Specialvideo đạt độ chính xác kiểm tra thực phẩm 99% với Ultralytics YOLO

Bằng cách tích hợp các model Ultralytics YOLO, hệ thống kiểm tra thực phẩm bằng AI của Specialvideo đã nâng độ chính xác phát hiện lên 99% và giảm thời gian kiểm tra xuống dưới 250 ms cho mỗi chiếc pizza.

Các nhà sản xuất pizza thường cần tạo ra sản phẩm bắt mắt, chất lượng cao với tốc độ lớn, nhưng việc kiểm tra thủ công phần nhân trên từng chiếc pizza có thể tốn nhiều thời gian. Specialvideo ứng dụng phương pháp dựa trên AI thị giác để phát hiện và đếm nguyên liệu theo thời gian thực, giúp nhà sản xuất duy trì đúng tiêu chuẩn công thức, giảm lãng phí và bảo đảm hoạt động thông suốt.

Trong quá trình thử nghiệm nhiều giải pháp thị giác khác nhau, Specialvideo nhận thấy một số kỹ thuật như phân đoạn ngữ nghĩa gặp khó khăn với các loại topping chồng lấn hoặc bị che khuất. Bằng cách sử dụng các model Ultralytics YOLO, họ đã vượt qua những trở ngại này và phát triển một hệ thống kiểm soát chất lượng ứng dụng AI đáng tin cậy, có độ chính xác cao, có thể nhận diện, đếm và xác minh topping ngay tại chỗ. Hệ thống bảo đảm chất lượng nhất quán mà không làm giảm tốc độ sản xuất.

Cải thiện kiểm tra thực phẩm bằng AI với thị giác máy tính#

Được thành lập năm 1993 tại Imola, Ý, Specialvideo có hơn 30 năm kinh nghiệm thiết kế các hệ thống thị giác máy tính tiên tiến cho dẫn hướng robot, kiểm tra tự động và phát hiện lỗi. Chuyên môn của công ty còn mở rộng sang ứng dụng thị giác máy tính trong ngành thực phẩm.

Cụ thể, công ty đã phát triển hệ thống kiểm tra thực phẩm bằng AI thị giác sử dụng phân đoạn thực thể để tối ưu hóa quy trình sản xuất pizza. Bằng cách xem mỗi loại nhân là một đối tượng riêng biệt, hệ thống có thể phát hiện, phân đoạn và đếm nguyên liệu chính xác theo thời gian thực. Hệ thống xử lý các vấn đề như che khuất (khi một nguyên liệu bị nguyên liệu khác che khuất một phần) và phát hiện trùng lặp (khi hệ thống nhận diện hai thực thể của một nguyên liệu trong khi thực tế chỉ có một). Bằng cách phát hiện lỗi phân bố (tức phần nhân không cân đối), nhà sản xuất có thể điều chỉnh các thông số sản xuất tương ứng.

Model được thiết kế để dễ dàng bổ sung nguyên liệu mới và có thể huấn luyện lại mà không cần đại tu toàn bộ.

Ngoài ra, hệ thống có thể kiểm tra hình dạng, xác minh màu sắc có đáp ứng yêu cầu hay không và phát hiện chất gây ô nhiễm tiềm ẩn, bảo đảm mỗi sản phẩm đáp ứng các tiêu chuẩn cao về an toàn và chất lượng.

Thách thức trong kiểm soát chất lượng thực phẩm (QC) theo thời gian thực#

Các nhà sản xuất pizza thường vận hành với tốc độ cực cao, cho ra lò một chiếc pizza mới cứ sau 600 mili giây. Với tốc độ đó, nhân viên kiểm tra khó theo kịp, khiến việc giám sát phần nhân và phát hiện chính xác lỗi trở nên đầy thách thức.

Ngoài ra, các nguyên liệu chồng lấp như salami và nấm có thể che khuất lẫn nhau, đôi khi dẫn đến pizza thiếu hoặc thừa nhân, phân bố không đúng hoặc định lượng không đồng nhất. Điều này không chỉ làm giảm tính đồng nhất của sản phẩm mà còn ảnh hưởng đến uy tín thương hiệu khi khách hàng nhận được pizza không đáp ứng kỳ vọng.

Đồng thời, những vấn đề này làm tăng chi phí vận hành do tỷ lệ sản phẩm bị loại bỏ cao hơn và lãng phí tài nguyên. Thêm vào đó, nhân viên kiểm tra có thể mệt mỏi sau những ca làm việc dài, khiến sự tập trung suy giảm và nguy cơ sai sót tăng lên.

Nhận thấy những hạn chế này, nhiều nhà sản xuất hiện đang áp dụng hệ thống kiểm soát chất lượng và kiểm tra thực phẩm tự động dựa trên thị giác máy tính. Các hệ thống tiên tiến này cung cấp khả năng giám sát theo thời gian thực, giúp giảm lỗi do con người đồng thời hỗ trợ duy trì sản phẩm đầu ra chất lượng cao.

Phát hiện lỗi thực phẩm theo thời gian thực bằng thị giác máy#

Giải pháp AI thị giác của Specialvideo tận dụng khả năng phân đoạn thực thể của các model Ultralytics YOLO để kiểm tra từng chiếc pizza theo thời gian thực, bảo đảm chỉ sản phẩm đạt chất lượng mới đến tay người tiêu dùng. Giải pháp đếm và đo lường chính xác phần nhân bằng cách so sánh từng chiếc pizza với công thức, nhanh chóng phát hiện nguyên liệu bị thiếu hoặc thừa, phân bố không đồng đều và định lượng không nhất quán.

Khi phát hiện một chiếc pizza lỗi do lớp phủ không được căn chỉnh, lượng nguyên liệu không chính xác hoặc có tạp chất như nhựa màu xanh, hệ thống sẽ tự động chuyển chiếc pizza đó sang dây chuyền phế phẩm.

Để duy trì độ chính xác sau khi triển khai, Specialvideo liên tục mở rộng dataset, cải thiện độ chính xác của nhãn và thường xuyên huấn luyện lại YOLO. Công ty sử dụng tăng cường dữ liệu trong quá trình huấn luyện để ngăn hiện tượng overfitting và giúp model khái quát hóa từ số lượng mẫu hạn chế. Ngoài ra, 10% ảnh huấn luyện có pizza Margherita để cung cấp ngữ cảnh nền hữu ích, giúp mạng xử lý các biến thể ngay cả trong cùng một loại nguyên liệu, chẳng hạn các loại salami khác nhau.

Ngoài ra, để quy trình huấn luyện lại hiệu quả hơn nữa, Specialvideo đã triển khai workflow xử lý các nguyên liệu pizza mới. Workflow này tận dụng YOLO để tăng tốc gán nhãn ảnh mới, giảm nhu cầu giám sát của con người khi chủng loại nguyên liệu thay đổi.

Hình 1. YOLO được sử dụng để phát hiện và phân đoạn phần nhân trên pizza phục vụ kiểm tra thực phẩm bằng AI.

Vì sao chọn các model Ultralytics YOLO?#

Specialvideo chọn sử dụng các model Ultralytics YOLO vì chúng cân bằng tốt giữa hiệu năng model AI và chi phí. Với GPU NVIDIA GTX 1660 (bộ xử lý đồ họa), hệ thống đạt thời gian suy luận chỉ 200–250 ms, đủ nhanh để xử lý dây chuyền sản xuất một chiếc pizza mỗi 600 ms.

Tốc độ xử lý hiệu quả của YOLO hỗ trợ kiểm soát chất lượng theo thời gian thực. Nhìn chung, phương pháp này không chỉ tối ưu hóa sản xuất mà còn hỗ trợ mở rộng quy mô, trở thành giải pháp vững chắc cho môi trường sản xuất thực phẩm khối lượng lớn.

Giải pháp kiểm tra thực phẩm ứng dụng YOLO đạt độ chính xác 99%#

Bằng cách tích hợp các model Ultralytics YOLO, giải pháp kiểm tra thực phẩm bằng AI của Specialvideo đã chuyển đổi hoạt động kiểm soát chất lượng trong sản xuất pizza. Được huấn luyện trên dataset mạnh mẽ gồm hơn 1.500 ảnh, model nhận diện chính xác hơn 10 nguyên liệu khác nhau, phân loại chúng thành các loại có thể đếm như ô liu, lát salami, cá cơm và viên mozzarella, cùng các loại không thể đếm như giăm bông thái hạt lựu, nấm, lát phô mai và ớt chuông.

Hệ thống ứng dụng YOLO hoạt động theo thời gian thực với độ chính xác lên đến 99%, vượt trội so với nhân viên kiểm tra và giảm đáng kể thời gian kiểm tra so với phương pháp thủ công.

Đáng chú ý, giải pháp đã cho thấy kết quả đầy hứa hẹn khi nhận diện chính xác nguyên liệu trong các sản phẩm thực phẩm không có trong dữ liệu huấn luyện ban đầu, chẳng hạn như salad và pasta, giúp dễ dàng mở rộng sang các dòng sản phẩm mới. Nhìn chung, phương pháp đổi mới này nâng cao hiệu quả vận hành, giảm thiểu lãng phí và hạ thấp chi phí, đồng thời thiết lập chuẩn mực mới cho hoạt động kiểm tra thực phẩm tự động và bảo đảm chất lượng.

Thúc đẩy sản xuất thông minh trong ngành thực phẩm#

Tương lai của Specialvideo đầy hứa hẹn. Công ty dự định mở rộng giải pháp AI thị giác sang các sản phẩm thực phẩm khác như salad và pasta. Bằng cách liên tục tinh chỉnh model deep learning và mở rộng dataset, Specialvideo đặt mục tiêu cải thiện hơn nữa hoạt động kiểm soát chất lượng theo thời gian thực, giảm lãng phí và tăng hiệu quả sản xuất. Những cải tiến này sẽ góp phần thiết lập các tiêu chuẩn mới cho ngành.

Bạn muốn nâng cao hoạt động vận hành bằng Vision AI? Truy cập repository GitHub của chúng tôi để xem các giải pháp AI của Ultralytics đang tạo ra tác động như thế nào trong những lĩnh vực như kiểm tra trực quan tự động và thị giác máy tính trong sản xuất. Tìm hiểu chi tiết về các model YOLO và các tùy chọn cấp phép, rồi bắt đầu hành trình hướng tới tự động hóa thông minh và hiệu quả hơn.