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 modelosYOLO da Ultralytics , o sistema de inspeção de alimentos com IA da Specialvideo aumentou a precisão da deteção para mais de 95% e reduziu o tempo de inspeção para menos de 250 ms por pizza.
Os fabricantes de pizzas precisam muitas vezes de produzir produtos visualmente apelativos e de alta qualidade a alta velocidade, mas inspecionar manualmente as coberturas de cada pizza pode ser demorado. A Specialvideo utiliza uma abordagem baseada em IA para detect e contar os ingredientes em tempo real, permitindo aos produtores manter os padrões das receitas, reduzir o desperdício e manter as operações sem problemas.
Ao testar várias soluções de visão, a Specialvideo descobriu que certas técnicas, como a segmentação semântica, tinham dificuldades com coberturas sobrepostas ou ocultas. Ao utilizar os modelosYOLO Ultralytics , conseguiram ultrapassar estes obstáculos e desenvolver um sistema de controlo de qualidade fiável e de elevada precisão, alimentado por IA, que identifica, conta e verifica as coberturas em tempo real. Ele 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, desenvolveram um sistema de inspeção alimentar Vision AI que utiliza a segmentação de instâncias para otimizar a produção de pizzas. Ao tratar cada cobertura como um objeto distinto, o sistema pode detect, segment e contar com precisão os ingredientes em tempo real. Resolve problemas como oclusões (em que um ingrediente é parcialmente coberto por outro) e detecções duplas (em que o sistema identifica duas instâncias de um ingrediente quando existe apenas uma). Ao identificar erros de colocação (ou seja, coberturas desequilibradas), os fabricantes podem ajustar os parâmetros de produção em conformidade.
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 da cor e detect potenciais contaminantes, certificando-se de que cada produto cumpre elevados padrões de segurança e qualidade.
Os fabricantes de pizzas operam frequentemente a velocidades incrivelmente elevadas, produzindo uma nova pizza a cada 600 milissegundos. A este ritmo, é muito difícil para os inspectores humanos acompanharem o ritmo, o que torna difícil monitorizar as coberturas e detect 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 Vision AI da Specialvideo utiliza o suporte de segmentação de instâncias dos modelos Ultralytics YOLO para inspecionar cada pizza em tempo real, de modo a que apenas os produtos de qualidade cheguem aos consumidores. Conta e mede com precisão as coberturas, comparando cada pizza com a sua receita, detectando rapidamente ingredientes em falta ou em excesso, 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 o seu conjunto de dados, aperfeiçoa a precisão da rotulagem e treina regularmente YOLO . Utilizam o aumento de dados durante o treino para evitar o sobreajuste e ajudar o modelo a generalizar a partir de um número limitado de amostras. Além disso, 10% das imagens de treino apresentam pizzas Margherita para fornecer um contexto de fundo útil, 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 reciclagem ainda mais eficiente, a Specialvideo implementou um fluxo de trabalho para novos ingredientes de pizza. Este fluxo de trabalho utiliza 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 utilizar os modelosYOLO Ultralytics porque estes oferecem um ótimo equilíbrio entre o desempenho e o custo dos modelos de IA. Com uma GPU (Unidade de Processamento Gráfico) Nvidia GTX-1660gt, o sistema atinge tempos de inferência de apenas 200 - 250ms, o que o torna suficientemente rápido para lidar com uma linha de produção que produz uma pizza a cada 600ms.
A velocidade de processamento eficiente do YOLOfacilita o controlo de qualidade em tempo real. No geral, esta abordagem não só simplifica a produção como também suporta a escalabilidade, tornando-a uma solução robusta para ambientes de fabrico de alimentos de grande volume.
Ao integrar os modelosYOLO da Ultralytics , a solução de inspeção alimentar com IA da Specialvideo transformou o controlo de qualidade na produção de pizzas. Treinado num conjunto de dados robusto de mais de 1500 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 mozzarella, e itens não contáveis, como fiambre em cubos, cogumelos, fatias de queijo e pimentos.
O sistema YOLO funciona em tempo real com uma precisão de até 99%, superando os inspectores 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 as suas operações com a IA de visão? Aceda ao nosso repositório GitHub para ver como as soluções de IA da Ultralyticsestão a ter impacto em áreas como a IA nos cuidados de saúde e a visão computacional no fabrico. 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 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.
.webp)
.webp)
.webp)
.webp)