Com os modelos Ultralytics YOLO, a Chef Robotics detecta bandejas e ingredientes nas linhas de produção com alta precisão, atingindo cerca de 99,5% de acurácia.
A automação da montagem de alimentos em grande escala envolve muitos elementos em movimento. Um grande volume de bandejas percorre a linha, os ingredientes variam ao longo do dia e nenhuma porção é exatamente igual à outra. Esses fatores dificultam manter a consistência, e os processos de montagem manual podem ter dificuldades com a detecção, 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 a visão computacional, a Chef permite que seus robôs vejam e compreendam o ambiente. Por exemplo, os modelos Ultralytics YOLO são usados para detectar e segmentar bandejas e ingredientes, permitindo que os robôs peguem e posicionem itens com precisão subcentimétrica em linhas de produção rápidas e com grande variedade de produtos.
Ampliando a produção de alimentos com robótica e IA#
Com sede em San Francisco, a Chef Robotics desenvolve sistemas robóticos com IA para ajudar o setor alimentício a acompanhar a crescente demanda de produção. A empresa se concentra especificamente nesse setor porque ele enfrenta a maior escassez de mão de obra dos Estados Unidos, com mais de 1,1 milhão de vagas não preenchidas.
Essa escassez dificulta que os fabricantes mantenham o volume de produção e a consistência. Para enfrentar esses desafios, os robôs da Chef usam aprendizado de máquina e visão computacional para interpretar os ambientes de produção e tomar decisões em tempo real. Em termos simples, isso significa que conseguem lidar com diferentes ingredientes, tipos de bandeja e formatos de refeição com precisão.
Atualmente, a Chef implantou seus sistemas em mais de uma dúzia de cidades da América do Norte, ajudando produtores de alimentos a gerenciar grandes volumes, reduzir a dependência do trabalho manual e manter a qualidade consistente em linhas de produção rápidas.
A diferença de precisão na montagem de alimentos em grande escala#
Produzir refeições em grande escala exige precisão e velocidade, mas os ambientes de produção reais tornam isso difícil. Os ingredientes podem ter aparência diferente ao longo do dia, as bandejas podem ser transparentes ou refletir a luz intensa, e as esteiras se movem rapidamente.
Essas mudanças constantes dificultam que os trabalhadores avaliem o posicionamento com precisão, sobretudo quando repetem os mesmos movimentos milhares de vezes por turno. Como resultado, a montagem manual costuma gerar porções inconsistentes, derramamentos ocasionais e bandejas fora do peso desejado.
Isso aumenta o desperdício de alimentos, exige limpeza adicional e gera variações na apresentação. O desafio se torna ainda maior em ambientes com grande variedade de produtos, onde as receitas mudam com frequência e cada produto tem requisitos próprios de manuseio.
Fig. 1. Uma visão das linhas de montagem manual de alimentos.
Os sistemas de automação tradicionais não foram projetados para lidar com esse nível de variabilidade. Eles têm dificuldades com mudanças de ingredientes, trocas rápidas de linha e uma ampla variedade de unidades de manutenção de estoque (SKU). Muitos produtores ainda dependem bastante do trabalho manual, mesmo com a escassez de funcionários tornando mais difícil manter as linhas em funcionamento.
Por exemplo, a Cafe Spice, uma marca de comida indiana e fabricante contratado com sede em New Windsor, NY, enfrentava esses desafios diariamente. Sua equipe montava as refeições à mão, a uma velocidade de cerca de doze bandejas por minuto, o que limitava a produção à medida que a demanda aumentava.
Além disso, as bandejas com dois compartimentos exigiam um posicionamento preciso para evitar que o curry derramasse na seção do arroz — algo que os processos manuais e os equipamentos convencionais muitas vezes não conseguiam manter de forma consistente. Reconhecendo essas limitações, a Cafe Spice recorreu à Chef em busca de uma abordagem mais flexível e confiável.
Usando os modelos Ultralytics YOLO para analisar linhas de montagem de alimentos#
Para automatizar a produção de refeições variadas da Cafe Spice, a Chef implantou um sistema robótico com IA capaz de detectar bandejas, identificar ingredientes e posicionar alimentos com a precisão exigida pelas bandejas de dois compartimentos. No centro desse sistema está um pipeline de IA de visão baseado nos modelos Ultralytics YOLO.
Os modelos Ultralytics YOLO oferecem suporte a tarefas essenciais de visão computacional, como detecção de objetos, detecção de caixas delimitadoras orientadas (OBB), segmentação de instâncias e classificação de imagens. Esses recursos proporcionam aos robôs da Chef uma percepção em tempo real da linha de produção.
Como a Cafe Spice produz muitos SKUs diferentes, os modelos Ultralytics YOLO são treinados de forma personalizada com imagens coletadas diretamente no ambiente de produção da empresa. Isso ajuda os robôs a interpretar os ingredientes em condições reais de fábrica.
Fig. 2. Como o robô da Chef vê e detecta bandejas (Fonte)
Em particular, YOLO é usado para detectar bandejas à medida que avançam pela esteira e identificar o compartimento correto para cada ingrediente. Indo além da detecção de objetos, a detecção OBB permite que o sistema compreenda itens que aparecem em ângulos diferentes, incluindo tigelas, divisórias transparentes e bandejas em várias orientações.
Por que escolher os modelos Ultralytics YOLO?#
Os modelos Ultralytics YOLO oferecem à Chef a velocidade e a precisão necessárias para a montagem de alimentos em tempo real em linhas de produção rápidas. A empresa constatou que os modelos Ultralytics YOLO atingem cerca de 99,5% de acurácia na produção, proporcionando as detecções estáveis necessárias para o posicionamento robótico subcentimétrico em diferentes bandejas, tigelas e tipos de ingrediente.
Além disso, o pacote Python Ultralytics oferece as ferramentas para treinar, ajustar e gerenciar esses modelos, facilitando a iteração rápida pelas equipes de engenharia. Por exemplo, o pacote oferece suporte a formatos de exportação como ONNX para implantação multiplataforma, permitindo que a equipe da Chef converta e implante modelos facilmente em seus sistemas robóticos.
Chef Robotics e Ultralytics YOLO dobram a produção da Cafe Spice#
Após integrar os sistemas robóticos com IA da Chef, impulsionados pelos modelos Ultralytics YOLO, a Cafe Spice observou melhorias imediatas e mensuráveis no volume de produção, na eficiência da mão de obra e na qualidade dos produtos. Suas linhas de produção, que antes operavam a 12 bandejas por minuto, agora processam em média 30 bandejas por minuto, com picos de 40 bandejas por minuto no sistema de esteiras atualizado. Isso representa um aumento de duas a três vezes no volume de produção.
Fig. 3. A linha de produção de refeições da Cafe Spice, impulsionada pela Chef Robotics e pelo Ultralytics YOLO.
A produtividade da mão de obra também melhorou. Antes, cada linha precisava de 8 a 10 funcionários, mas os robôs da Chef reduziram esse número para 3 a 4 por linha, resultando em um aumento de 60% na produtividade da mão de obra. A capacidade liberada ajudou a Cafe Spice a realocar funcionários para outras áreas que sofriam continuamente com falta de pessoal devido à escassez de mão de obra.
A qualidade e o rendimento também melhoraram significativamente. Antes da automação, o desperdício de alimentos, causado em grande parte por porções excessivas para evitar rejeições por peso abaixo do mínimo, era de 9,19%. Com os robôs usando detecção baseada em YOLO para posicionar os ingredientes com precisão, o desperdício caiu para 3,05%, uma redução de 67%. Além disso, as taxas de aprovação também melhoraram: 91% das bandejas montadas pelos robôs atenderam aos padrões de qualidade da Cafe Spice, em comparação com 75% das bandejas montadas manualmente.
Tornando a produção de refeições em grande escala mais inteligente e precisa#
À medida que a Chef continua a crescer, a empresa se concentra em tornar seus sistemas com IA ainda mais adaptáveis à grande variedade de ingredientes, bandejas e configurações de produção usadas no setor alimentício. Um dos principais motores desses esforços é a missão da Chef de criar máquinas inteligentes que permitam às pessoas fazer o que fazem de melhor. Ao aprimorar seus modelos de percepção, simplificar as trocas de linha e aumentar a flexibilidade para produções variadas, a Chef está criando uma automação que funciona menos como uma máquina rígida e mais como um colega de equipe colaborativo.
Quer explorar a IA de visão? Conheça nossas opções de licenciamento para incorporar visão computacional aos seus projetos. Acesse nosso repositório no GitHub e participe da nossa comunidade. Explore IA na área da saúde e visão computacional no varejo nas nossas páginas de soluções.
