Ultralytics YOLO cung cấp sức mạnh cho công cụ kiểm tra thực phẩm của Specialvideo

Các nhà sản xuất pizza thường cần sản xuất các sản phẩm chất lượng cao, hấp dẫn về mặt thị giác với tốc độ cao, nhưng việc kiểm tra thủ công các lớp phủ trên mỗi chiếc pizza có thể tốn thời gian. Specialvideo tận dụng phương pháp tiếp cận dựa trên AI thị giác để phát hiện và đếm các thành phần theo thời gian thực, giúp các nhà sản xuất có thể duy trì các tiêu chuẩn công thức, giảm lãng phí và duy trì hoạt động trơn tru.

Trong khi thử nghiệm các giải pháp thị giác khác nhau, Specialvideo phát hiện ra rằng một số kỹ thuật nhất định như phân đoạn ngữ nghĩa gặp khó khăn với các lớp phủ chồng chéo hoặc bị ẩn. Bằng cách sử dụng các mô hình Ultralytics YOLO, họ đã có thể giải quyết những trở ngại này và phát triển một hệ thống kiểm soát chất lượng hỗ trợ bởi AI đáng tin cậy, có độ chính xác cao, hệ thống này xác định, đếm và xác minh các lớp phủ một cách nhanh chóng. Nó đảm bảo 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 vào năm 1993 tại Imola, Ý, Specialvideo dựa trên hơn 30 năm kinh nghiệm thiết kế các hệ thống thị giác máy tính tiên tiến để hướng dẫn robot, kiểm tra tự động và phát hiện lỗi. Chuyên môn của họ cũng mở rộng sang thị giác máy tính trong ngành công nghiệp thực phẩm. 

Đặc biệt, họ đã phát triển một hệ thống kiểm tra thực phẩm bằng Vision AI sử dụng phân đoạn thể hiện (instance segmentation) để hợp lý hóa quy trình sản xuất pizza. Bằng cách xử lý từng lớp phủ (topping) như một đối tượng riêng biệt, hệ thống có thể phát hiện, phân đoạn và đếm chính xác các thành phần theo thời gian thực. Nó giải quyết các vấn đề như tắc nghẽn (khi một thành phần bị che khuất một phần bởi một thành phần khác) và phát hiện trùng lặp (khi hệ thống xác định hai thể hiện của một thành phần trong khi chỉ có một). Bằng cách xác định các lỗi vị trí (ví dụ: các lớp phủ không cân bằng), các nhà sản xuất có thể điều chỉnh các thông số sản xuất cho phù hợp.

Mô hình được thiết kế để dễ dàng điều chỉnh các thành phần mới và có thể được đào tạo lại mà không cần đại tu toàn bộ.

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

Những thách thức trong kiểm soát chất lượng (QC) thực phẩm theo thời gian thực

Các nhà sản xuất pizza thường hoạt động với tốc độ cực kỳ cao, cho ra một chiếc pizza mới sau mỗi 600 mili giây. Với tốc độ đó, rất khó để người kiểm tra theo kịp, gây khó khăn cho việc theo dõi các lớp phủ và phát hiện bất kỳ lỗi nào một cách chính xác.

Hơn nữa, các thành phần chồng chéo như salami và nấm có thể che khuất lẫn nhau, đôi khi dẫn đến pizza bị thiếu hoặc thừa topping, phân phối không chính xác hoặc số lượng không nhất quán. Điều này không chỉ phá vỡ tính đồng nhất của sản phẩm mà còn gây tổn hại đến uy tín của thương hiệu khi khách hàng nhận được những chiếc pizza không đáp ứng được mong đợi của họ. 

Đồng thời, những vấn đề này làm tăng chi phí vận hành thông qua tỷ lệ phế phẩm cao hơn và lãng phí tài nguyên. Thêm vào những vấn đề này, các thanh tra viên là con người có thể trở nên mệt mỏi sau những ca làm việc dài, khiến sự chú ý của họ giảm sút và tăng nguy cơ mắc lỗi. 

Nhận thấy những cạm bẫy này, nhiều nhà sản xuất hiện đang áp dụng hệ thống kiểm soát chất lượng và kiểm tra thực phẩm tự động hỗ trợ thị giác máy tính. Các hệ thống cải tiến này cung cấp sự giám sát theo thời gian thực và giúp giảm thiểu lỗi của con người đồng thời hỗ trợ đầu ra chất lượng cao. 

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

Giải pháp Vision AI của Specialvideo sử dụng hỗ trợ phân đoạn instance của các mô hình Ultralytics YOLO để kiểm tra từng chiếc bánh pizza theo thời gian thực, nhờ đó chỉ những sản phẩm chất lượng mới đến tay người tiêu dùng. Nó đếm và đo lường chính xác các loại topping bằng cách so sánh từng chiếc bánh pizza với công thức của nó, nhanh chóng phát hiện các thành phần bị thiếu hoặc thừa, sự phân bố không đều và số lượng không nhất quán.

Khi một chiếc pizza bị lỗi được phát hiện - do các lớp phủ không thẳng hàng, lượng nguyên liệu không chính xác hoặc các chất gây ô nhiễm như nhựa màu xanh lam - hệ thống sẽ tự động chuyển nó đến dây chuyền loại bỏ. 

Để duy trì độ chính xác sau triển khai, Specialvideo liên tục mở rộng tập dữ liệu, tinh chỉnh độ chính xác của việc gán nhãn và thường xuyên huấn luyện lại YOLO. Họ sử dụng tăng cường dữ liệu trong quá trình huấn luyện để ngăn chặn tình trạng quá khớp và giúp mô hình khái quát hóa từ một số lượng mẫu hạn chế. Ngoài ra, 10% hình ảnh huấn luyện có pizza Margherita để cung cấp bối cảnh hữu ích, giúp mạng lưới xử lý các biến thể ngay cả trong cùng một loại nguyên liệu, chẳng hạn như các loại salami khác nhau.

Ngoài ra, để làm cho quá trình đào tạo lại hiệu quả hơn nữa, Specialvideo đã triển khai một quy trình làm việc cho các thành phần pizza mới. Quy trình làm việc này tận dụng YOLO để tăng tốc việc dán nhãn hình ảnh mới, giảm nhu cầu giám sát của con người khi các loại thành phần phát triển.

‍

Tại sao nên chọn các mô hình Ultralytics YOLO?

Specialvideo đã chọn sử dụng các mô hình Ultralytics YOLO vì chúng mang lại sự cân bằng tuyệt vời giữa hiệu suất mô hình AI và chi phí. Với GPU (Bộ xử lý đồ họa) Nvidia GTX-1660gt, hệ thống đạt được thời gian suy luận chỉ 200 - 250ms, đủ nhanh để xử lý một dây chuyền sản xuất ra một chiếc bánh pizza sau mỗi 600ms. 

Tốc độ xử lý hiệu quả của YOLO tạo điều kiện thuận lợi cho việc kiểm soát chất lượng theo thời gian thực. Nhìn chung, phương pháp này không chỉ hợp lý hóa sản xuất mà còn hỗ trợ khả năng mở rộng, khiến nó trở thành một giải pháp mạnh mẽ cho môi trường sản xuất thực phẩm khối lượng lớn. 

Giải pháp kiểm tra thực phẩm hỗ trợ YOLO mang lại độ chính xác 99%

Bằng cách tích hợp các mô hình Ultralytics YOLO, giải pháp kiểm tra thực phẩm bằng AI của Specialvideo đã thay đổi việc kiểm soát chất lượng trong sản xuất pizza. Được huấn luyện trên một tập dữ liệu mạnh mẽ gồm hơn 1.500 hình ảnh, mô hình này nhận dạng chính xác hơn 10 thành phần khác nhau, phân loại chúng thành các mục có thể đếm được, chẳng hạn như ô liu, lát salami, cá cơm và viên mozzarella, và các mục không đếm được, như giăm bông thái hạt lựu, nấm, lát phô mai và ớt. 

Hệ thống điều khiển bằng YOLO hoạt động trong thời gian thực với độ chính xác lên đến 99%, vượt trội so với các thanh tra viên là con người và giảm đáng kể thời gian kiểm tra so với các phương pháp thủ công. 

Điều thú vị là, giải pháp này đã cho thấy những kết quả đầy hứa hẹn bằng cách nhận dạng chính xác các thành phần trong các sản phẩm thực phẩm không có trong quá trình đào tạo ban đầu, chẳng hạn như salad và mì ống, tạo điều kiện mở rộng dễ dàng hơn sang các dòng sản phẩm mới. Cuối cùng, cách tiếp cận sáng tạo này giúp tăng hiệu quả hoạt động, giảm thiểu lãng phí và giảm chi phí, đặt ra một chuẩn mực mới cho việc kiểm tra thực phẩm và đảm bảo chất lượng tự động.

Thúc đẩy sản xuất thông minh trong ngành công nghiệp thực phẩm

Hướng đi tương lai của Specialvideo có vẻ đầy hứa hẹn. Công ty có kế hoạch mở rộng giải pháp Vision AI của mình để bao gồm các sản phẩm thực phẩm khác như salad và mì ống. Bằng cách liên tục tinh chỉnh các mô hình deep learning và phát triển bộ dữ liệu của mình, Specialvideo hướng đến việc cải thiện hơn nữa khả năng kiểm soát chất lượng theo thời gian thực, giảm lãng phí và tăng hiệu quả sản xuất. Những cải tiến này sẽ giúp thiết lập các tiêu chuẩn mới cho ngành.

Bạn muốn thúc đẩy hoạt động của mình bằng Vision AI? Hãy truy cập kho lưu trữ GitHub của chúng tôi để xem các giải pháp AI của Ultralytics đang tạo ra tác động như thế nào trong các lĩnh vực như AI trong chăm sóc sức khỏe và thị giác máy tính trong sản xuất. Tìm hiểu thông tin chi tiết về các mô hình YOLO của chúng tôi và các tùy chọn cấp phép, đồng thời thực hiện bước đầu tiên hướng tới tự động hóa thông minh hơn, hiệu quả hơn.