A Specialvideo estava tentando construir um processo de controle de qualidade confiável e de alta velocidade para fabricantes de pizza, porque as inspeções humanas não conseguiam acompanhar a produção de uma pizza a cada 600ms.
Ao integrar os modelos YOLO da Ultralytics, o sistema de inspeção de alimentos por IA da Specialvideo aumentou a precisão da detecção para mais de 95% e reduziu o tempo de inspeção para menos de 250ms por pizza.
Os fabricantes de pizza geralmente precisam produzir produtos visualmente atraentes e de alta qualidade em alta velocidade, mas inspecionar manualmente a cobertura de cada pizza pode ser demorado. A Specialvideo aproveita uma abordagem orientada por visão de IA para detectar e contar ingredientes em tempo real, tornando possível para os produtores manter os padrões da receita, reduzir o desperdício e manter as operações tranquilas.
Ao testar várias soluções de visão, a Specialvideo descobriu que certas técnicas, como a segmentação semântica, tinham dificuldades com coberturas sobrepostas ou ocultas. Ao usar os modelos YOLO da Ultralytics, eles conseguiram superar esses obstáculos e desenvolver um sistema de controle de qualidade confiável e de alta precisão, alimentado por IA, que identifica, conta e verifica as coberturas em tempo real. Isso garante uma qualidade consistente sem sacrificar a velocidade de produção.
Fundada em 1993 em Imola, Itália, a Specialvideo conta com mais de 30 anos de experiência no design de sistemas avançados de visão computacional para orientação de robôs, inspeção automatizada e detecção de defeitos. Sua experiência também se estende à visão computacional na indústria alimentícia.
Em particular, eles desenvolveram um sistema de inspeção de alimentos com Visão Computacional que usa segmentação de instâncias para otimizar a produção de pizza. Ao tratar cada cobertura como um objeto distinto, o sistema pode detectar, segmentar e contar com precisão os ingredientes em tempo real. Ele aborda questões como oclusões (onde um ingrediente é parcialmente coberto por outro) e detecções duplas (onde o sistema identifica duas instâncias de um ingrediente quando há apenas uma). Ao identificar erros de colocação (ou seja, coberturas desequilibradas), os fabricantes podem ajustar os parâmetros de produção de acordo.
O modelo foi projetado para acomodar facilmente novos ingredientes e pode ser retreinado sem uma revisão completa.
Além disso, o sistema pode verificar a forma, verificar a conformidade das cores e detectar potenciais contaminantes, garantindo que cada produto atenda aos altos padrões de segurança e qualidade.
Os fabricantes de pizza geralmente operam em velocidades incrivelmente altas, produzindo uma nova pizza a cada 600 milissegundos. Nesse ritmo, é muito difícil para os inspetores humanos acompanharem, tornando um desafio monitorar a cobertura e detectar quaisquer defeitos com precisão.
Além disso, ingredientes sobrepostos, como salame e cogumelos, podem obscurecer uns aos outros, o que às vezes leva a pizzas com coberturas faltando ou em excesso, distribuições incorretas ou quantidades inconsistentes. Isso não apenas interrompe a uniformidade do produto, mas também prejudica a reputação da marca quando os clientes recebem pizzas que não correspondem às suas expectativas.
Ao mesmo tempo, estes problemas aumentam os custos operacionais através de taxas de sucata mais elevadas e desperdício de recursos. Para além destes problemas, os inspetores humanos podem ficar fatigados durante longos turnos, fazendo com que a sua atenção diminua e aumentando o risco de erros.
Reconhecendo essas armadilhas, muitos fabricantes estão agora adotando sistemas de controle de qualidade habilitados para visão computacional e sistemas automatizados de inspeção de alimentos. Esses sistemas inovadores fornecem supervisão em tempo real e ajudam a reduzir erros humanos, ao mesmo tempo em que apoiam resultados de alta qualidade.
A solução de Visão de IA da Specialvideo usa o suporte de segmentação de instâncias dos modelos YOLO da Ultralytics para inspecionar cada pizza em tempo real, de modo que apenas produtos de qualidade cheguem aos consumidores. Ela conta e mede com precisão os ingredientes, comparando cada pizza com sua receita, detectando rapidamente ingredientes ausentes ou extras, distribuições desiguais e quantidades inconsistentes.
Quando uma pizza defeituosa é detectada - seja devido a coberturas desalinhadas, quantidades incorretas de ingredientes ou contaminantes como plástico azul - o sistema a desvia automaticamente para uma linha de descarte.
Para manter a precisão após a implementação, a Specialvideo expande continuamente seu conjunto de dados, refina a precisão da rotulagem e retreina o YOLO regularmente. Eles usam aumento de dados durante o treinamento para evitar overfitting e ajudar o modelo a generalizar a partir de um número limitado de amostras. Além disso, 10% das imagens de treinamento apresentam pizzas Margherita para fornecer um contexto de fundo útil, o que ajuda a rede a lidar com variações, mesmo dentro do mesmo tipo de ingrediente, como diferentes tipos de salame.
Além disso, para tornar o processo de retreinamento ainda mais eficiente, a Specialvideo implementou um fluxo de trabalho para novos ingredientes de pizza. Este fluxo de trabalho utiliza o YOLO para acelerar a rotulagem de novas imagens, reduzindo a necessidade de supervisão humana à medida que as variedades de ingredientes evoluem.
A Specialvideo optou por usar os modelos YOLO da Ultralytics porque oferecem um ótimo equilíbrio entre o desempenho do modelo de IA e o custo. Com uma GPU (Unidade de Processamento Gráfico) Nvidia GTX-1660gt, o sistema atinge tempos de inferência de apenas 200 - 250ms, tornando-o rápido o suficiente para lidar com uma linha de produção que produz uma pizza a cada 600ms.
A velocidade de processamento eficiente do YOLO facilita o controle de qualidade em tempo real. No geral, esta abordagem não só agiliza a produção, como também suporta a escalabilidade, tornando-a numa solução robusta para ambientes de fabricação de alimentos de alto volume.
Ao integrar os modelos YOLO da Ultralytics, a solução de inspeção de alimentos por IA da Specialvideo transformou o controle de qualidade na produção de pizza. Treinado em um conjunto de dados robusto de mais de 1.500 imagens, o modelo reconhece com precisão mais de 10 ingredientes diferentes, categorizando-os em itens contáveis, como azeitonas, fatias de salame, anchovas e bolas de mussarela, e itens não contáveis, como presunto em cubos, cogumelos, fatias de queijo e pimentões.
O sistema baseado em YOLO opera em tempo real com até 99% de precisão, superando os inspetores humanos e reduzindo significativamente os tempos de inspeção em comparação com os métodos manuais.
Curiosamente, a solução demonstrou resultados promissores ao reconhecer com precisão ingredientes em produtos alimentares não incluídos no seu treino inicial, como saladas e massas, facilitando a expansão para novas linhas de produtos. Em última análise, esta abordagem inovadora aumenta a eficiência operacional, minimiza o desperdício e reduz os custos, estabelecendo uma nova referência para a inspeção automatizada de alimentos e garantia de qualidade.
O futuro da Specialvideo parece promissor. A empresa planeja expandir sua solução de Visão de IA para incluir outros produtos alimentícios, como saladas e massas. Ao ajustar continuamente seus modelos de aprendizado profundo e aumentar seu conjunto de dados, a Specialvideo pretende melhorar ainda mais o controle de qualidade em tempo real, reduzir o desperdício e aumentar a eficiência da produção. Essas melhorias ajudarão a estabelecer novos padrões do setor.
Quer impulsionar suas operações com Visão de IA? Acesse nosso repositório GitHub para ver como as soluções de IA da Ultralytics estão causando impacto em áreas como IA na área da saúde e visão computacional na indústria de manufatura. Encontre informações detalhadas sobre nossos modelos YOLO e opções de licenciamento, e dê o primeiro passo em direção a uma automação mais inteligente e eficiente.
Os modelos Ultralytics YOLO são arquiteturas de visão computacional desenvolvidas para analisar dados visuais de imagens e entradas de vídeo. Esses modelos podem ser treinados para tarefas que incluem detecção de objetos, classificação, estimativa de pose, rastreamento e segmentação de instâncias. Os modelos Ultralytics YOLO incluem:
Ultralytics YOLO11 é a versão mais recente de nossos modelos de Visão Computacional. Assim como suas versões anteriores, ele suporta todas as tarefas de visão computacional que a comunidade Vision AI tanto aprecia 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 no 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 repositórios Ultralytics YOLO, como YOLOv5 e YOLO11, são distribuídos sob a licença AGPL-3.0 por padrão. Esta licença aprovada pela OSI foi projetada para estudantes, pesquisadores e entusiastas, promovendo a colaboração aberta e exigindo que qualquer software que use componentes AGPL-3.0 também seja de código aberto. Embora isso garanta a transparência e promova a inovação, pode não estar alinhado com casos de uso comercial.
Se o seu projeto envolve a incorporação de software e modelos de IA da Ultralytics em produtos ou serviços comerciais e você deseja ignorar 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 restrições AGPL-3.0, solicite uma Licença Empresarial Ultralytics usando o formulário fornecido. Nossa equipe o ajudará a adaptar a licença às suas necessidades específicas.
.webp)
.webp)
.webp)
.webp)