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 rút ngắn thời gian kiểm tra xuống dưới 250 ms cho mỗi chiếc pizza.
Các nhà sản xuất pizza thường cần tạo ra những sản phẩm bắt mắt, chất lượng cao với tốc độ nhanh, nhưng việc kiểm tra thủ công phần topping trên từng chiếc pizza có thể tốn nhiều thời gian. Specialvideo áp dụng phương pháp dựa trên AI thị giác để phát hiện và đếm nguyên liệu theo thời gian thực, giúp các nhà sản xuất duy trì tiêu chuẩn công thức, giảm lãng phí và đảm bảo vận hành trơn tru.
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 khi các phần topping chồng lấn hoặc bị che khuất. Bằng cách sử dụng các model Ultralytics YOLO, họ đã có thể giải quyết những trở ngại này và phát triển một hệ thống kiểm soát chất lượng bằng AI đáng tin cậy, có độ chính xác cao, nhận diện, đếm và xác minh topping ngay lập tức. Hệ thống đảm bảo chất lượng nhất quán mà không làm giảm tốc độ sản xuất.
Cải thiện hoạt động kiểm tra thực phẩm bằng AI thị giác#
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 cũng mở rộng sang lĩnh vực thị giác máy tính trong ngành thực phẩm.
Cụ thể, công ty đã phát triển một hệ thống kiểm tra thực phẩm bằng AI thị giác sử dụng phân đoạn đối tượng để tinh gọn quy trình sản xuất pizza. Bằng cách xem mỗi phần topping 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 hiện tượng che khuất (khi một nguyên liệu bị nguyên liệu khác che một phần) và phát hiện trùng (khi hệ thống nhận diện hai instance của một nguyên liệu trong khi thực tế chỉ có một). Bằng cách nhận diện lỗi phân bổ (tức là topping không cân đối), các nhà sản xuất có thể điều chỉnh các tham số sản xuất tương ứng.
Model được thiết kế để dễ dàng tiếp nhận các nguyên liệu mới và có thể được huấn luyện lại mà không cần đại tu toàn bộ hệ thống.
Ngoài ra, hệ thống có thể kiểm tra hình dạng, xác minh độ phù hợp về màu sắc và phát hiện các chất gây nhiễm tiềm ẩn, đảm bảo mỗi sản phẩm đáp ứng các tiêu chuẩn cao về an toàn và chất lượng.
Thách thức trong kiểm soát chất lượng thực phẩm theo thời gian thực (QC)#
Các nhà sản xuất pizza thường vận hành ở tốc độ cực cao, cho ra một chiếc pizza mới sau mỗi 600 mili giây. Với tốc độ đó, nhân viên kiểm tra khó có thể theo kịp, khiến việc giám sát topping và phát hiện chính xác mọi lỗi trở nên đầy thách thức.
Ngoài ra, các nguyên liệu chồng lấn như salami và nấm có thể che khuất lẫn nhau, đôi khi dẫn đến những chiếc pizza bị thiếu hoặc thừa topping, phân bổ không đúng hoặc số lượng không nhất quán. Điều này không chỉ làm mất tính đồng đều của sản phẩm mà còn ảnh hưởng đến uy tín thương hiệu khi khách hàng nhận được những chiếc pizza không đáp ứng kỳ vọng.
Đồng thời, những vấn đề này làm tăng chi phí vận hành do tỷ lệ phế phẩm và tài nguyên bị lãng phí cao hơn. Thêm vào đó, nhân viên kiểm tra có thể mệt mỏi trong các ca làm việc kéo dài, khiến sự tập trung suy giảm và nguy cơ xảy ra lỗi tăng lên.
Nhận thấy những hạn chế này, nhiều nhà sản xuất hiện đang áp dụng các hệ thống kiểm soát chất lượng và kiểm tra thực phẩm tự động được hỗ trợ bởi thị giác máy tính. Những hệ thống tiên tiến này cung cấp khả năng giám sát theo thời gian thực và giúp giảm lỗi do con người, đồng thời hỗ trợ tạo ra sản phẩm chất lượng cao.
Phát hiện lỗi thực phẩm theo thời gian thực với thị giác máy#
Giải pháp AI thị giác của Specialvideo sử dụng khả năng phân đoạn đối tượng của các model Ultralytics YOLO để kiểm tra mọi 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 topping chính xác bằng cách so sánh từng chiếc pizza với công thức, nhanh chóng phát hiện nguyên liệu bị thiếu hoặc thừa, phân bổ không đều và số lượng không nhất quán.
Khi phát hiện một chiếc pizza lỗi - dù do topping bị lệch, lượng nguyên liệu không chính xác hay chất gây nhiễm 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 việc gán nhãn và thường xuyên huấn luyện lại YOLO. Họ sử dụng tăng cường dữ liệu trong quá trình huấn luyện để ngăn overfitting và giúp model khái quát hóa từ số lượng mẫu hạn chế. Ngoài ra, 10% ảnh huấn luyện là pizza Margherita nhằm cung cấp ngữ cảnh nền hữu ích, giúp network 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 quy trình huấn luyện lại hiệu quả hơn nữa, Specialvideo đã triển khai workflow dành cho các nguyên liệu pizza mới. Workflow này tận dụng YOLO để tăng tốc việc 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 topping trên pizza nhằm kiểm tra thực phẩm bằng AI.
Tại sao chọn các model Ultralytics YOLO?#
Specialvideo chọn sử dụng các model Ultralytics YOLO vì chúng mang lại sự cân bằng tốt giữa hiệu năng model AI và chi phí. Với GPU Nvidia GTX-1660gt (GPU), hệ thống đạt thời gian suy luận chỉ 200 - 250 ms, đủ nhanh để xử lý dây chuyền sản xuất một chiếc pizza sau 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 tinh gọn quy trình sản xuất mà còn hỗ trợ khả năng mở rộng, trở thành một giải pháp mạnh mẽ cho các môi trường sản xuất thực phẩm quy mô lớn.
Giải pháp kiểm tra thực phẩm hỗ trợ bởi 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 gồm hơn 1.500 ảnh, model nhận diện chính xác hơn 10 loại nguyên liệu khác nhau, phân loại chúng thành các đối tượng có thể đếm như ô liu, lát salami, cá cơm và viên mozzarella, cùng các đối tượng không thể đếm riêng lẻ như giăm bông cắt khối, nấm, lát phô mai và ớt chuông.
Hệ thống do YOLO điều khiển hoạt động theo thời gian thực với độ chính xác lên đến 99%, vượt qua nhân viên kiểm tra và giảm đáng kể thời gian kiểm tra so với các phương pháp thủ công.
Đáng chú ý, giải pháp đã cho thấy những kết quả đầy hứa hẹn khi nhận diện chính xác các nguyên liệu trong những sản phẩm thực phẩm không có trong dữ liệu huấn luyện ban đầu, chẳng hạn như salad và mì pasta, giúp mở rộng dễ dàng hơn sang các dòng sản phẩm mới. Cuối cùng, phương pháp tiên tiến này nâng cao hiệu quả vận hành, giảm thiểu lãng phí và hạ thấp chi phí, thiết lập một chuẩn mực mới cho hoạt động kiểm tra thực phẩm tự động và đảm bảo chất lượng.
Thúc đẩy sản xuất thông minh trong ngành thực phẩm#
Tương lai phía trước của Specialvideo đầy triển vọng. Công ty dự định mở rộng giải pháp AI thị giác sang các sản phẩm thực phẩm khác như salad và mì pasta. Bằng cách liên tục tinh chỉnh các model deep learning và mở rộng dataset, Specialvideo hướng tới việc cải thiện hơn nữa hoạt động kiểm soát chất lượng theo thời gian thực, giảm lãng phí và nâng cao 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 với AI thị giác? Hãy 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 AI trong chăm sóc sức khỏe và thị giác máy tính trong sản xuất. Tìm hiểu thông tin chi tiết về các model YOLO và các tùy chọn cấp phép, đồng thời thực hiện bước đầu tiên hướng tới tự động hóa thông minh và hiệu quả hơn.
