Ao usar modelos Ultralytics YOLO, a Chef Robotics consegue detetar com elevada precisão tabuleiros e ingredientes nas linhas de produção, atingindo cerca de 99,5% de precisão.
A automatização da montagem de alimentos em grande escala envolve muitas partes móveis. Um grande volume de tabuleiros percorre a linha, os ingredientes variam ao longo do dia e não há duas porções exatamente iguais. Estes fatores dificultam a manutenção da consistência, e os processos de montagem manual podem ter dificuldades na deteção, no porcionamento e na colocação.
A Chef Robotics ajuda a resolver estes desafios com IA e robôs. Ao combinar robótica com tecnologias de IA, como a visão computacional, a Chef permite que os seus robôs vejam e compreendam o ambiente envolvente. Por exemplo, os modelos Ultralytics YOLO são usados para a deteção e segmentação de tabuleiros e ingredientes, permitindo que os robôs recolham e coloquem itens com uma precisão inferior a um centímetro em linhas de produção rápidas e com elevada variedade de produtos.
Aumentar a produção alimentar com robótica e IA#
A Chef Robotics, sediada em São Francisco, desenvolve sistemas robóticos alimentados por IA para ajudar a indústria alimentar a acompanhar o crescimento da procura de produção. A empresa concentra-se especificamente no setor alimentar porque este enfrenta a maior escassez de mão de obra nos Estados Unidos, com mais de 1,1 milhões de postos de trabalho por preencher.
Esta escassez dificulta a manutenção do volume de produção e da consistência por parte dos fabricantes. Para responder a estas preocupações, os robôs da Chef utilizam machine learning e visão computacional para interpretar os ambientes de produção e tomar decisões em tempo real. Em termos simples, isto significa que conseguem lidar com diferentes ingredientes, tipos de tabuleiros e formatos de refeições com precisão.
Atualmente, a Chef implementou os seus sistemas em mais de uma dúzia de cidades na América do Norte, ajudando os produtores de alimentos a gerir grandes volumes, reduzir a dependência do trabalho manual e manter uma qualidade consistente em linhas rápidas.
A lacuna de precisão na montagem de alimentos em grande escala#
Produzir refeições em grande escala exige precisão e rapidez, mas os ambientes de produção reais tornam isso difícil. Os ingredientes podem ter um aspeto diferente ao longo do dia, os tabuleiros podem ser transparentes ou refletir a luz intensa e as linhas transportadoras movem-se rapidamente.
Estas mudanças constantes dificultam a avaliação precisa da colocação por parte dos trabalhadores, especialmente quando repetem os mesmos movimentos milhares de vezes por turno. Como resultado, a montagem manual conduz frequentemente a porções inconsistentes, derrames ocasionais e tabuleiros fora dos pesos-alvo.
Isto aumenta o excesso de produto, exige limpeza adicional e cria variabilidade na apresentação. O desafio torna-se ainda maior em ambientes com elevada variedade de produtos, onde as receitas mudam frequentemente e cada produto tem os seus próprios requisitos de manuseamento.
Fig. 1. Um olhar sobre as linhas de montagem manual de alimentos.
Os sistemas de automatização tradicionais não foram concebidos para este nível de variabilidade. Têm dificuldades com alterações de ingredientes, mudanças rápidas e uma ampla gama de SKUs (unidades de manutenção de stock). Muitos produtores continuam a depender fortemente do trabalho manual, mesmo quando a escassez de pessoal torna mais difícil manter as linhas em funcionamento.
Por exemplo, a Cafe Spice, uma marca de comida indiana e fabricante contratado sediada em New Windsor, NY, enfrentava estes desafios diariamente. A sua equipa montava as refeições manualmente a cerca de doze tabuleiros por minuto, o que limitava a produção à medida que a procura aumentava.
Além disso, os seus tabuleiros com dois compartimentos exigiam uma colocação precisa para evitar que o caril derramasse para a secção do arroz — algo que os processos manuais e os equipamentos convencionais frequentemente tinham dificuldade em manter de forma consistente. Ao reconhecer estas limitações, a Cafe Spice recorreu à Chef para obter uma abordagem mais flexível e fiável.
Utilizar modelos Ultralytics YOLO para analisar linhas de montagem de alimentos#
Para automatizar a produção de refeições com elevada variedade da Cafe Spice, a Chef implementou um sistema robótico de IA capaz de detetar tabuleiros, identificar ingredientes e colocar alimentos com a precisão necessária para os seus tabuleiros com dois compartimentos. No centro deste sistema está um pipeline de Vision AI baseado em modelos Ultralytics YOLO.
Os modelos Ultralytics YOLO suportam tarefas essenciais de visão computacional, como deteção de objetos, deteção de caixas delimitadoras orientadas (OBB), segmentação de instâncias e classificação de imagens. Estas capacidades proporcionam aos robôs da Chef uma perceção da linha de produção em tempo real.
Como a Cafe Spice produz muitos SKUs, os modelos Ultralytics YOLO são treinados à medida com imagens recolhidas diretamente do seu ambiente de produção. Isto ajuda os robôs a interpretar os ingredientes em condições reais de fábrica.
Fig. 2. Como o robô da Chef vê e deteta os tabuleiros (Fonte)
Em particular, o YOLO é utilizado para detetar os tabuleiros à medida que avançam pelo transportador e identificar o compartimento correto para cada ingrediente. Indo além da deteção de objetos, a deteção OBB permite que o sistema compreenda itens que aparecem em diferentes ângulos, incluindo taças, recipientes transparentes e tabuleiros com orientações variáveis.
Porquê escolher os modelos Ultralytics YOLO?#
Os modelos Ultralytics YOLO proporcionam à Chef a velocidade e a precisão necessárias para a montagem de alimentos em tempo real em linhas de produção rápidas. A empresa descobriu que os modelos Ultralytics YOLO oferecem cerca de 99,5% de precisão em produção, fornecendo as deteções estáveis necessárias para a colocação robótica inferior a um centímetro em diferentes tabuleiros, taças e tipos de ingredientes.
Além disso, o pacote Python da Ultralytics fornece as ferramentas para treinar, ajustar e gerir estes modelos, facilitando a iteração rápida por parte das equipas de engenharia. Por exemplo, suporta formatos de exportação como ONNX para implementação multiplataforma, permitindo que a equipa da Chef converta e implemente modelos sem problemas nos seus sistemas robóticos.
A Chef Robotics e o Ultralytics YOLO duplicam a produção da Cafe Spice#
Após integrar os sistemas robóticos com IA da Chef, alimentados por modelos Ultralytics YOLO, a Cafe Spice registou melhorias imediatas e mensuráveis na produção, na eficiência do trabalho e na qualidade dos produtos. As suas linhas de produção, que anteriormente funcionavam a 12 tabuleiros por minuto, funcionam agora a uma média de 30 tabuleiros por minuto, com taxas máximas de 40 tabuleiros por minuto no sistema de transporte atualizado. Isto representa um aumento de duas a três vezes na produção.
Fig. 3. A linha de produção de refeições da Cafe Spice, alimentada pela Chef Robotics e pelo Ultralytics YOLO.
A produtividade do trabalho também melhorou. Historicamente, cada linha exigia 8–10 trabalhadores, mas os robôs da Chef reduziram esse número para 3–4 trabalhadores por linha, resultando num aumento de 60% na produtividade do trabalho. A capacidade libertada ajudou a Cafe Spice a redistribuir pessoal para outras áreas que sofriam consistentemente de falta de pessoal devido à escassez contínua de mão de obra.
A qualidade e o rendimento também registaram ganhos significativos. Antes da automatização, o excesso de produto, causado em grande parte pelo porcionamento excessivo para evitar rejeições por peso insuficiente, era de 9,19%. Com robôs que utilizam deteção baseada em YOLO para colocar os ingredientes com precisão, o excesso caiu para 3,05%, uma redução de 67%. Além disso, as taxas de aceitação também melhoraram: 91% dos tabuleiros montados por robôs cumpriam os padrões de qualidade da Cafe Spice, em comparação com 75% dos tabuleiros montados manualmente.
Tornar a produção de refeições em grande escala mais inteligente e precisa#
À medida que a Chef continua a expandir-se, a empresa concentra-se em tornar os seus sistemas alimentados por IA ainda mais adaptáveis à ampla variedade de ingredientes, tabuleiros e configurações de produção utilizadas em toda a indústria alimentar. Um fator essencial por trás destes esforços é a missão da Chef de criar máquinas inteligentes que capacitem as pessoas a fazer aquilo que fazem melhor. Ao melhorar os seus modelos de perceção, simplificar as mudanças e aumentar a flexibilidade para a produção com elevada variedade, a Chef está a criar uma automatização que funciona menos como uma máquina rígida e mais como um colega de equipa colaborativo.
Queres explorar a Vision AI? Descobre as nossas opções de licenciamento para levar a visão computacional aos teus projetos. Visita o nosso repositório no GitHub e junta-te à nossa comunidade. Explora a IA na área da saúde e a visão computacional no retalho nas nossas páginas de soluções.
