Chef Robotics, gıda firesini %67 azaltmak için Ultralytics YOLO kullanıyor

Gıda montajının büyük ölçekte otomatikleştirilmesi, çok sayıda hareketli parçayı içerir. Hat boyunca yüksek hacimde tepsi hareket eder, içerikler gün boyunca değişir ve hiçbir kepçe darbesi bir diğerinin aynısı değildir. Bu faktörler tutarlılığı korumayı zorlaştırır ve manuel montaj süreçleri algılama, porsiyonlama ve yerleştirme konularında sıkıntı yaşayabilir.

Chef Robotics, yapay zeka ve robotlarla bu zorlukların çözülmesine yardımcı oluyor. Robot teknolojisini bilgisayarlı görü gibi yapay zeka teknolojileriyle birleştiren Chef, robotlarının çevrelerini görmelerini ve anlamalarını sağlıyor. Örneğin, Ultralytics YOLO modelleri, tepsi ve içerik algılama ve segmentasyonu için kullanılıyor; bu da robotların yüksek çeşitlilikteki ve hızlı üretim hatlarında ürünleri santimetre altı hassasiyetle alıp yerleştirmesine olanak tanıyor.

Link to this sectionRobotik ve yapay zeka kullanarak gıda üretimini ölçeklendirme#

San Francisco merkezli Chef Robotics, gıda endüstrisinin artan üretim taleplerine ayak uydurmasına yardımcı olmak için yapay zeka destekli robotik sistemler inşa ediyor. Gıda sektörüne özellikle odaklanıyorlar çünkü bu sektör, 1,1 milyondan fazla açık pozisyonla Amerika Birleşik Devletleri'ndeki en büyük iş gücü açığıyla karşı karşıya.

Bu açık, üreticilerin çıktı ve tutarlılığı korumasını zorlaştırıyor. Bu endişeleri gidermek için Chef robotları, üretim ortamlarını yorumlamak ve gerçek zamanlı kararlar almak için makine öğrenimi ve bilgisayarlı görüden yararlanıyor. Basitçe ifade etmek gerekirse, farklı içerikleri, tepsi türlerini ve yemek formatlarını doğru bir şekilde işleyebiliyorlar.

Bugün Chef, sistemlerini Kuzey Amerika'da bir düzineden fazla şehirde devreye alarak gıda üreticilerinin yüksek hacimleri yönetmelerine, manuel iş gücüne bağımlılığı azaltmalarına ve hızlı hatlarda tutarlı kaliteyi korumalarına yardımcı oluyor.

Link to this sectionBüyük ölçekli gıda montajında hassasiyet farkı#

Yemekleri ölçekli olarak üretmek doğruluk ve hız gerektirir, ancak gerçek üretim ortamları bunu zorlaştırır. İçerikler gün boyu farklı görünebilir, tepsiler parlak ışık altında şeffaf veya yansıtıcı olabilir ve konveyör hatları hızla hareket eder.

Bu sürekli değişimler, özellikle her vardiyada binlerce kez aynı hareketleri tekrarladıklarında, çalışanların yerleştirmeyi hassas bir şekilde değerlendirmelerini zorlaştırır. Sonuç olarak, manuel montaj genellikle tutarsız porsiyonlara, ara sıra dökülmelere ve tepsilerin hedef ağırlıkların dışında kalmasına yol açar.

Bu durum gıda israfını artırır, ekstra temizlik gerektirir ve sunumda değişkenlik yaratır. Tariflerin sıkça değiştiği ve her ürünün kendine has işleme gereksinimleri olduğu yüksek çeşitlilikteki ortamlarda bu zorluk daha da artar.

Şekil 1. Manuel gıda montaj hatlarına bir bakış.

Geleneksel otomasyon sistemleri bu seviyedeki değişkenlik için tasarlanmamıştır. İçerik değişiklikleri, hızlı geçişler ve çok çeşitli stok tutma birimleri (SKU'lar) ile mücadele ederler. Birçok üretici, personel yetersizliği hatları çalışır durumda tutmayı zorlaştırsa bile hala büyük ölçüde manuel iş gücüne güvenmektedir.

Örneğin, New Windsor, NY merkezli bir Hint gıda markası ve ortak üreticisi olan Cafe Spice, bu zorluklarla günlük olarak karşılaşıyordu. Ekipleri, yemekleri dakikada yaklaşık on iki tepsi hızında elle monte ediyordu ve bu da talep arttıkça çıktıyı sınırlıyordu.

Ayrıca, iki bölmeli tepsileri, köri sosunun pilav bölümüne dökülmesini önlemek için hassas yerleştirme gerektiriyordu; bu, manuel süreçlerin ve geleneksel ekipmanların tutarlı bir şekilde korumakta zorlandığı bir durumdu. Bu kısıtlamaları fark eden Cafe Spice, daha esnek ve güvenilir bir yaklaşım için Chef'e başvurdu.

Link to this sectionGıda montaj hatlarını analiz etmek için Ultralytics YOLO modellerini kullanma#

Chef, Cafe Spice'ın yüksek çeşitlilikteki yemek üretimini otomatikleştirmek için tepsileri algılayabilen, içerikleri tanımlayabilen ve yemekleri iki bölmeli tepsileri için gereken hassasiyetle yerleştirebilen robotik bir yapay zeka sistemi kurdu. Bu sistemin merkezinde, Ultralytics YOLO modelleri üzerine inşa edilmiş bir Vision AI hattı bulunuyor.

Ultralytics YOLO models support key computer vision tasks such as object detection, oriented bounding box (OBB) detection, instance segmentation, and image classification. These capabilities give Chef robots real-time awareness of the production line.

Cafe Spice birçok farklı SKU ürettiğinden, Ultralytics YOLO modelleri doğrudan üretim ortamlarından toplanan görüntüler üzerinde özel olarak eğitilmiştir. Bu, robotların gerçek fabrika koşullarında içerikleri yorumlamasına yardımcı olur.

Şekil 2. Chef robotu tepsileri nasıl görüyor ve algılıyor (Kaynak)

Özellikle YOLO, tepsiler konveyör boyunca ilerlerken onları algılamak ve her içerik için doğru bölmeyi tanımlamak amacıyla kullanılır. Nesne algılamayı bir adım ileri taşıyan OBB algılama, sistemin kaseler, şeffaf ekler ve değişen yönlere sahip tepsiler dahil olmak üzere farklı açılardan görünen öğeleri anlamasını sağlar.

Link to this sectionNeden Ultralytics YOLO modellerini seçmelisin?#

Ultralytics YOLO modelleri, Chef'e hızlı hareket eden üretim hatlarında gerçek zamanlı gıda montajı için gereken hızı ve doğruluğu sağlar. Ultralytics YOLO modellerinin üretimde yaklaşık %99,5 doğruluk sağladığını ve farklı tepsiler, kaseler ve içerik türlerinde santimetre altı robotik yerleştirme için gereken kararlı algılamaları sunduğunu keşfettiler.

Ayrıca, Ultralytics Python paketi, mühendislik ekiplerinin hızlı bir şekilde yineleme yapmasını kolaylaştırarak bu modelleri eğitmek, ince ayar yapmak ve yönetmek için gerekli araçları sağlar. Örneğin, platformlar arası dağıtım için ONNX gibi dışa aktarma formatlarını destekler, bu da Chef ekibinin modelleri robotik sistemlerinde sorunsuz bir şekilde dönüştürmesine ve dağıtmasına olanak tanır.

Link to this sectionChef Robotics ve Ultralytics YOLO, Cafe Spice'ın çıktısını ikiye katlıyor#

Ultralytics YOLO modelleriyle desteklenen Chef'in yapay zeka destekli robotik sistemlerini entegre ettikten sonra Cafe Spice, çıktı, iş gücü verimliliği ve ürün kalitesinde anında ve ölçülebilir iyileşmeler gördü. Daha önce dakikada 12 tepsi ile çalışan üretim hatları, şimdi güncellenmiş konveyör sistemiyle ortalama dakikada 30 tepsi hızında çalışıyor ve zirve hızları dakikada 40 tepsiye ulaşıyor. Bu, çıktıda iki ila üç kat artış anlamına geliyor.

Şekil 3. Chef Robotics ve Ultralytics YOLO tarafından desteklenen Cafe Spice'ın yemek üretim hattı.

İş gücü verimliliği de arttı. Her hat geçmişte 8-10 çalışan gerektiriyordu ancak Chef'in robotları bu sayıyı hat başına 3-4 çalışana düşürerek iş gücü verimliliğinde %60'lık bir artış sağladı. Boşa çıkan kapasite, Cafe Spice'ın devam eden iş gücü eksiklikleri nedeniyle sürekli olarak yetersiz personeli olan diğer alanlara personel kaydırmasına yardımcı oldu.

Benzer şekilde, kalite ve verim de önemli kazanımlar elde etti. Otomasyondan önce, büyük ölçüde düşük ağırlıklı reddedilmelerden kaçınmak için aşırı porsiyonlamadan kaynaklanan gıda israfı %9,19 seviyesindeydi. YOLO tabanlı algılama kullanan robotların içerikleri doğru bir şekilde yerleştirmesiyle israf %3,05'e düştü, bu da %67'lik bir azalma anlamına geliyor. Buna ek olarak, kabul oranları da iyileşti: Manuel monte edilen tepsiler için %75 olan kabul oranı, robotla monte edilen tepsilerde %91 olarak gerçekleşti ve Cafe Spice'ın kalite standartlarını karşıladı.

Link to this sectionBüyük ölçekli yemek üretimini daha akıllı ve daha hassas hale getirme#

Chef büyümeye devam ederken şirket, yapay zeka destekli sistemlerini gıda endüstrisinde kullanılan çok çeşitli içeriklere, tepsilere ve üretim kurulumlarına daha da uyumlu hale getirmeye odaklanmış durumda. Bu çabaların arkasındaki temel itici güç, Chef'in insanların en iyi yaptığı işi yapmalarını sağlayan akıllı makineler inşa etme misyonudur. Algılama modellerini geliştirerek, geçişleri basitleştirerek ve yüksek çeşitlilikteki üretim için esnekliği artırarak Chef, katı bir makineden çok iş birliğine dayalı bir takım arkadaşı gibi çalışan bir otomasyon yaratıyor.

Vision AI'ı keşfetmek ister misin? Bilgisayarlı görüyü projelerine getirmek için lisanslama seçeneklerimizi keşfet. GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda sağlık hizmetlerinde yapay zeka ve perakendede bilgisayarlı görü konularını keşfet.