝트에 컴퓨터 비전을 도입할 수 있는 라이선스 옵션을 확인해 보세요. GitHub 저장소를 방문하고 커뮤니티에 참여하세요. 솔루션 페이지에서 의료 분야의 AI와 소매업의 컴퓨터 비전을 살펴보세요.