Specialvideo, Ultralytics YOLO ile %99 gıda denetim doğruluğuna ulaşıyor

Pizza üreticileri genellikle yüksek hızda, görsel açıdan çekici ve yüksek kaliteli ürünler üretmeye ihtiyaç duyarlar, ancak her pizzanın üzerindeki malzemeleri manuel olarak denetlemek zaman alıcı olabilir. Specialvideo, malzemeleri gerçek zamanlı olarak tespit etmek ve saymak için yapay zeka destekli bir görüntü işleme yaklaşımından yararlanarak üreticilerin tarif standartlarını korumalarını, israfı azaltmalarını ve operasyonların sorunsuz devam etmesini mümkün kılıyor.

Çeşitli görme çözümlerini test ederken Specialvideo, anlamsal segmentasyon gibi bazı tekniklerin üst üste binen veya gizlenen malzemelerde zorlandığını fark etti. Ultralytics YOLO modelleri kullanarak bu engellerin üstesinden gelebildiler ve malzemeleri anında tanımlayan, sayan ve doğrulayan güvenilir, yüksek doğruluklu yapay zeka destekli bir kalite kontrol sistemi geliştirdiler. Bu, üretim hızından ödün vermeden tutarlı kalite sağlar.

Bilgisayarlı görü ile yapay zeka gıda denetimini iyileştirme#

1993 yılında İtalya'nın Imola şehrinde kurulan Specialvideo, robot yönlendirme, otomatik denetim ve kusur tespiti için gelişmiş bilgisayarlı görü sistemleri tasarlama konusunda 30 yılı aşkın deneyime sahiptir. Uzmanlıkları, gıda endüstrisindeki bilgisayarlı görü alanına da uzanmaktadır.

Özellikle, pizza üretimini optimize etmek için örnek bölütleme kullanan bir Vision AI gıda denetim sistemi geliştirdiler. Her malzemeyi ayrı bir nesne olarak ele alan sistem, bileşenleri gerçek zamanlı olarak doğru bir şekilde tespit edebilir, bölütleyebilir ve sayabilir. Kapanmaları (bir malzemenin diğeri tarafından kısmen örtülmesi) ve mükerrer tespitleri (sistem yalnızca bir malzeme varken iki örnek tanımladığında) ele alır. Yerleşim hatalarını (örneğin, dengesiz malzemeleri) belirleyerek üreticiler üretim parametrelerini buna göre ayarlayabilir.

Model, yeni malzemelere kolayca uyum sağlayacak şekilde tasarlanmıştır ve tam bir revizyona ihtiyaç duyulmadan yeniden eğitilebilir.

Ayrıca sistem, her ürünün yüksek güvenlik ve kalite standartlarını karşıladığından emin olmak için şekli kontrol edebilir, renk uyumluluğunu doğrulayabilir ve potansiyel kirleticileri tespit edebilir.

Gerçek zamanlı gıda kalite kontrolünde zorluklar#

Pizza üreticileri genellikle her 600 milisaniyede bir yeni bir pizza çıkararak inanılmaz derecede yüksek hızlarda çalışırlar. Bu hızda, insan denetçilerin ayak uydurması çok zordur ve malzemeleri izlemeyi ve kusurları doğru bir şekilde tespit etmeyi zorlaştırır.

Bunun da ötesinde, salam ve mantar gibi üst üste binen malzemeler birbirini gizleyebilir; bu da bazen eksik veya fazla malzemeli, yanlış dağıtılmış veya tutarsız miktarda pizzalara yol açar. Bu durum sadece ürünün tekdüzeliğini bozmakla kalmaz, aynı zamanda müşteriler beklentilerini karşılamayan pizzalar aldığında markanın itibarına da zarar verir.

Aynı zamanda bu sorunlar, yüksek fire oranları ve israf edilen kaynaklar nedeniyle operasyonel maliyetleri artırır. Bu sorunlara ek olarak, insan denetçiler uzun vardiyalar boyunca yorulabilir, dikkatlerinin azalmasına ve hata riskinin artmasına neden olabilir.

Bu tuzakların farkına varan birçok üretici artık computer vision özellikli kalite kontrolü ve otomatik gıda denetim sistemlerini benimseiyor. Bu yenilikçi sistemler gerçek zamanlı denetim sağlar, insan hatalarını azaltmaya yardımcı olur ve yüksek kaliteli çıktıları destekler.

Makine görü ile gerçek zamanlı gıda kusur tespiti#

Specialvideo'nun Vision AI çözümü, her pizzayı gerçek zamanlı olarak denetlemek için Ultralytics YOLO modellerinin örnek segmentasyon desteğini kullanır, böylece yalnızca kaliteli ürünler tüketicilere ulaşır. Her pizzayı tarifiyle karşılaştırarak malzemeleri doğru bir şekilde sayar ve ölçer; eksik veya fazla malzemeleri, dengesiz dağılımları ve tutarsız miktarları hızla tespit eder.

Hatalı bir pizza tespit edildiğinde - ister yanlış hizalanmış malzemeler, ister yanlış malzeme miktarları veya mavi plastik gibi kirleticiler nedeniyle olsun - sistem onu otomatik olarak bir fire hattına yönlendirir.

Dağıtım sonrasında doğruluğu korumak için Specialvideo, veri setini sürekli olarak genişletir, etiketleme doğruluğunu iyileştirir ve YOLO'yu düzenli olarak yeniden eğitir. Aşırı öğrenmeyi (overfitting) önlemek ve modelin sınırlı sayıda örnekten genelleme yapmasına yardımcı olmak için eğitim sırasında veri artırma kullanırlar. Ayrıca, eğitim görüntülerinin %10'u, ağın farklı salam türleri gibi aynı malzeme türü içinde bile varyasyonlarla başa çıkmasına yardımcı olan faydalı arka plan bağlamı sağlamak için Margarita pizzalarını içerir.

Bunun ötesinde, yeniden eğitim sürecini daha da verimli hale getirmek için Specialvideo, yeni pizza malzemeleri için bir iş akışı uyguladı. Bu iş akışı, yeni görüntülerin etiketlenmesini hızlandırmak için YOLO'dan yararlanır ve malzeme çeşitleri geliştikçe insan denetimine olan ihtiyacı azaltır.

Şekil 1. YOLO, AI gıda denetimi için bir pizzadaki malzemeleri tespit etmek ve bölütlemek için kullanılır.

Neden Ultralytics YOLO modellerini seçmelisin?#

AI model performansı ve maliyet arasında mükemmel bir denge sundukları için Specialvideo, Ultralytics YOLO modellerini kullanmayı seçti. Bir Nvidia GTX-1660gt GPU (Grafik İşlem Birimi) ile sistem, sadece 200 - 250ms çıkarsama sürelerine ulaşarak her 600ms'de bir pizza üreten bir üretim hattını idare edecek kadar hızlı olmasını sağlar.

YOLO'nun verimli işlem hızı, gerçek zamanlı kalite kontrolünü kolaylaştırır. Genel olarak, bu yaklaşım sadece üretimi kolaylaştırmakla kalmaz, aynı zamanda ölçeklenebilirliği destekleyerek yüksek hacimli gıda üretim ortamları için sağlam bir çözüm haline gelir.

YOLO destekli gıda denetim çözümü %99 doğruluk sağlıyor#

Ultralytics YOLO modellerini entegre ederek, Specialvideo’nun AI gıda denetim çözümü pizza üretiminde kalite kontrolünü dönüştürdü. 1.500'den fazla görüntüden oluşan sağlam bir veri setinde eğitilen model, 10'dan fazla farklı malzemeyi doğru bir şekilde tanır; bunları zeytin, salam dilimleri, ançüez ve mozzarella topları gibi sayılabilir öğeler ile küp doğranmış jambon, mantar, peynir dilimleri ve biber gibi sayrısal olmayan öğeler olarak kategorize eder.

YOLO tabanlı sistem, gerçek zamanlı olarak %99'a varan doğrulukla çalışarak insan denetçilerden daha iyi performans gösterir ve manuel yöntemlere kıyasla denetim sürelerini önemli ölçüde azaltır.

İlginç bir şekilde, çözüm, salatalar ve makarna gibi ilk eğitimine dahil edilmeyen gıda ürünlerindeki malzemeleri de doğru bir şekilde tanıyarak yeni ürün hatlarına daha kolay geçişi kolaylaştırarak umut verici sonuçlar göstermiştir. Sonuç olarak, bu yenilikçi yaklaşım operasyonel verimliliği artırır, atıkları en aza indirir ve maliyetleri düşürerek otomatik gıda denetimi ve kalite güvencesi için yeni bir standart belirler.

Gıda endüstrisinde akıllı üretimi teşvik etme#

Specialvideo için önümüzdeki yol heyecan verici görünüyor. Şirket, Vision AI çözümünü salata ve makarna gibi diğer gıda ürünlerini de içerecek şekilde genişletmeyi planlıyor. Derin öğrenme modellerini sürekli ince ayar yaparak ve veri setini büyüterek Specialvideo, gerçek zamanlı kalite kontrolünü daha da iyileştirmeyi, israfı azaltmayı ve üretim verimliliğini artırmayı hedefliyor. Bu geliştirmeler, yeni endüstri standartlarının belirlenmesine yardımcı olacaktır.

Want to boost your operations with Vision AI? Head over to our GitHub repository to see how Ultralytics’ AI solutions are making an impact in areas like AI in healthcare and computer vision in manufacturing. Find detailed insights on our YOLO models and licensing options, and take that first step toward smarter, more efficient automation.