Chef Robotics, Ultralytics YOLO modellerini kullanarak üretim hatlarındaki tepsileri ve malzemeleri yaklaşık %99,5 doğrulukla tespit ediyor.
Büyük ölçekli gıda montaj otomasyonu birçok hareketli bileşen içerir. Hat boyunca çok sayıda tepsi ilerler, malzemeler gün içinde değişir ve hiçbir porsiyon alma işlemi bir diğerinin aynısı olmaz. Bu etkenler tutarlılığı korumayı zorlaştırır; manuel montaj süreçlerinde tespit, porsiyonlama ve yerleştirme sorunları yaşanabilir.
Chef Robotics, bu zorlukların üstesinden yapay zekâ ve robotlarla gelmeye yardımcı oluyor. Robotik sistemleri bilgisayarlı görü gibi yapay zekâ teknolojileriyle birleştiren Chef, robotlarının çevrelerini görüp anlamasını sağlıyor. Örneğin Ultralytics YOLO modelleri, tepsi ve malzemelerin tespiti ve segmentasyonu için kullanılıyor; böylece robotlar, ürün çeşitliliğinin yüksek ve üretim hızının yoğun olduğu hatlarda nesneleri santimetrenin altında bir hassasiyetle alıp yerleştirebiliyor.
Robotik ve yapay zekâyla gıda üretimini ölçeklendirmek#
San Francisco merkezli Chef Robotics, gıda sektörünün artan üretim taleplerini karşılamasına yardımcı olmak için yapay zekâ destekli robotik sistemler geliştiriyor. Şirket özellikle gıda sektörüne odaklanıyor; çünkü bu sektör, ABD'de 1,1 milyondan fazla doldurulmamış pozisyonla en büyük iş gücü açığıyla karşı karşıya.
Bu iş gücü açığı, üreticilerin üretim miktarını ve tutarlılığını korumasını zorlaştırıyor. Chef robotları bu sorunları gidermek için üretim ortamlarını yorumlayıp gerçek zamanlı kararlar almak üzere makine öğrenimi ve bilgisayarlı görü kullanıyor. Basitçe söylemek gerekirse farklı malzemeleri, tepsi türlerini ve yemek biçimlerini doğru şekilde işleyebiliyorlar.
Chef, bugün sistemlerini Kuzey Amerika'da bir düzineden fazla şehre kurarak gıda üreticilerinin yüksek üretim hacimlerini yönetmesine, manuel iş gücüne bağımlılığı azaltmasına ve hızlı üretim hatlarında tutarlı kaliteyi korumasına yardımcı oluyor.
Büyük ölçekli gıda montajında hassasiyet açığı#
Yemekleri büyük ölçekte üretmek doğruluk ve hız gerektirir, ancak gerçek üretim ortamları bunu zorlaştırır. Malzemelerin görünümü gün içinde değişebilir, tepsiler parlak ışık altında şeffaf veya yansıtıcı olabilir ve konveyör hatları hızlı hareket eder.
Sürekli değişen bu koşullar, özellikle çalışanlar her vardiyada aynı hareketleri binlerce kez tekrarlarken, ürünleri hassas biçimde yerleştirmeyi zorlaştırır. Sonuç olarak manuel montajda porsiyonlar tutarsız olabilir, zaman zaman taşma yaşanabilir ve tepsilerin ağırlığı hedef aralığın dışında kalabilir.
Bu durum fazla ürün kullanımını artırır, ek temizlik gerektirir ve sunumda değişkenlik yaratır. Tariflerin sık değiştiği ve her ürünün kendine özgü işleme gereksinimleri olduğu, ürün çeşitliliğinin yüksek olduğu ortamlarda bu zorluk daha da artar.
Şekil 1. Manuel gıda montaj hatlarına bir bakış.
Geleneksel otomasyon sistemleri bu düzeydeki değişkenlik için tasarlanmamıştır. Malzeme değişikliklerini, hızlı ürün geçişlerini ve çok çeşitli SKU'ları (stok tutma birimleri) yönetmekte zorlanırlar. Personel bulma sıkıntısı hatları çalışır durumda tutmayı zorlaştırsa da birçok üretici hâlâ büyük ölçüde manuel iş gücüne bel bağlıyor.
Örneğin New Windsor, NY merkezli Hint yemekleri markası ve ortak üretici Cafe Spice, bu zorluklarla her gün karşılaşıyordu. Ekibi yemekleri dakikada yaklaşık on iki tepsi hızında elle hazırlıyordu; bu da talep arttıkça üretim miktarını sınırlıyordu.
Ayrıca iki bölmeli tepsilerde körinin pirinç bölümüne dökülmesini önlemek için hassas yerleştirme gerekiyordu; manuel süreçler ve geleneksel ekipmanlar bunu çoğu zaman tutarlı biçimde sağlayamıyordu. Bu kısıtların farkına varan Cafe Spice, daha esnek ve güvenilir bir yaklaşım için Chef'e yöneldi.
Gıda montaj hatlarını analiz etmek için Ultralytics YOLO modellerini kullanmak#
Chef, Cafe Spice'ın ürün çeşitliliği yüksek yemek üretimini otomatikleştirmek için tepsileri tespit edebilen, malzemeleri tanıyabilen ve yiyecekleri iki bölmeli tepsilere uygun hassasiyetle yerleştirebilen bir robotik yapay zekâ sistemi kurdu. Bu sistemin merkezinde Ultralytics YOLO modellerini temel alan bir Görüntü Yapay Zekâ hattı bulunuyor.
Ultralytics YOLO modelleri nesne tespiti, yönlendirilmiş sınırlayıcı kutu (OBB) tespiti, örnek segmentasyonu ve görüntü sınıflandırması gibi temel bilgisayarlı görü görevlerini destekliyor. Bu yetenekler Chef robotlarının üretim hattını gerçek zamanlı olarak algılamasını sağlıyor.
Cafe Spice çok sayıda farklı SKU ürettiğinden Ultralytics YOLO modelleri, doğrudan üretim ortamında toplanan görüntülerle özel olarak eğitiliyor. Bu sayede robotlar malzemeleri gerçek fabrika koşullarında yorumlayabiliyor.
Şekil 2. Chef robotunun tepsileri nasıl gördüğü ve tespit ettiği (Kaynak)
Özellikle YOLO, konveyör boyunca ilerleyen tepsileri tespit etmek ve her malzeme için doğru bölmeyi belirlemek üzere kullanılıyor. Nesne tespitini bir adım ileri taşıyan OBB tespiti, sistemin kaseler, şeffaf bölmeler ve yönü değişebilen tepsiler dahil olmak üzere farklı açılarda görünen öğeleri anlamasını sağlıyor.
Neden Ultralytics YOLO modellerini seçmeli?#
Ultralytics YOLO modelleri, Chef'e hızlı üretim hatlarında gerçek zamanlı gıda montajı için gereken hızı ve doğruluğu sağlıyor. Üretimde Ultralytics YOLO modellerinin yaklaşık %99,5 doğruluk sunduğu görüldü; bu da farklı tepsiler, kaseler ve malzeme türlerinde santimetrenin altında hassasiyetle robotik yerleştirme için gereken kararlı tespitleri sağlıyor.
Ayrıca Ultralytics Python paketi, bu modelleri eğitmek, ince ayar yapmak ve yönetmek için gerekli araçları sunarak mühendislik ekiplerinin hızlı yinelemeler yapmasını kolaylaştırıyor. Örneğin platformlar arası dağıtım için ONNX gibi dışa aktarma biçimlerini destekliyor; böylece Chef'in ekibi modelleri robotik sistemleri arasında sorunsuzca dönüştürüp dağıtabiliyor.
Chef Robotics ve Ultralytics YOLO, Cafe Spice'ın üretimini ikiye katladı#
Ultralytics YOLO modelleriyle çalışan Chef'in yapay zekâ destekli robotik sistemlerini entegre ettikten sonra Cafe Spice; üretim miktarı, iş gücü verimliliği ve ürün kalitesi açısından anında ve ölçülebilir iyileşmeler gördü. Daha önce dakikada 12 tepsi hızında çalışan üretim hatları artık ortalama dakikada 30 tepsiye ulaşıyor; güncellenen konveyör sisteminde en yüksek hız dakikada 40 tepsiye çıkıyor. Bu, üretimin iki ila üç kat artması anlamına geliyor.
Şekil 3. Chef Robotics ve Ultralytics YOLO ile çalışan Cafe Spice yemek üretim hattı.
İş gücü verimliliği de arttı. Her hatta geçmişte 8–10 çalışan gerekirken Chef'in robotları bu sayıyı 3–4 çalışana düşürdü ve iş gücü verimliliğinde %60 artış sağladı. Boşalan kapasite, Cafe Spice'ın sürekli iş gücü açığı nedeniyle personel bulmakta zorlandığı diğer alanlara çalışanlarını kaydırmasına yardımcı oldu.
Kalite ve verim de önemli ölçüde arttı. Otomasyondan önce, düşük ağırlık nedeniyle ürünlerin reddedilmesini önlemek için porsiyonların fazla konulmasından büyük ölçüde kaynaklanan ürün fazlası oranı %9,19'du. Malzemeleri doğru yerleştirmek için YOLO tabanlı tespit kullanan robotlarla bu oran %3,05'e, yani %67 azaldı. Ayrıca kabul oranları da iyileşti: robotlarla hazırlanan tepsilerin %91'i Cafe Spice'ın kalite standartlarını karşılarken elle hazırlanan tepsilerde bu oran %75'ti.
Büyük ölçekli yemek üretimini daha akıllı ve hassas hâle getirmek#
Chef büyümeyi sürdürürken şirket, yapay zekâ destekli sistemlerini gıda sektöründeki çok çeşitli malzemelere, tepsilere ve üretim düzeneklerine daha iyi uyarlamaya odaklanıyor. Bu çalışmaların temel itici güçlerinden biri, insanların en iyi yaptıkları işleri yapmalarını sağlayan akıllı makineler geliştirme misyonu. Chef; algı modellerini geliştirerek, ürün geçişlerini kolaylaştırarak ve ürün çeşitliliği yüksek üretim için esnekliği artırarak katı bir makineden çok birlikte çalışan bir ekip arkadaşı gibi işleyen otomasyon sistemleri oluşturuyor.
Görüntü Yapay Zekâsını keşfetmek ister misin? Projelerine bilgisayarlı görü eklemek için lisanslama seçeneklerimizi keşfet. GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda sağlık hizmetlerinde yapay zekâyı ve perakendede bilgisayarlı görü uygulamalarını keşfet.
