Ultralytics YOLO modellerini kullanan Chef Robotics, üretim hatlarındaki tepsileri ve malzemeleri yaklaşık %99,5 doğrulukla son derece hassas bir şekilde tespit ediyor.
Büyük ölçekli gıda montajı otomasyonu, birçok hareketli parçayı kapsar. Hat boyunca çok sayıda tepsi ilerler, malzemeler gün içinde değişiklik gösterir ve hiçbir kepçeleme işlemi tam olarak aynı değildir. Bu faktörler tutarlılığı korumayı zorlaştırır; manuel montaj süreçleri de tespit, porsiyonlama ve yerleştirme konusunda zorlanabilir.
Chef Robotics, bu zorlukların üstesinden AI ve robotlarla gelmeye yardımcı olur. Robot teknolojilerini bilgisayarlı görü gibi AI teknolojileriyle birleştiren Chef, robotlarının çevrelerini görmesini ve anlamasını sağlar. Örneğin, Ultralytics YOLO modelleri tepsi ve malzeme tespiti ile segmentasyonu için kullanılır; böylece robotlar, yüksek çeşitliliğe sahip hızlı üretim hatlarında nesneleri santimetre altı hassasiyetle alıp yerleştirebilir.
Robotik ve AI kullanarak gıda üretimini ölçeklendirmek#
San Francisco merkezli Chef Robotics, gıda sektörünün artan üretim taleplerine ayak uydurmasına yardımcı olmak için AI destekli robotik sistemler geliştirir. Şirket özellikle gıda sektörüne odaklanır; çünkü bu sektör, Amerika Birleşik Devletleri'ndeki en büyük iş gücü açığıyla karşı karşıyadır ve 1,1 milyondan fazla pozisyon doldurulamamıştır.
Bu açık, üreticilerin üretim hacmini ve tutarlılığı korumasını zorlaştırır. Chef robotları bu sorunları ele almak için üretim ortamlarını yorumlamak ve gerçek zamanlı kararlar almak üzere makine öğrenimi ile bilgisayarlı görüden yararlanır. Basitçe söylemek gerekirse, bu robotlar farklı malzemeleri, tepsi türlerini ve yemek formatlarını hassas bir şekilde işleyebilir.
Bugün Chef, sistemlerini Kuzey Amerika'da bir düzineden fazla şehre kurmuştur. Bu sistemler, gıda üreticilerinin yüksek hacimleri yönetmesine, manuel iş gücüne olan bağımlılığı azaltmasına ve hızlı üretim hatlarında tutarlı kaliteyi korumasına yardımcı olur.
Büyük ölçekli gıda montajında hassasiyet açığı#
Yemekleri büyük ölçekte üretmek hassasiyet ve hız gerektirir, ancak gerçek üretim ortamları bunu zorlaştırır. Malzemeler gün boyunca farklı görünebilir, tepsiler parlak ışıklar altında şeffaf veya yansıtıcı olabilir ve konveyör hatları hızlı hareket eder.
Bu sürekli değişimler, özellikle çalışanlar her vardiyada aynı hareketleri binlerce kez tekrarladığında, yerleştirmeyi hassas bir şekilde değerlendirmeyi zorlaştırır. Bunun sonucunda manuel montaj çoğu zaman tutarsız porsiyonlara, zaman zaman taşmalara ve tepsilerin hedef ağırlıkların dışında kalmasına yol açar.
Bu durum gıda firesini artırır, ek temizlik gerektirir ve sunumda değişkenlik yaratır. Tariflerin sık değiştiği ve her ürünün kendine özgü işleme gereksinimlerine sahip olduğu yüksek çeşitlilikli ortamlarda zorluk daha da artar.
Şekil 1. Manuel gıda montaj hatlarına bakış.
Geleneksel otomasyon sistemleri bu düzeydeki değişkenlik için tasarlanmamıştır. Malzeme değişiklikleri, hızlı ürün geçişleri ve çok çeşitli SKU'larla (stok tutma birimleri) başa çıkmakta zorlanırlar. Personel bulma sorunları hatları çalışır durumda tutmayı zorlaştırsa da birçok üretici hâlâ büyük ölçüde manuel iş gücüne güvenmektedir.
Örneğin, New Windsor, NY merkezli bir Hint gıda markası ve ortak üreticisi olan Cafe Spice, bu zorluklarla her gün karşılaşıyordu. Ekipleri yemekleri dakikada yaklaşık on iki tepsi hızında elle monte ediyordu; bu da talep arttıkça üretim hacmini sınırlıyordu.
Ayrıca, iki bölmeli tepsileri körinin pirinç bölümüne dökülmesini önlemek için hassas yerleştirme gerektiriyordu; manuel süreçler ve geleneksel ekipmanlar ise bunu çoğu zaman tutarlı bir şekilde sağlamıyordu. Cafe Spice bu kısıtları fark ederek daha esnek ve güvenilir bir yaklaşım için Chef'e yöneldi.
Gıda montaj hatlarını analiz etmek için Ultralytics YOLO modellerini kullanmak#
Chef, Cafe Spice'ın yüksek çeşitlilikli yemek üretimini otomatikleştirmek için tepsileri tespit edebilen, malzemeleri tanımlayabilen ve iki bölmeli tepsiler için gereken hassasiyetle yiyecekleri yerleştirebilen robotik bir AI sistemi kurdu. Bu sistemin merkezinde, Ultralytics YOLO modelleri üzerine kurulmuş bir Görsel AI işlem hattı bulunur.
Ultralytics YOLO modelleri nesne tespiti, yönlendirilmiş sınırlayıcı kutu (OBB) tespiti, örnek segmentasyonu ve görüntü sınıflandırması gibi temel bilgisayarlı görü görevlerini destekler. Bu yetenekler, Chef robotlarına üretim hattı hakkında gerçek zamanlı farkındalık kazandırır.
Cafe Spice çok sayıda SKU ürettiği için Ultralytics YOLO modelleri, doğrudan üretim ortamlarından toplanan görüntülerle özel olarak eğitilir. Bu, robotların gerçek fabrika koşullarındaki malzemeleri yorumlamasına yardımcı olur.
Şekil 2. Chef robotunun tepsileri görme ve tespit etme biçimi (Kaynak)
Özellikle YOLO, konveyör boyunca ilerleyen tepsileri tespit etmek ve her malzeme için doğru bölmeyi belirlemek amacıyla kullanılır. OBB tespiti, nesne tespitini bir adım ileri taşıyarak sistemin kaseler, şeffaf bölmeler ve yönleri değişen tepsiler de dâhil olmak üzere farklı açılarda görünen nesneleri anlamasını sağlar.
Neden Ultralytics YOLO modellerini seçmelisin?#
Ultralytics YOLO modelleri, Chef'e hızlı hareket eden üretim hatlarında gerçek zamanlı gıda montajı için gereken hızı ve hassasiyeti sağlar. Şirket, Ultralytics YOLO modellerinin üretimde yaklaşık %99,5 doğruluk sunduğunu ve farklı tepsiler, kaseler ve malzeme türleri arasında santimetre altı hassasiyette robotik yerleştirme için gereken kararlı tespitleri sağladığını tespit etmiştir.
Ayrıca Ultralytics Python paketi, bu modelleri eğitmek, ince ayar yapmak ve yönetmek için araçlar sunarak mühendislik ekiplerinin hızlı bir şekilde yineleme yapmasını kolaylaştırır. Örneğin paket, platformlar arası dağıtım için ONNX gibi dışa aktarma biçimlerini destekler; bu da Chef ekibinin modelleri robotik sistemleri arasında sorunsuz bir şekilde dönüştürüp dağıtmasını sağlar.
Chef Robotics ve Ultralytics YOLO, Cafe Spice'ın üretimini iki katına çıkarıyor#
Cafe Spice, Ultralytics YOLO modelleriyle çalışan Chef'in AI destekli robotik sistemlerini entegre ettikten sonra üretim hacmi, iş gücü verimliliği ve ürün kalitesi genelinde anında ve ölçülebilir iyileşmeler gördü. Daha önce dakikada 12 tepsi hızında çalışan üretim hatları, artık ortalama 30 tepsi hızında çalışıyor; güncellenen konveyör sisteminde en yüksek hız dakikada 40 tepsiye ulaşıyor. Bu, üretim hacminde iki ila üç kat artış anlamına geliyor.
Şekil 3. Chef Robotics ve Ultralytics YOLO tarafından desteklenen Cafe Spice yemek üretim hattı.
İş gücü verimliliği de arttı. Geçmişte her hat için 8–10 çalışan gerekirken Chef robotları bu sayıyı hat başına 3–4 çalışana düşürdü ve iş gücü verimliliğinde %60 artış sağladı. Açığa çıkan kapasite, Cafe Spice'ın devam eden iş gücü açıkları nedeniyle sürekli olarak personel eksikliği yaşayan diğer alanlara çalışanlarını yeniden yönlendirmesine yardımcı oldu.
Benzer şekilde, kalite ve verimlilikte de önemli kazanımlar görüldü. Otomasyondan önce, büyük ölçüde düşük ağırlıklı ürünlerin reddedilmesini önlemek için fazla porsiyonlama nedeniyle oluşan gıda firesi %9,19 seviyesindeydi. YOLO tabanlı tespit kullanan robotlar malzemeleri hassas bir şekilde yerleştirince fire %3,05'e düştü; bu da %67'lik bir azalma anlamına geliyor. Buna ek olarak kabul oranları da iyileşti: Robotlarla monte edilen tepsilerin %91'i Cafe Spice'ın kalite standartlarını karşılarken, manuel olarak monte edilen tepsilerde bu oran %75'te kaldı.
Büyük ölçekli yemek üretimini daha akıllı ve hassas hâle getirmek#
Chef büyümeye devam ederken şirket, AI destekli sistemlerini gıda sektöründe kullanılan çok çeşitli malzemelere, tepsilere ve üretim düzeneklerine daha da kolay uyarlanabilir hâle getirmeye odaklanıyor. Bu çalışmaların temel itici güçlerinden biri, insanların en iyi yaptığı işleri yapabilmesini sağlayan akıllı makineler geliştirme misyonudur. Chef, algılama modellerini geliştirerek, ürün geçişlerini basitleştirerek ve yüksek çeşitlilikli üretimde esnekliği artırarak katı bir makineden çok iş birliği yapan bir ekip arkadaşı gibi çalışan otomasyon oluşturuyor.
Görsel AI'ı keşfetmekle ilgileniyor musun? Bilgisayarlı görüyü projelerine taşımak için lisanslama seçeneklerimizi keşfet. GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda sağlık hizmetlerinde AI ve perakendede bilgisayarlı görü konularını keşfet.
