Благодаря моделям Ultralytics YOLO Chef Robotics с высокой точностью обнаруживает лотки и ингредиенты на производственных линиях, достигая примерно 99,5% точности.
Автоматизация сборки пищевых продуктов в больших объёмах включает множество переменных. По линии движется большое количество лотков, ингредиенты меняются в течение дня, и ни одна порция не бывает в точности такой же, как другая. Из-за этого сложно поддерживать стабильность, а при ручной сборке возникают проблемы с обнаружением, дозированием и размещением продуктов.
Chef Robotics помогает решать эти задачи с помощью ИИ и роботов. Объединяя робототехнику с технологиями ИИ, такими как компьютерное зрение, Chef позволяет роботам видеть окружающую среду и понимать её. Например, модели Ultralytics YOLO применяются для обнаружения и сегментации лотков и ингредиентов, позволяя роботам брать и размещать предметы с точностью до миллиметра на быстро работающих производственных линиях с большим ассортиментом продукции.
Масштабирование производства продуктов питания с помощью робототехники и ИИ#
Компания Chef Robotics из Сан-Франциско создаёт роботизированные системы на базе ИИ, чтобы помочь пищевой промышленности справляться с растущими объёмами производства. Компания сосредоточилась именно на пищевой отрасли, поскольку в США здесь наблюдается самый серьёзный дефицит рабочей силы: остаются незаполненными более 1,1 миллиона вакансий.
Из-за этого дефицита производителям сложно поддерживать объёмы выпуска и стабильное качество. Чтобы решить эту проблему, роботы Chef используют машинное обучение и компьютерное зрение для анализа производственной среды и принятия решений в реальном времени. Проще говоря, они могут точно работать с разными ингредиентами, типами лотков и форматами блюд.
Сегодня системы Chef работают более чем в десятке городов Северной Америки, помогая производителям продуктов питания обрабатывать большие объёмы, снижать зависимость от ручного труда и поддерживать стабильное качество на быстро работающих линиях.
Проблема точности при крупносерийной сборке пищевых продуктов#
Для выпуска блюд в больших объёмах нужны точность и скорость, но реальные условия производства затрудняют эту задачу. Внешний вид ингредиентов может меняться в течение дня, лотки могут быть прозрачными или отражать яркий свет, а конвейерные линии движутся быстро.
Из-за этих постоянных изменений работникам трудно точно размещать продукты, особенно когда им приходится повторять одни и те же движения тысячи раз за смену. В результате ручная сборка часто приводит к нестабильным порциям, просыпанию продуктов и отклонению веса лотков от целевого значения.
Это увеличивает объём продуктов, отдаваемых сверх нормы, требует дополнительной уборки и приводит к различиям во внешнем виде блюд. Задача становится ещё сложнее на производствах с широким ассортиментом, где рецепты часто меняются и для каждого продукта нужны свои способы обработки.
Рис. 1. Ручные линии сборки пищевых продуктов.
Традиционные системы автоматизации не рассчитаны на такой уровень изменчивости. Им сложно справляться со сменой ингредиентов, быстрым переналаживанием оборудования и широким ассортиментом SKU (единиц учёта запасов). Многие производители по-прежнему в значительной степени полагаются на ручной труд, хотя из-за нехватки персонала поддерживать работу линий становится всё труднее.
Например, Cafe Spice — индийский бренд продуктов питания и контрактный производитель из Нью-Виндзора, штат Нью-Йорк, — ежедневно сталкивалась с этими трудностями. Её команда собирала блюда вручную, обрабатывая около двенадцати лотков в минуту, что ограничивало объёмы выпуска при росте спроса.
Кроме того, в лотках с двумя отделениями требовалось точно размещать продукты, чтобы карри не попадало в отделение с рисом, — ручные процессы и стандартное оборудование часто не могли стабильно обеспечить такую точность. Осознав эти ограничения, Cafe Spice обратилась к Chef за более гибким и надёжным решением.
Анализ линий сборки пищевых продуктов с помощью моделей Ultralytics YOLO#
Чтобы автоматизировать производство блюд с широким ассортиментом в Cafe Spice, Chef внедрила роботизированную систему на базе ИИ. Она обнаруживает лотки, распознаёт ингредиенты и размещает продукты с точностью, необходимой для лотков с двумя отделениями. В основе системы лежит конвейер Vision AI на базе моделей Ultralytics YOLO.
Модели Ultralytics YOLO поддерживают ключевые задачи компьютерного зрения, такие как обнаружение объектов, обнаружение ориентированных ограничивающих рамок (OBB), сегментация экземпляров и классификация изображений. Благодаря этим возможностям роботы Chef могут отслеживать обстановку на производственной линии в реальном времени.
Поскольку Cafe Spice выпускает множество различных SKU, модели Ultralytics YOLO обучаются на заказ на изображениях, собранных непосредственно на производстве. Это помогает роботам распознавать ингредиенты в реальных заводских условиях.
Рис. 2. Как робот Chef видит и обнаруживает лотки (Источник)
В частности, YOLO обнаруживает лотки, движущиеся по конвейеру, и определяет нужное отделение для каждого ингредиента. Обнаружение OBB расширяет возможности обнаружения объектов: система распознаёт предметы под разными углами, включая миски, прозрачные вставки и лотки, ориентация которых меняется.
Почему стоит выбрать модели Ultralytics YOLO?#
Модели Ultralytics YOLO обеспечивают Chef необходимую скорость и точность для сборки пищевых продуктов в реальном времени на быстро движущихся производственных линиях. По данным компании, в производственных условиях модели Ultralytics YOLO обеспечивают точность около 99,5%, гарантируя стабильное обнаружение, необходимое для роботизированного размещения с точностью до миллиметра при работе с разными лотками, мисками и ингредиентами.
Кроме того, пакет Ultralytics для Python предоставляет инструменты для обучения, дообучения и управления моделями, позволяя инженерным командам быстро вносить изменения и проверять результаты. Например, пакет поддерживает экспорт в такие форматы, как ONNX, для кроссплатформенного развёртывания, благодаря чему команда Chef может без труда преобразовывать модели и развёртывать их на роботизированных системах.
Chef Robotics и Ultralytics YOLO удвоили объёмы производства Cafe Spice#
После внедрения роботизированных систем Chef на базе ИИ и моделей Ultralytics YOLO компания Cafe Spice сразу заметила измеримые улучшения объёмов производства, эффективности труда и качества продукции. Раньше производственные линии обрабатывали 12 лотков в минуту, а теперь в среднем — 30 лотков в минуту; на обновлённой конвейерной системе пиковая производительность достигает 40 лотков в минуту. Таким образом, объёмы производства выросли в два-три раза.
Рис. 3. Линия производства блюд Cafe Spice на базе Chef Robotics и Ultralytics YOLO.
Также повысилась производительность труда. Раньше на каждой линии обычно работали 8–10 человек, а роботы Chef сократили это число до 3–4 человек на линию, повысив производительность труда на 60%. Благодаря этому Cafe Spice смогла перевести сотрудников на другие участки, где из-за постоянной нехватки персонала не хватало работников.
Заметно улучшились и качество продукции, и выход годной продукции. До автоматизации объём продуктов, отдаваемых сверх нормы, в основном из-за избыточных порций, которые готовили, чтобы избежать брака из-за недостаточного веса, составлял 9,19%. Благодаря точному размещению ингредиентов с помощью роботов и обнаружения на базе YOLO этот показатель снизился до 3,05%, то есть на 67%. Кроме того, повысилась доля соответствия стандартам качества Cafe Spice: им отвечали 91% лотков, собранных роботами, против 75% лотков, собранных вручную.
Повышение точности и эффективности крупносерийного производства блюд#
Продолжая расширять бизнес, Chef стремится сделать системы на базе ИИ ещё более адаптивными к разнообразию ингредиентов, лотков и производственных процессов в пищевой промышленности. Одна из движущих сил этой работы — цель Chef создавать интеллектуальные машины, которые помогают людям делать то, что у них получается лучше всего. Развивая модели восприятия, упрощая переналадку и повышая гибкость производства с широким ассортиментом, Chef создаёт автоматизацию, которая работает не как жёстко запрограммированная машина, а скорее как партнёр по совместной работе.
Хочешь изучить Vision AI? Ознакомься с нашими вариантами лицензирования, чтобы внедрить компьютерное зрение в свои проекты. Посети наш репозиторий GitHub и присоединяйся к нашему сообществу. На страницах с решениями узнай об ИИ в здравоохранении и компьютерном зрении в розничной торговле.
