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

Các nhà sản xuất pizza thường cần tạo ra những sản phẩm chất lượng cao, hình thức bắt mắt với tốc độ nhanh, nhưng việc kiểm tra thủ công các loại topping cho từng chiếc pizza có thể rất tốn thời gian. Specialvideo tận dụng phương pháp tiếp cận dựa trên AI thị giác để phát hiện và đếm nguyên liệu theo thời gian thực, giúp nhà sản xuất tuân thủ tiêu chuẩn công thức, giảm thiểu lãng phí và duy trì vận hành trơn tru.

Trong quá trình thử nghiệm các giải pháp thị giác khác nhau, Specialvideo phát hiện ra rằng một số kỹ thuật như phân đoạn ngữ nghĩa gặp khó khăn với các lớp phủ hoặc thành phần bị che khuất. Bằng cách sử dụng Ultralytics YOLO models, họ đã có thể vượt qua những trở ngại này và phát triển một hệ thống kiểm soát chất lượng tích hợp AI đáng tin cậy, có độ chính xác cao, giúp nhận dạng, đếm và xác minh các thành phần ngay lập tức. Hệ thống đảm bảo chất lượng đồng đều 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 có hơn 30 năm kinh nghiệm thiết kế các hệ thống thị giác máy tính tiên tiến cho hướng dẫn robot, kiểm tra tự động và phát hiện lỗi. Chuyên môn của họ cũng mở rộng sang lĩnh vực thị giác máy tính trong ngành công nghiệp thực phẩm.

Cụ thể, họ đã phát triển một hệ thống Vision AI food inspection sử dụng instance segmentation để tối ưu hóa quy trình sản xuất pizza. Bằng cách coi mỗi thành phần là một đối tượng riêng biệt, hệ thống có thể phát hiện, phân đoạn và đếm các nguyên liệu một cách chính xác trong thời gian thực. Hệ thống này giải quyết các vấn đề như hiện tượng che khuất (khi một nguyên liệu bị che một phần bởi nguyên liệu khác) và nhận diện trùng lặp (khi hệ thống xác định hai thực thể của cùng một nguyên liệu trong khi thực tế chỉ có một). Bằng cách xác định các lỗi sắp xếp (tức là nguyên liệu không đồng đều), nhà sản xuất có thể điều chỉnh các thông số sản xuất cho phù hợp.

Model này được thiết kế để dễ dàng thích ứng với các nguyên liệu mới và có thể được đào tạo lại mà không cần thay đổi toàn bộ hệ thống.

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

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

Các nhà sản xuất pizza thường vận hành với tốc độ cực nhanh, cho ra lò một chiếc pizza mới sau mỗi 600 mili giây. Với tốc độ đó, việc các kiểm tra viên con người theo kịp là rất khó khăn, tạo ra thách thức trong việc theo dõi các nguyên liệu topping và phát hiện lỗi một cách chính xác.

Thêm vào đó, các nguyên liệu chồng lấp như xúc xích salami và nấm có thể che khuất lẫn nhau, đôi khi dẫn đến tình trạng pizza thiếu hoặc thừa topping, phân bổ sai hoặc không đồng nhất về số lượng. Điều này không chỉ phá vỡ sự đồng nhất của sản phẩm mà còn gây hại cho danh tiếng thương hiệu khi khách hàng nhận được những chiếc pizza không đúng kỳ vọng.

Đồng thời, những vấn đề này làm tăng chi phí vận hành do tỷ lệ phế phẩm cao và lãng phí nguồn lực. Chưa kể, các kiểm tra viên con người có thể mệt mỏi sau những ca làm việc dài, khiến sự chú ý suy giảm và làm tăng nguy cơ sai sót.

Nhận thức rõ những hạn chế này, nhiều nhà sản xuất hiện đang ứng dụng hệ thống kiểm soát chất lượng và kiểm tra thực phẩm tự động hỗ trợ bởi computer vision. Những hệ thống đổi mới này cung cấp khả năng giám sát theo thời gian thực, giúp giảm thiểu lỗi do con người đồng thời duy trì các 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 sử dụng khả năng hỗ trợ phân đoạn cá thể của các model Ultralytics YOLO để kiểm tra từng chiếc pizza theo thời gian thực, đảm bảo chỉ những sản phẩm đạt chất lượng mới đến tay người tiêu dùng. Hệ thống đếm và đo lường chính xác lượng topping bằng cách so sánh từng chiếc pizza với công thức chuẩn, nhanh chóng phát hiện các nguyên liệu bị thiếu hoặc thừa, phân bổ không đều và số lượng không nhất quán.

Khi một chiếc pizza lỗi được phát hiện - cho dù do sắp xếp topping sai lệch, lượng nguyên liệu không chính xác hay các chất gây ô nhiễm như nhựa xanh - hệ thống sẽ tự động chuyển nó sang dây chuyền loại bỏ.

Để duy trì độ chính xác sau khi triển khai, Specialvideo liên tục mở rộng tập dữ liệu, cải thiện độ chính xác của việc gán nhãn và đào tạo lại YOLO định kỳ. Họ sử dụng data augmentation trong quá trình huấn luyện để ngăn ngừa tình trạng quá khớp và giúp mô hình tổng quát hóa từ một số lượng mẫu hạn chế. Ngoài ra, 10% hình ảnh huấn luyện bao gồm các loại pizza Margherita để cung cấp bối cảnh nền hữu ích, giúp mạng lưới xử lý các biến thể ngay cả trong cùng một loại nguyên liệu, chẳng hạn như các loại xúc xích Ý khác nhau.

Hơn thế nữa, để giúp quy trình đào tạo lại hiệu quả hơn, Specialvideo đã triển khai một quy trình làm việc cho các nguyên liệu pizza mới. Quy trình này tận dụng YOLO để tăng tốc độ gắn nhãn hình ảnh mới, giảm bớt nhu cầu giám sát của con người khi các loại nguyên liệu thay đổi.

Fig 1. YOLO được sử dụng để phát hiện và phân đoạn các thành phần trên bánh pizza nhằm phục vụ công tác kiểm tra thực phẩm bằng AI.

Tại sao lại chọn các mô hình Ultralytics YOLO?#

Specialvideo chọn sử dụng các mô hình Ultralytics YOLO vì chúng mang lại sự cân bằng tuyệt vời giữa AI model performance và chi phí. Với một GPU Nvidia GTX-1660ti (Graphics Processing Unit), hệ thống đạt thời gian suy luận chỉ từ 200 - 250ms, đủ nhanh để xử lý một dây chuyền sản xuất cứ sau 600ms lại tạo ra một chiếc pizza.

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

Giải pháp kiểm tra thực phẩm vận hành bằng YOLO mang lại độ chính xác 99%#

Bằng cách tích hợp các mô hình Ultralytics YOLO, giải pháp kiểm tra thực phẩm AI của Specialvideo đã chuyển đổi quy trình kiểm soát chất lượng trong sản xuất pizza. Trained trên một tập dữ liệu mạnh mẽ với hơn 1.500 hình ảnh, mô hình nhận diện chính xác hơn 10 nguyên liệu khác nhau, phân loại chúng thành các mặt hàng có thể đếm được như ô liu, lát xúc xích Ý, cá cơm và phô mai mozzarella, cùng các mặt hàng không thể đếm được như dăm bông cắt khối, nấm, phô mai lát và ớt chuông.

Hệ thống điều khiển bởi YOLO vận hành theo thời gian thực với độ chính xác lên tới 99%, vượt xa các kiểm tra viên con người và rút ngắn đáng kể thời gian kiểm tra so với các phương pháp thủ công.

Đáng chú ý, the solution đã cho thấy những kết quả đầy hứa hẹn khi nhận diện chính xác các nguyên liệu trong các sản phẩm thực phẩm không có trong dữ liệu huấn luyện ban đầu, chẳng hạn như salad và mì ống, tạo điều kiện mở rộng dễ dàng sang các dòng sản phẩm mới. Cuối cùng, phương pháp đổi mới này giúp nâng cao hiệu quả vận hành, giảm thiểu lãng phí và hạ thấp chi phí, thiết lập một tiêu chuẩn mới cho việc kiểm tra thực phẩm tự động và đảm bảo chất lượng.

Thúc đẩy sản xuất thông minh trong ngành thực phẩm#

Con đường phía trước đối với Specialvideo rất hứa hẹn. Công ty có kế hoạch mở rộng giải pháp AI thị giác sang các sản phẩm thực phẩm khác như salad và mì ống. Bằng cách liên tục tinh chỉnh các model học sâu (deep learning) và tăng trưởng bộ dữ liệu, Specialvideo đặt mục tiêu cải thiện kiểm soát chất lượng thời gian thực hơn nữa, giảm lãng phí và tăng hiệu suất sản xuất. Những cải tiến này sẽ góp phần thiết lập các tiêu chuẩn công nghiệp mới.

Bạn muốn thúc đẩy hoạt động của mình bằng Vision AI? Hãy truy cập GitHub repository 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 in healthcare và computer vision in manufacturing. Tìm các thông tin chi tiết về các mô hình YOLO của chúng tôi và licensing options, đồng thời thực hiện bước đầu tiên hướng tới tự động hóa thông minh và hiệu quả hơn.