A Chef Robotics decidiu automatizar a montagem de alimentos com grande variedade, um processo desafiante devido à variabilidade dos ingredientes e aos ambientes complexos e muitas vezes difíceis de perceber encontrados nas instalações de produção alimentar.
Ao utilizarYOLO Ultralytics , a Chef Robotics consegue uma deteção altamente precisa de tabuleiros e ingredientes nas linhas de produção, atingindo cerca de 99,5% de precisão.
A automação em grande escala da montagem de alimentos envolve muitas peças móveis. Um grande volume de tabuleiros move-se ao longo da linha, os ingredientes variam ao longo do dia e não há duas colheres exatamente iguais. Esses fatores tornam difícil manter a consistência, e os processos de montagem manual podem ter dificuldades com a deteção, o porcionamento e o posicionamento.
A Chef Robotics ajuda a resolver esses desafios com IA e robôs. Ao combinar robótica com tecnologias de IA, como visão computacional, a Chef permite que os seus robôs vejam e compreendam o ambiente ao seu redor. Por exemplo, YOLO Ultralytics YOLO são usados para detetar e segmentar bandejas e ingredientes, permitindo que os robôs selecionem e coloquem itens com precisão subcentimétrica em linhas de produção de alta variedade e ritmo acelerado.
A Chef Robotics, com sede em São Francisco, constrói sistemas robóticos alimentados por IA para ajudar a indústria alimentar a acompanhar as crescentes demandas de produção. Eles focam especificamente no setor alimentar porque ele enfrenta a maior escassez de mão de obra nos Estados Unidos, com mais de 1,1 milhão de vagas não preenchidas.
Essa escassez dificulta que os fabricantes mantenham a produção e a consistência. Para resolver essas questões, os robôs Chef utilizam aprendizagem automática e visão computacional para interpretar os ambientes de produção e tomar decisões em tempo real. Em termos simples, isso significa que eles podem lidar com diferentes ingredientes, tipos de tabuleiros e formatos de refeições com precisão.
Atualmente, a Chef implantou 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 de produção aceleradas.
Produzir refeições em grande escala requer precisão e rapidez, mas os ambientes de produção reais dificultam isso. Os ingredientes podem ter uma aparência diferente ao longo do dia, as bandejas podem ser transparentes ou refletivas sob luzes brilhantes e as linhas de transporte se movem rapidamente.
Essas mudanças constantes dificultam aos trabalhadores avaliar com precisão o posicionamento, especialmente quando repetem os mesmos movimentos milhares de vezes por turno. Como resultado, a montagem manual muitas vezes leva a porções inconsistentes, derramamentos ocasionais e bandejas que ficam fora dos pesos desejados.
Isso aumenta o desperdício de alimentos, exige limpeza extra e cria variabilidade na apresentação. O desafio torna-se ainda mais exigente em ambientes de alta variedade, onde as receitas mudam frequentemente e cada produto tem os seus próprios requisitos de manuseamento.
Os sistemas de automação tradicionais não são projetados para esse nível de variabilidade. Eles têm dificuldade com mudanças de ingredientes, trocas rápidas e uma ampla variedade de SKUs (unidades de manutenção de estoque). Muitos produtores ainda dependem fortemente do trabalho manual, mesmo com a escassez de mão de obra tornando mais difícil manter as linhas em funcionamento.
Por exemplo, a Cafe Spice, uma marca de comida indiana e cofabricante sediada em New Windsor, Nova Iorque, enfrentava esses desafios diariamente. A sua equipa montava as refeições manualmente a uma velocidade de cerca de doze tabuleiros por minuto, o que limitava a produção à medida que a procura aumentava.
Além disso, as suas bandejas com dois compartimentos exigiam um posicionamento preciso para evitar que o caril se espalhasse na secção do arroz — algo que os processos manuais e os equipamentos convencionais muitas vezes tinham dificuldade em manter de forma consistente. Reconhecendo essas limitações, o Cafe Spice recorreu à Chef para uma abordagem mais flexível e fiável.
Para automatizar a produção de refeições altamente diversificadas do Cafe Spice, o Chef implementou um sistema robótico de IA capaz de detect , identificar ingredientes e colocar os alimentos com a precisão necessária para os tabuleiros de dois compartimentos. No centro deste sistema está um pipeline de IA de visão construído com baseYOLO Ultralytics .
YOLO Ultralytics suportam tarefas essenciais de visão computacional, como deteção de objetos, deteção de caixas delimitadoras orientadas (OBB), segmentação de instâncias e classificação de imagens. Esses recursos proporcionam aos robôs Chef uma percepção em tempo real da linha de produção.
Como a Cafe Spice produz muitos SKUs diferentes,YOLO Ultralytics são treinados de forma personalizada com imagens recolhidas diretamente do seu ambiente de produção. Isso ajuda os robôs a interpretar os ingredientes em condições reais de fábrica.
Em particular, YOLO usado para detect à medida que elas se movem pela esteira transportadora e identificar o compartimento correto para cada ingrediente. Levando a deteção de objetos um passo adiante, a deteção OBB permite que o sistema compreenda itens que aparecem em diferentes ângulos, incluindo tigelas, inserções transparentes e bandejas com orientações variáveis.
YOLO Ultralytics YOLO proporcionam ao Chef a velocidade e a precisão necessárias para a montagem de alimentos em tempo real em linhas de produção em movimento rápido. Eles descobriram queYOLO Ultralytics YOLO oferecem cerca de 99,5% de precisão na produção, proporcionando as detecções estáveis necessárias para o posicionamento robótico com precisão inferior a um centímetro em diferentes tabuleiros, tigelas e tipos de ingredientes.
Além disso, o Python Ultralytics Python fornece as ferramentas para treinar, ajustar e gerir esses modelos, facilitando a iteração rápida das equipas de engenharia. Por exemplo, ele suporta formatos de exportação como ONNX implementação em várias plataformas, o que permite à equipa da Chef converter e implementar modelos de forma integrada em seus sistemas robóticos.
Após integrar os sistemas robóticos com IA da Chef, impulsionados pelosYOLO Ultralytics , a Cafe Spice observou melhorias imediatas e mensuráveis na produção, eficiência da mão de obra e qualidade do produto. As suas linhas de produção, que antes operavam a 12 tabuleiros por minuto, agora funcionam a uma média de 30 tabuleiros por minuto, com taxas de pico que chegam a 40 tabuleiros por minuto no sistema transportador atualizado. Isso representa um aumento de duas a três vezes na produção.
A produtividade da mão de obra também melhorou. Cada linha exigia historicamente de 8 a 10 trabalhadores, mas os robôs da Chef reduziram esse número para 3 a 4 trabalhadores por linha, resultando num aumento de 60% na produtividade da mão de obra. A capacidade liberada ajudou o Cafe Spice a redistribuir o pessoal para outras áreas que estavam constantemente com falta de pessoal devido à escassez contínua de mão de obra.
Da mesma forma, a qualidade e o rendimento também tiveram ganhos significativos. Antes da automação, o desperdício de alimentos, causado principalmente pelo excesso de porcionamento para evitar rejeições por peso abaixo do normal, era de 9,19%. Com os robôs usando deteção YOLO para colocar os ingredientes com precisão, o desperdício caiu para 3,05%, uma redução de 67%. Além disso, as taxas de aceitação também melhoraram: 91% das bandejas montadas por robôs atenderam aos padrões de qualidade do Cafe Spice, em comparação com 75% das bandejas montadas manualmente.
À medida que a Chef continua a expandir-se, a empresa está focada em tornar os seus sistemas alimentados por IA ainda mais adaptáveis à grande variedade de ingredientes, tabuleiros e configurações de produção utilizados na indústria alimentar. Um dos principais impulsionadores por trás desses esforços é a missão da Chef de construir máquinas inteligentes que capacitem os seres humanos a fazer o que eles fazem de melhor. Ao aprimorar os seus modelos de percepção, simplificar as trocas e aumentar a flexibilidade para a produção de alta variedade, a Chef está a criar uma automação que funciona menos como uma máquina rígida e mais como um colega de equipa colaborativo.
Interessado em explorar a IA de visão? Descubra as nossas opções de licenciamento para trazer a visão computacional para os seus projetos. Visite o nosso repositório GitHub e junte-se à nossa comunidade. Explore a IA na área da saúde e a visão computacional no retalho nas nossas páginas de soluções.
Os modelos Ultralytics YOLO são arquitecturas de visão por computador desenvolvidas para analisar dados visuais de imagens e entradas de vídeo. Estes modelos podem ser treinados para tarefas que incluem a deteção de objectos, a classificação, a estimativa de pose, o seguimento e a segmentação de instânciasYOLO
YOLO11 Ultralytics YOLO11 é a versão mais recente dos nossos modelos de Visão Computacional. Tal como as versões anteriores, suporta todas as tarefas de visão computacional que a comunidade de IA de visão adorou no YOLOv8. O novo YOLO11, no entanto, vem com maior desempenho e precisão, tornando-o uma ferramenta poderosa e o aliado perfeito para os desafios da indústria do mundo real.
O modelo que escolher usar depende dos requisitos específicos do seu projeto. É fundamental ter em conta fatores como desempenho, precisão e necessidades de implementação. Aqui está uma visão geral rápida:
Os repositóriosYOLO Ultralytics , como o YOLOv5 e o YOLO11, são distribuídos sob a licença AGPL-3.0 por defeito. Esta licença aprovada pela OSI foi concebida para estudantes, investigadores e entusiastas, promovendo a colaboração aberta e exigindo que qualquer software que utilize componentes AGPL-3.0 seja também de fonte aberta. Embora assegure a transparência e promova a inovação, pode não se alinhar com casos de utilização comercial.
Se o seu projeto envolver a incorporação do software Ultralytics e dos modelos de IA em produtos ou serviços comerciais e pretender contornar os requisitos de código aberto da AGPL-3.0, uma Licença Empresarial é ideal.
Os benefícios da licença Enterprise incluem:
Para garantir uma integração perfeita e evitar as restrições AGPL-3.0 , solicite uma Licença Empresarial Ultralytics usando o formulário fornecido. A nossa equipa ajudá-lo-á a adaptar a licença às suas necessidades específicas.
