Specialvideo, pizza üreticileri için güvenilir, yüksek hızlı bir kalite kontrol süreci oluşturmaya çalışıyordu çünkü insan denetimleri her 600 ms'de bir pizza üretmeye yetişemiyordu.
Specialvideo'nun yapay zeka gıda denetim sistemi, Ultralytics YOLO modellerini entegre ederek algılama doğruluğunu %95'in üzerine çıkardı ve denetim süresini pizza başına 250 ms'nin altına düşürdü.
Pizza üreticilerinin genellikle görsel olarak çekici, yüksek kaliteli ürünleri yüksek hızda üretmeleri gerekir, ancak her pizza için malzemeleri manuel olarak incelemek zaman alıcı olabilir. Specialvideo, malzemeleri gerçek zamanlı olarak tespit etmek ve saymak için yapay zeka odaklı bir vizyon yaklaşımından yararlanarak üreticilerin tarif standartlarını korumasını, israfı azaltmasını ve sorunsuz operasyonları sürdürmesini mümkün kılar.
Specialvideo, çeşitli görüntü çözümlerini test ederken, semantik segmentasyon gibi belirli tekniklerin üst üste binen veya gizlenen soslarla mücadele ettiğini keşfetti. Ultralytics YOLO modellerini kullanarak, bu engellerin üstesinden gelebildiler ve sosları anında tanımlayan, sayan ve doğrulayan güvenilir, yüksek doğrulukta yapay zeka destekli bir kalite kontrol sistemi geliştirdiler. Bu sistem, üretim hızından ödün vermeden tutarlı bir kalite sağlıyor.
1993 yılında İtalya'nın Imola kentinde kurulan Specialvideo, robot yönlendirme, otomatik denetim ve kusur tespiti için gelişmiş bilgisayarla görme sistemleri tasarlama konusunda 30 yılı aşkın deneyime sahiptir. Uzmanlıkları gıda endüstrisinde bilgisayarla görmeyi de kapsamaktadır.
Özellikle, pizza üretimini kolaylaştırmak için örnek segmentasyonunu kullanan bir Vision AI gıda denetim sistemi geliştirdiler. Her bir malzemeyi ayrı bir nesne olarak ele alan sistem, malzemeleri gerçek zamanlı olarak doğru bir şekilde algılayabiliyor, bölümlere ayırabiliyor ve sayabiliyor. Oklüzyonlar (bir malzemenin diğeri tarafından kısmen örtülmesi) ve çift tespitler (sistemin bir malzemenin yalnızca bir örneği varken iki örneğini tanımlaması) gibi sorunları ele alır. Üreticiler, yerleştirme hatalarını (yani dengesiz soslar) belirleyerek üretim parametrelerini buna göre ayarlayabilirler.
Model, yeni bileşenleri kolayca barındıracak şekilde tasarlanmıştır ve tam bir revizyon olmadan yeniden eğitilebilir.
Ayrıca sistem şekli kontrol edebilir, renk uyumluluğunu doğrulayabilir ve potansiyel kirleticileri tespit ederek her ürünün yüksek güvenlik ve kalite standartlarını karşıladığından emin olabilir.
Pizza üreticileri genellikle inanılmaz yüksek hızlarda çalışır ve her 600 milisaniyede bir yeni bir pizza üretir. Bu hızda, insan denetçilerin yetişmesi çok zordur, bu da 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 dağılımlı veya tutarsız miktarlarda pizzalara yol açar. Bu durum sadece ürünün bütünlüğünü bozmakla kalmaz, aynı zamanda müşterilerin beklentilerini karşılamayan pizzalar almaları durumunda markanın itibarına da zarar verir.
Aynı zamanda bu sorunlar, daha yüksek hurda oranları ve boşa harcanan kaynaklar yoluyla operasyonel maliyetleri artırır. Bu sorunlara ek olarak, insan denetçiler uzun vardiyalar boyunca yorulabilir, bu da dikkatlerinin azalmasına ve hata riskinin artmasına neden olabilir.
Bu tuzakların 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.
Specialvideo'nun Vision AI çözümü, her pizzayı gerçek zamanlı olarak incelemek için Ultralytics YOLO modellerinin örnek segmentasyon desteğini kullanır, böylece tüketicilere yalnızca kaliteli ürünler ulaşır. Her pizzayı tarifiyle karşılaştırarak malzemeleri doğru bir şekilde sayar ve ölçer, eksik veya fazla malzemeleri, eşit olmayan dağılımları ve tutarsız miktarları hızla tespit eder.
Hatalı bir pizza tespit edildiğinde - yanlış hizalanmış malzemeler, yanlış malzeme miktarları veya mavi plastik gibi kirleticiler nedeniyle - sistem pizzayı otomatik olarak hurda hattına yönlendirir.
Specialvideo, dağıtım sonrası doğruluğu korumak için veri setini sürekli olarak genişletiyor, etiketleme doğruluğunu iyileştiriyor ve YOLO'yu düzenli olarak yeniden eğitiyor. Aşırı uyumu önlemek ve modelin sınırlı sayıda örnekten genelleme yapmasına yardımcı olmak için eğitim sırasında veri artırımı kullanıyorlar. Ayrıca, eğitim görüntülerinin %10'u, ağın farklı salam türleri gibi aynı içerik türünde bile varyasyonları ele almasına yardımcı olan yararlı arka plan bağlamı sağlamak için Margherita pizzalarını içeriyor.
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 yararlanıyor ve malzeme çeşitleri geliştikçe insan gözetimine olan ihtiyacı azaltıyor.
Specialvideo, Ultralytics YOLO modellerini kullanmayı seçti çünkü yapay zeka modeli performansı ve maliyeti arasında mükemmel bir denge sunuyorlar. Nvidia GTX-1660gt GPU (Grafik İşleme Birimi) ile sistem sadece 200 - 250 ms'lik çıkarım sürelerine ulaşarak her 600 ms'de bir pizza üreten bir üretim hattını idare edecek kadar hızlı hale geliyor.
YOLO'nun verimli işleme hızı gerçek zamanlı kalite kontrolünü kolaylaştırır. Genel olarak, bu yaklaşım sadece üretimi kolaylaştırmakla kalmaz, aynı zamanda ölçeklenebilirliği de destekler ve yüksek hacimli gıda üretim ortamları için sağlam bir çözüm haline getirir.
Specialvideo'nun yapay zeka gıda denetim çözümü, Ultralytics YOLO modellerini entegre ederek pizza üretiminde kalite kontrolünü dönüştürdü. 1.500'den fazla görüntüden oluşan sağlam bir veri kümesi üzerinde eğitilen model, 10'dan fazla farklı malzemeyi doğru bir şekilde tanıyarak bunları zeytin, salam dilimleri, hamsi ve mozzarella topları gibi sayılabilir öğeler ve küp jambon, mantar, peynir dilimleri ve biber gibi sayılamayan öğeler olarak sınıflandırır.
YOLO güdümlü 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, salata ve makarna gibi başlangıç eğitiminde yer almayan gıda ürünlerindeki bileşenleri doğru bir şekilde tanıyarak umut verici sonuçlar ortaya koymuş ve yeni ürün gruplarına daha kolay genişlemeyi kolaylaştırmıştır. Sonuç olarak, bu yenilikçi yaklaşım operasyonel verimliliği artırıyor, israfı en aza indiriyor ve maliyetleri düşürerek otomatik gıda denetimi ve kalite güvencesi için yeni bir ölçüt oluşturuyor.
Specialvideo'nun önündeki yol heyecan verici görünüyor. Şirket, Vision AI çözümünü salata ve makarna gibi diğer gıda ürünlerini de kapsayacak şekilde genişletmeyi planlıyor. Specialvideo, derin öğrenme modellerine sürekli olarak ince ayar yaparak ve veri setini büyüterek gerçek zamanlı kalite kontrolünü daha da iyileştirmeyi, israfı azaltmayı ve üretim verimliliğini artırmayı hedefliyor. Bu geliştirmeler yeni endüstri standartlarının belirlenmesine yardımcı olacaktır.
Vision AI ile operasyonlarınızı güçlendirmek mi istiyorsunuz? Ultralytics'in yapay zeka çözümlerinin sağlık hizmetlerinde yapay zeka ve üretimde bilgisayar görüşü gibi alanlarda nasıl bir etki yarattığını görmek için GitHub depomuza gidin. YOLO modellerimiz ve lisanslama seçeneklerimiz hakkında ayrıntılı bilgiler bulun ve daha akıllı, daha verimli otomasyona doğru ilk adımı atın.
Ultralytics YOLO modelleri, görüntülerden ve video girdilerinden gelen görsel verileri analiz etmek için geliştirilmiş bilgisayarla görme mimarileridir. Bu modeller Nesne algılama, sınıflandırma, poz tahmini, izleme ve örnek segmentasyonu gibi görevler için eğitilebilir Ultralytics YOLO modelleri şunları içerir:
Ultralytics YOLO11, Bilgisayarla Görme modellerimizin en son sürümüdür. Tıpkı önceki sürümleri gibi, Vision AI topluluğunun YOLOv8 hakkında sevdiği tüm bilgisayarla görme görevlerini destekler. Bununla birlikte, yeni YOLO11 daha yüksek performans ve doğrulukla birlikte gelir, bu da onu güçlü bir araç ve gerçek dünyadaki endüstri zorlukları için mükemmel bir müttefik haline getirir.
Kullanmayı seçtiğiniz model, özel proje gereksinimlerinize bağlıdır. Performans, doğruluk ve dağıtım ihtiyaçları gibi faktörleri göz önünde bulundurmak çok önemlidir. İşte hızlı bir genel bakış:
YOLOv5 ve YOLO11 gibi Ultralytics YOLO depoları, varsayılan olarak AGPL-3.0 Lisansı altında dağıtılır. OSI onaylı bu lisans öğrenciler, araştırmacılar ve meraklılar için tasarlanmıştır, açık işbirliğini teşvik eder ve AGPL-3.0 bileşenlerini kullanan herhangi bir yazılımın da açık kaynaklı olmasını gerektirir. Bu, şeffaflığı sağlar ve yeniliği teşvik ederken, ticari kullanım durumlarıyla uyumlu olmayabilir.
Projeniz Ultralytics yazılımını ve AI modellerini ticari ürünlere veya hizmetlere yerleştirmeyi içeriyorsa ve AGPL-3.0'ın açık kaynak gereksinimlerini atlamak istiyorsanız, bir Kurumsal Lisans idealdir.
Kurumsal Lisansın faydaları şunlardır:
Sorunsuz entegrasyon sağlamak ve AGPL-3.0 kısıtlamalarından kaçınmak için, sağlanan formu kullanarak bir Ultralytics Kurumsal Lisansı talep edin. Ekibimiz, lisansı özel ihtiyaçlarınıza göre uyarlamanıza yardımcı olacaktır.
.webp)
.webp)
.webp)
.webp)