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 görüntü işleme çözümlerini test ederken Specialvideo, anlamsal segmentasyon gibi bazı tekniklerin üst üste binen veya gizli malzemelerle mücadele ettiğini fark etti. Ultralytics YOLO modellerini kullanarak, bu engelleri aşmayı ve malzemeleri anında tanımlayan, sayan ve doğrulayan güvenilir, yüksek doğruluklu yapay zeka destekli bir kalite kontrol sistemi geliştirmeyi başardılar. Bu sistem, üretim hızından ödün vermeden tutarlı bir kalite sağlar.

Link to this sectionBilgisayarlı 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 kolaylaştırmak için görsel yapay zeka tabanlı gıda denetim sistemini geliştirdiler ve bu sistemde örnek segmentasyonu kullandılar. Her bir malzemeyi ayrı bir nesne olarak ele alan sistem, içerikleri gerçek zamanlı olarak hassas bir şekilde algılayabiliyor, segmentlere ayırabiliyor ve sayabiliyor. Sistem, tıkanıklıklar (bir malzemenin diğeri tarafından kısmen örtüldüğü durumlar) ve çift algılamalar (sistem tek bir malzeme varken iki örnek tanımladığında) gibi sorunları gideriyor. Üreticiler, yerleştirme hatalarını (yani dengesiz dağıtılan malzemeleri) belirleyerek üretim parametrelerini buna göre ayarlayabiliyor.

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.

Link to this sectionGerçek 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 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.

Link to this sectionMakine 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 sonrası doğruluğu korumak için Specialvideo, veri setini sürekli 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 yöntemini kullanırlar. Ayrıca, eğitim görüntülerinin %10'u, ağın farklı salam türleri gibi aynı malzeme türünde bile çeşitlilikleri yönetmesine yardımcı olan faydalı arka plan bağlamı sağlamak için Margherita pizzalarından oluşur.

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, yapay zeka gıda denetimi için bir pizzadaki malzemeleri tespit etmek ve segmentlere ayırmak için kullanılır.

Link to this sectionNeden Ultralytics YOLO modellerini seçmelisin?#

Specialvideo, yapay zeka model performansı ile maliyet arasında harika bir denge sundukları için Ultralytics YOLO modellerini kullanmayı tercih etti. 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 yönetecek kadar hızlı hale geldi.

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.

Link to this sectionYOLO destekli gıda denetim çözümü %99 doğruluk sağlıyor#

Ultralytics YOLO modellerini entegre ederek, Specialvideo'nun yapay zeka gıda denetim çözümü pizza üretiminde kalite kontrolünü dönüştürdü. 1.500'den fazla görüntüden oluşan sağlam bir veri seti üzerinde eğitilen model, zeytin, salam dilimleri, hamsi ve mozzarella topları gibi sayılabilir öğeler ve küp jambon, mantar, peynir dilimleri ve biber gibi sayılamayan öğeler olarak kategorize ederek 10'dan fazla farklı malzemeyi doğru bir şekilde tanır.

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, salata ve makarna gibi ilk eğitiminde yer almayan gıda ürünlerindeki malzemeleri de doğru bir şekilde tanıyarak umut verici sonuçlar göstermiş, böylece yeni ürün gruplarına genişlemeyi kolaylaştırmıştır. Nihayetinde, bu yenilikçi yaklaşım operasyonel verimliliği artırır, israfı en aza indirir ve maliyetleri düşürerek otomatik gıda denetimi ve kalite güvencesi için yeni bir standart belirler.

Link to this sectionGıda 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.