Ultralytics YOLO modellerini entegre eden Specialvideo’nun yapay zekâ destekli gıda denetim sistemi, tespit doğruluğunu %99’a yükseltti ve denetim süresini pizza başına 250 ms’nin altına indirdi.
Pizza üreticilerinin genellikle görsel açıdan çekici, yüksek kaliteli ürünleri yüksek hızda üretmesi gerekir; ancak her pizzanın üzerindeki malzemeleri manuel olarak denetlemek zaman alabilir. Specialvideo, malzemeleri gerçek zamanlı olarak tespit edip saymak için görüntü yapay zekâsı destekli bir yaklaşım kullanıyor; böylece üreticilerin reçete standartlarını korumasını, israfı azaltmasını ve operasyonları sorunsuz şekilde sürdürmesini mümkün kılıyor.
Çeşitli görüntü çözümlerini test ederken Specialvideo, anlamsal segmentasyon gibi bazı tekniklerin üst üste binen veya gizlenen malzemelerde zorlandığını keşfetti. Ultralytics YOLO modellerini kullanarak bu zorlukların üstesinden gelebildiler ve malzemeleri anında tanımlayan, sayan ve doğrulayan güvenilir, yüksek doğruluklu, yapay zekâ destekli bir kalite kontrol sistemi geliştirdiler. Bu sistem, üretim hızından ödün vermeden tutarlı kalite sağlıyor.
Bilgisayarlı görüyle yapay zekâ destekli gıda denetimini iyileştirme#
1993 yılında İtalya’nın Imola kentinde kurulan Specialvideo, robot yönlendirme, otomatik denetim ve kusur tespiti için gelişmiş bilgisayarlı görü sistemleri tasarlama konusunda 30 yılı aşkın deneyimden yararlanıyor. Uzmanlıkları gıda sektöründeki bilgisayarlı görü uygulamalarını da kapsıyor.
Özellikle, pizza üretimini kolaylaştırmak için örnek segmentasyonu kullanan bir görüntü yapay zekâsı gıda denetim sistemi geliştirdiler. Sistem, her malzemeyi ayrı bir nesne olarak ele alarak malzemeleri gerçek zamanlı şekilde doğru biçimde tespit edebilir, segmentlere ayırabilir ve sayabilir. Bir malzemenin başka bir malzeme tarafından kısmen kapatılması gibi kapanma sorunlarını ve sistemin yalnızca bir malzeme olmasına rağmen iki örnek tespit etmesi gibi çift tespitleri ele alır. Üreticiler, yerleştirme hatalarını (yani dengesiz malzeme dağılımını) belirleyerek üretim parametrelerini buna göre ayarlayabilir.
Model, yeni malzemeleri kolayca destekleyecek şekilde tasarlanmıştır ve tamamen yeniden yapılandırılmadan yeniden eğitilebilir.
Ayrıca sistem şekli kontrol edebilir, renk uygunluğunu doğrulayabilir ve olası kirleticileri tespit ederek her ürünün yüksek güvenlik ve kalite standartlarını karşılamasını sağlayabilir.
Gerçek zamanlı gıda kalite kontrolündeki (QC) zorluklar#
Pizza üreticileri genellikle son derece yüksek hızlarda çalışır ve her 600 milisaniyede bir yeni pizza üretir. Bu hızda insan denetçilerin süreci takip etmesi çok zordur; bu da malzemeleri izlemeyi ve kusurları doğru şekilde tespit etmeyi güçleştirir.
Bunun yanı sıra salam ve mantar gibi üst üste binen malzemeler birbirini gizleyebilir; bu da bazen eksik veya fazla malzemeli, yanlış dağılıma ya da tutarsız miktarlara sahip pizzalara yol açar. Bu durum yalnızca ürünün bütünlüğünü bozmakla kalmaz, müşteriler beklentilerini karşılamayan pizzalar aldığında markanın itibarına da zarar verir.
Aynı zamanda bu sorunlar, daha yüksek hurda oranları ve kaynak israfı nedeniyle operasyonel maliyetleri artırır. Buna ek olarak, insan denetçiler uzun vardiyalar boyunca yorulabilir; bu da dikkatlerinin azalmasına ve hata riskinin artmasına neden olur.
Bu sorunların farkına varan birçok üretici, artık bilgisayarlı görü destekli kalite kontrol ve otomatik gıda denetim sistemlerini benimsiyor. Bu yenilikçi sistemler gerçek zamanlı gözetim sağlar ve yüksek kaliteli çıktıları desteklerken insan hatalarını azaltmaya yardımcı olur.
Makine görüşüyle gerçek zamanlı gıda kusuru tespiti#
Specialvideo’nun görüntü yapay zekâsı çözümü, yalnızca kaliteli ürünlerin tüketicilere ulaşmasını sağlamak amacıyla her pizzayı gerçek zamanlı olarak denetlemek için Ultralytics YOLO modellerinin örnek segmentasyonu desteğini kullanır. Her pizzayı reçetesiyle karşılaştırarak malzemeleri doğru şekilde sayar ve ölçer; eksik veya fazla malzemeleri, dengesiz dağılımları ve tutarsız miktarları hızla tespit eder.
Hatalı bir pizza tespit edildiğinde (malzemelerin yanlış hizalanması, hatalı malzeme miktarları veya mavi plastik gibi kirleticiler nedeniyle), sistem pizzayı otomatik olarak hurda hattına yönlendirir.
Specialvideo, dağıtımdan sonra doğruluğu korumak için veri kümesini sürekli genişletir, etiketleme doğruluğunu iyileştirir ve YOLO’yu düzenli olarak yeniden eğitir. Aşırı öğrenmeyi önlemek ve modelin sınırlı sayıdaki örnekten genelleme yapmasına yardımcı olmak için eğitim sırasında veri artırma kullanırlar. Ayrıca eğitim görüntülerinin %10’u, yararlı bir arka plan bağlamı sağlamak üzere Margherita pizzalarından oluşur; bu da ağın aynı malzeme türü içindeki farklı salam çeşitleri gibi değişkenleri ele almasına yardımcı olur.
Bunun ötesinde Specialvideo, yeniden eğitim sürecini daha da verimli hâle getirmek için yeni pizza malzemelerine yönelik bir iş akışı uygulamaya koydu. Bu iş akışı, yeni görüntülerin etiketlenmesini hızlandırmak için YOLO’dan yararlanır ve malzeme çeşitleri geliştikçe insan denetimi ihtiyacını azaltır.
Şekil 1. YOLO, yapay zekâ destekli gıda denetimi için bir pizzanın üzerindeki malzemeleri tespit etmek ve segmentlere ayırmak amacıyla kullanılır.
Neden Ultralytics YOLO modellerini seçmelisin?#
Specialvideo, yapay zekâ modeli performansı ile maliyet arasında mükemmel bir denge sundukları için Ultralytics YOLO modellerini kullanmayı tercih etti. Nvidia GTX-1660gt GPU’su (Grafik İşleme Birimi) ile sistem yalnızca 200–250 ms’lik çıkarım sürelerine ulaşıyor; bu da her 600 ms’de bir pizza üreten bir üretim hattını yönetecek kadar hızlı olduğu anlamına geliyor.
YOLO’nun verimli işlem hızı, gerçek zamanlı kalite kontrolünü kolaylaştırır. Genel olarak bu yaklaşım, üretimi kolaylaştırmanın yanı sıra ölçeklenebilirliği de destekleyerek yüksek hacimli gıda üretim ortamları için sağlam bir çözüm sunar.
YOLO destekli gıda denetim çözümü %99 doğruluk sağlıyor#
Ultralytics YOLO modellerini entegre eden Specialvideo’nun yapay zekâ destekli gıda denetim çözümü, pizza üretimindeki kalite kontrolünü dönüştürdü. 1.500’den fazla görüntüden oluşan sağlam bir veri kümesiyle eğitilen model, 10’dan fazla farklı malzemeyi doğru şekilde tanır ve bunları zeytin, salam dilimleri, ançüez ve mozzarella topları gibi sayılabilir öğeler ile küp doğranmış jambon, mantar, peynir dilimleri ve biber gibi sayılamayan öğeler olarak sınıflandırır.
YOLO destekli sistem, gerçek zamanlı olarak %99’a varan doğrulukla çalışır; insan denetçileri geride bırakır ve manuel yöntemlere kıyasla denetim sürelerini önemli ölçüde azaltır.
İlginç bir şekilde, çözüm, başlangıç eğitiminde yer almayan salata ve makarna gibi gıda ürünlerindeki malzemeleri doğru şekilde tanıyarak umut verici sonuçlar ortaya koydu; bu da yeni ürün gruplarına genişlemeyi kolaylaştırıyor. Sonuç olarak bu yenilikçi yaklaşım operasyonel verimliliği artırır, israfı en aza indirir ve maliyetleri düşürerek otomatik gıda denetimi ve kalite güvencesi için yeni bir ölçüt belirler.
Gıda sektöründe akıllı üretimi teşvik etme#
Specialvideo için önümüzdeki dönem heyecan verici görünüyor. Şirket, görüntü yapay zekâsı çözümünü salata ve makarna gibi diğer gıda ürünlerini de kapsayacak şekilde genişletmeyi planlıyor. Specialvideo, derin öğrenme modellerini sürekli olarak iyileştirip veri kümesini büyüterek gerçek zamanlı kalite kontrolünü daha da geliştirmeyi, israfı azaltmayı ve üretim verimliliğini artırmayı hedefliyor. Bu geliştirmeler, yeni sektör standartlarının belirlenmesine yardımcı olacak.
Operasyonlarını görüntü yapay zekâsıyla geliştirmek ister misin? Ultralytics’in yapay zekâ çözümlerinin sağlık hizmetlerinde yapay zekâ ve üretimde bilgisayarlı görü gibi alanlarda nasıl etki yarattığını görmek için GitHub depomuza göz at. YOLO modellerimiz ve lisans seçeneklerimiz hakkında ayrıntılı bilgiler edin ve daha akıllı, daha verimli otomasyona doğru ilk adımı at.
