RapiD Vision — готовая к подключению система компьютерного зрения на базе моделей Ultralytics YOLO, которая в реальном времени обнаруживает дефекты и деформации, передаёт аналитические данные непосредственно в ERP-системы клиентов и сокращает сроки инженерных работ на 1 неделю.
Поскольку компании пищевой промышленности сталкиваются с растущим давлением, требующим обеспечивать стабильное качество в больших объёмах, компьютерное зрение меняет принципы работы отрасли. RapiD Engineering, нидерландская инженерная компания со штаб-квартирой в рыбацкой деревне Урк, находится в авангарде этих изменений, создавая RapiD Vision — готовую к подключению платформу компьютерного зрения для индустрии морепродуктов и не только.
Интегрируя модели Ultralytics YOLO в системы контроля качества, RapiD Engineering помогает автоматизировать контроль качества у производителей лосося, автоматизируя обнаружение дефектов и деформаций — одного из самых трудоёмких и субъективных этапов их рабочего процесса — и обеспечивая полную прослеживаемость от фермы до клиента.
Внедрение готового к подключению ИИ для компьютерного зрения в промышленное производство#
RapiD Engineering разрабатывает инженерные симуляции, программные приложения и решения на основе компьютерного зрения для промышленных сред. С помощью платформы RapiD Vision компания создаёт комплексные системы на базе трёх ключевых возможностей: приложения Pick & Place для обработки продукции роботами, Quality Control для обнаружения дефектов в реальном времени и RapiD Vision Explorer — облачный уровень отчётности и аналитики, напрямую интегрированный с ERP-системами.
Платформа предназначена для сложных реальных условий: она умеет работать с перекрывающимися продуктами с помощью 3D-зрения и камер, различать типы продукции и управлять несколькими роботами или машинами из одной системы компьютерного зрения. Среди продуктовых направлений компании Quality Control стало самым быстрорастущим, вызвав высокий спрос со стороны производителей лосося по всей Европе.
Рис. 1. Пример точного обнаружения перекрывающихся рыб с помощью Ultralytics YOLO.
Проблемы контроля качества при переработке лосося#
Переработка лосося — это отрасль с большими объёмами производства и высокими требованиями к точности, где проблемы с качеством могут существенно влиять на удовлетворённость клиентов и цены. Дефекты, такие как кровяные пятна, меланиновые отметины и другие деформации, малозаметны и визуально похожи на естественный цвет мякоти лосося, поэтому их сложно стабильно обнаруживать невооружённым глазом.
Традиционный ручной контроль выполняется медленно, утомляет операторов и даёт нестабильные результаты у разных сотрудников и смен. Даже когда компьютерное зрение стало доступнее, его внедрение в пищевом производстве создало собственные проблемы. Модели должны были быть достаточно компактными для работы в реальном времени на периферийном оборудовании, достаточно точными для обнаружения малозаметных дефектов и достаточно гибкими, чтобы их можно было быстро переобучать при появлении новых камер, условий освещения или сред.
До перехода на Ultralytics компания RapiD Engineering использовала Detectron — библиотеку с открытым исходным кодом от Meta. Несмотря на высокую мощность, её было сложно настраивать и экспортировать из неё модели, а сама библиотека больше не поддерживалась активно, что делало её непригодной для долгосрочного использования в производстве.
Обнаружение дефектов в реальном времени с помощью Ultralytics YOLO#
После перехода на Ultralytics компания RapiD Engineering перестроила свой конвейер контроля качества вокруг моделей YOLO, работающих на периферийном оборудовании NVIDIA Jetson. Каждая система переработки лосося одновременно запускает четыре модели Ultralytics YOLO: одна камера, установленная сверху, и одна камера, установленная снизу, снимают обе стороны каждой рыбы при её прохождении по линии.
Для каждой стороны система последовательно запускает две модели: нано-модель Ultralytics YOLO11 для сегментации лосося на конвейере, а затем большую модель YOLO11 для обнаружения мелких деформаций, таких как кровяные пятна и меланиновые отметины, где цветовые отличия от окружающей мякоти могут быть крайне малозаметными. Используя меньшую модель для высокопроизводительной сегментации и большую модель для высокоточного обнаружения, RapiD Engineering достигает оптимального баланса скорости и точности на оборудовании Jetson.
Для обучения моделей компания RapiD Engineering вручную разметила более 20 000 изображений лосося, создав высококачественный набор данных, учитывающий визуальные особенности реальных условий переработки. Команда повторно обучает модели при внедрении новых систем или изменении таких факторов среды, как камеры или фон.
Почему стоит выбрать модели Ultralytics YOLO?#
Для RapiD Engineering Ultralytics YOLO обеспечила идеальное сочетание простоты, производительности и гибкости, необходимое для поддержки производственной системы, работающей в рамках нескольких внедрений.
По сравнению с предыдущим фреймворком команда смогла значительно сократить время, затрачиваемое на обучение, экспорт и поддержку моделей, сэкономив около недели инженерного времени в год только на рабочем процессе экспорта. С каждым новым выпуском Ultralytics модели можно переобучать, экспортировать в TensorRT для развёртывания на Jetson и возвращать в производство с минимальными трудностями.
Рис. 2. Пример обнаружения дефектов на филе лосося с помощью Ultralytics YOLO.
Ultralytics YOLO также предоставила RapiD Engineering гибкость в использовании нескольких типов задач, включая сегментацию экземпляров, обнаружение объектов и оценку позы, в рамках единого фреймворка, поддерживая текущие и будущие функции продуктов по мере расширения портфеля ИИ для компьютерного зрения компании.
От обнаружения объектов к практическим аналитическим данным#
Помимо обнаружения объектов, система контроля качества RapiD Engineering полностью интегрирована с ERP-системами клиентов через RapiD Vision Explorer — облачный уровень отчётности и аналитики платформы. Данные о каждом проанализированном лососе регистрируются в облаке вместе с информацией о поставщике, ферме, местоположении и заказе, что даёт клиентам подробное представление о качестве продукции из каждого источника.
Эти данные используются для создания отчётов о качестве каждой партии, помогая переработчикам отслеживать, какие фермеры и поставщики стабильно поставляют рыбу самого высокого качества, а также со временем принимать обоснованные решения о закупках. Благодаря расширенной аналитике RapiD Vision Explorer может даже прогнозировать наиболее подходящие текущие источники высококачественной продукции. Система также управляет последующими конвейерами, автоматически направляя лосося более низкого качества на альтернативные линии переработки, чтобы клиенты всегда получали рыбу, соответствующую их спецификациям качества.
Интерфейсное программное обеспечение позволяет операторам точно настраивать пороги обнаружения, включая минимальный размер пятна, показатели уверенности и общую площадь поражения, обеспечивая адаптацию системы к конкретным критериям качества каждого переработчика.
Масштабирование ИИ для компьютерного зрения в индустрии морепродуктов#
Благодаря высокому спросу на системы контроля качества и растущей клиентской базе по всей Европе RapiD Engineering имеет отличные возможности для дальнейшего расширения роли ИИ для компьютерного зрения в переработке морепродуктов и за её пределами. Компания также планирует перенести процессы обучения и разметки на Ultralytics Platform, дополнительно оптимизировав свой конвейер по мере масштабирования на новые внедрения.
Объединяя многолетний инженерный опыт с передовыми технологиями компьютерного зрения, RapiD Engineering помогает производителям лосося создавать более прозрачную, основанную на данных и эффективную цепочку поставок — по одной партии за раз.
Хочешь создавать собственные решения на основе ИИ для компьютерного зрения? Изучи модели Ultralytics YOLO, узнай, как YOLO стимулирует инновации в различных отраслях, и ознакомься с нашими вариантами лицензирования, чтобы начать работу.
