Интеграция моделей Ultralytics YOLO позволила системе ИИ для проверки продуктов питания Specialvideo повысить точность обнаружения до 99% и сократить время проверки до менее чем 250 мс на одну пиццу.
Производителям пиццы часто необходимо быстро выпускать визуально привлекательную продукцию высокого качества, однако ручная проверка начинок каждой пиццы может занимать много времени. Specialvideo использует подход на основе искусственного интеллекта и компьютерного зрения для обнаружения и подсчёта ингредиентов в реальном времени, помогая производителям соблюдать рецептурные стандарты, сокращать отходы и поддерживать бесперебойную работу.
Тестируя различные решения на основе компьютерного зрения, Specialvideo обнаружила, что некоторые методы, такие как семантическая сегментация, плохо справляются с перекрывающимися или скрытыми начинками. Используя модели Ultralytics YOLO, компания смогла преодолеть эти препятствия и разработать надёжную высокоточную систему контроля качества на основе ИИ, которая на лету распознаёт, подсчитывает и проверяет начинки. Это обеспечивает стабильное качество без снижения скорости производства.
Улучшение проверки продуктов питания с помощью компьютерного зрения#
Основанная в 1993 году в Имоле, Италия, компания Specialvideo опирается более чем на 30-летний опыт разработки передовых систем компьютерного зрения для навигации роботов, автоматизированной проверки и обнаружения дефектов. Её экспертиза также распространяется на применение компьютерного зрения в пищевой промышленности.
В частности, компания разработала систему Vision AI для проверки продуктов питания, использующую сегментацию экземпляров для оптимизации производства пиццы. Рассматривая каждую начинку как отдельный объект, система может точно обнаруживать, сегментировать и подсчитывать ингредиенты в реальном времени. Она решает такие проблемы, как перекрытия (когда один ингредиент частично закрыт другим) и двойные обнаружения (когда система распознаёт два экземпляра ингредиента вместо одного). Выявляя ошибки размещения (то есть неравномерное распределение начинки), производители могут соответствующим образом корректировать параметры производства.
Модель легко адаптируется к новым ингредиентам, и для её переобучения не требуется полностью менять систему.
Кроме того, система может проверять форму, соответствие цвета требованиям и наличие потенциальных загрязнений, гарантируя, что каждый продукт соответствует высоким стандартам безопасности и качества.
Проблемы контроля качества продуктов питания в реальном времени (QC)#
Производители пиццы часто работают на невероятно высокой скорости, выпуская новую пиццу каждые 600 миллисекунд. При таком темпе людям-инспекторам очень сложно успевать за производством, поэтому точный контроль начинок и обнаружение дефектов становятся непростой задачей.
Кроме того, перекрывающиеся ингредиенты, например салями и грибы, могут закрывать друг друга, что иногда приводит к появлению пиццы с отсутствующими или избыточными начинками, неправильным распределением или нестабильным количеством ингредиентов. Это не только нарушает однородность продукта, но и вредит репутации бренда, когда покупатели получают пиццу, не соответствующую их ожиданиям.
Одновременно эти проблемы повышают операционные расходы из-за увеличения объёма брака и неэффективного использования ресурсов. Ситуацию усугубляет и то, что инспекторы могут уставать во время продолжительных смен, из-за чего их внимание ослабевает, а риск ошибок возрастает.
Осознавая эти недостатки, многие производители внедряют системы контроля качества и автоматизированной проверки продуктов питания на основе компьютерного зрения. Эти инновационные системы обеспечивают контроль в реальном времени, помогают сокращать количество человеческих ошибок и поддерживать высокое качество продукции.
Обнаружение дефектов продуктов питания в реальном времени с помощью машинного зрения#
Решение Specialvideo на базе Vision AI использует поддержку сегментации экземпляров в моделях Ultralytics YOLO для проверки каждой пиццы в реальном времени, чтобы до потребителей доходили только качественные продукты. Оно точно подсчитывает и измеряет начинки, сравнивая каждую пиццу с её рецептурой, и быстро обнаруживает отсутствующие или лишние ингредиенты, неравномерное распределение и нестабильное количество.
При обнаружении бракованной пиццы — будь то из-за смещённых начинок, неправильного количества ингредиентов или загрязнений, например синего пластика, — система автоматически направляет её на линию брака.
Чтобы сохранять точность после внедрения, Specialvideo постоянно расширяет набор данных, повышает точность разметки и регулярно переобучает YOLO. Во время обучения компания использует аугментацию данных, чтобы предотвратить переобучение и помочь модели обобщать данные по ограниченному числу образцов. Кроме того, 10% обучающих изображений содержат пиццы «Маргарита», чтобы предоставить полезный фоновый контекст, благодаря которому сеть лучше обрабатывает вариации даже внутри одного типа ингредиента, например разные виды салями.
Кроме того, чтобы сделать процесс переобучения ещё эффективнее, Specialvideo внедрила рабочий процесс для новых ингредиентов пиццы. Этот процесс использует YOLO для ускорения разметки новых изображений и сокращает потребность в контроле со стороны человека по мере расширения ассортимента ингредиентов.
Рис. 1. YOLO используется для обнаружения и сегментации начинок на пицце при проверке продуктов питания с помощью ИИ.
Почему стоит выбрать модели Ultralytics YOLO?#
Specialvideo выбрала модели Ultralytics YOLO, поскольку они обеспечивают отличный баланс между производительностью модели ИИ и стоимостью. С графическим процессором Nvidia GTX-1660gt (GPU) система достигает времени вывода всего 200–250 мс, что позволяет ей достаточно быстро обрабатывать производственную линию, выпускающую пиццу каждые 600 мс.
Эффективная скорость обработки YOLO обеспечивает контроль качества в реальном времени. В целом этот подход не только оптимизирует производство, но и поддерживает масштабирование, становясь надёжным решением для предприятий пищевой промышленности с большими объёмами выпуска.
Решение для проверки продуктов питания на базе YOLO обеспечивает точность 99%#
Интеграция моделей Ultralytics YOLO преобразила контроль качества в производстве пиццы с помощью решения Specialvideo для проверки продуктов питания на основе ИИ. Модель, обученная на надёжном наборе данных из более чем 1500 изображений, точно распознаёт более 10 различных ингредиентов, разделяя их на подсчитываемые продукты, такие как оливки, ломтики салями, анчоусы и шарики моцареллы, и неподсчитываемые продукты, такие как кубики ветчины, грибы, ломтики сыра и перец.
Система на базе YOLO работает в реальном времени с точностью до 99%, превосходит инспекторов-людей и значительно сокращает время проверки по сравнению с ручными методами.
Интересно, что решение показало многообещающие результаты, точно распознавая ингредиенты в продуктах питания, которые не входили в первоначальный набор для обучения, например в салатах и пасте, что упрощает расширение на новые продуктовые линейки. В конечном итоге этот инновационный подход повышает операционную эффективность, сокращает отходы и снижает затраты, устанавливая новый ориентир для автоматизированной проверки продуктов питания и контроля качества.
Развитие интеллектуального производства в пищевой промышленности#
Будущее Specialvideo выглядит многообещающе. Компания планирует расширить своё решение Vision AI, включив в него другие продукты питания, например салаты и пасту. Постоянно совершенствуя модели глубокого обучения и расширяя набор данных, Specialvideo стремится ещё больше улучшить контроль качества в реальном времени, сократить отходы и повысить эффективность производства. Эти улучшения помогут установить новые отраслевые стандарты.
Хочешь повысить эффективность своих операций с помощью Vision AI? Посети наш репозиторий GitHub, чтобы узнать, как решения Ultralytics на базе ИИ применяются в таких областях, как ИИ в здравоохранении и компьютерное зрение в производстве. Ознакомься с подробной информацией о наших моделях YOLO и вариантах лицензирования и сделай первый шаг к более интеллектуальной и эффективной автоматизации.
