Ultralytics YOLO cung cấp năng lượng 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 ở tốc độ cao, nhưng việc kiểm tra thủ công lớp phủ cho mỗi chiếc pizza có thể tốn nhiều thời gian. Specialvideo tận dụng phương pháp tiếp cận do AI điều khiển 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 nhiều 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 chồng chéo hoặc ẩn. Bằng cách sử dụng các mô hình YOLO của Ultralytics , họ đã có thể giải quyết những rào cản này và phát triển một hệ thống kiểm soát chất lượng đáng tin cậy, có độ chính xác cao do AI cung cấp, có thể xác định, đếm và xác minh các lớp phủ ngay lập tức. Nó đảm bảo chất lượng đồng nhất mà không ảnh hưởng đến tốc độ sản xuất.

Cải thiện việc 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 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 thực phẩm. 

Cụ thể, họ đã phát triển một hệ thống kiểm tra thực phẩm Vision AI sử dụng phân đoạn trường hợp để hợp lý hóa sản xuất pizza. Bằng cách xử lý từng lớp phủ 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 phủ một phần bởi thành phần khác) và phát hiện kép (khi hệ thống xác định hai trường hợp của một thành phần khi chỉ có một). Bằng cách xác định lỗi sắp xếp (tức là lớp phủ không cân bằng), các nhà sản xuất có thể điều chỉnh các thông số sản xuất cho phù hợp.

Mô hình này được thiết kế để dễ dàng chứa các thành phần mới và có thể được đào tạo lại mà không cần phải 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 đều đáp ứng các tiêu chuẩn cao về chất lượng và an toàn.

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

Các nhà sản xuất pizza thường hoạt động với tốc độ cực cao, sản xuất một chiếc pizza mới sau mỗi 600 mili giây. Với tốc độ đó, rất khó để các thanh tra viên theo kịp, khiến việc theo dõi lớp phủ và phát hiện chính xác bất kỳ khiếm khuyết nào trở nên khó khăn.

Ngoài ra, các thành phần chồng chéo như salami và nấm có thể che khuất nhau, đôi khi dẫn đến pizza bị thiếu hoặc quá nhiều lớp phủ, phân phối không chính xác hoặc số lượng không nhất quán. Điều này không chỉ làm mất tính đồng nhất của sản phẩm mà còn gây tổn hại đến danh tiếng của thương hiệu khi khách hàng nhận được những chiếc pizza không đáp ứng được kỳ vọng của họ. 

Đồng thời, những vấn đề này làm tăng chi phí hoạt động thông qua tỷ lệ phế liệu cao hơn và lãng phí tài nguyên. Thêm vào những vấn đề này, các thanh tra viên có thể trở nên mệt mỏi trong những ca làm việc dài, khiến sự chú ý của họ giảm dần và làm tăng nguy cơ mắc lỗi. 

Nhận ra những cạm bẫy này, nhiều nhà sản xuất hiện đang áp dụng hệ thống kiểm soát chất lượng hỗ trợ thị giác máy tính và hệ thống kiểm tra thực phẩm tự động. Các hệ thống sáng tạo này cung cấp khả năng giám sát theo thời gian thực và giúp giảm lỗi của con người trong khi vẫn hỗ trợ đầu ra chất lượng cao. 

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

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

Khi phát hiện một chiếc pizza lỗi - do lớp phủ không thẳng hàng, lượng thành phần không đúng hoặc do tạp chất như nhựa màu xanh - hệ thống sẽ tự động chuyển chiếc pizza đó sang dây chuyền sản xuất phế liệu. 

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

Ngoài ra, để quá trình đào tạo lại hiệu quả hơn nữa, Specialvideo đã triển khai 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 mô hình YOLO của Ultralytics?

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

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 hợp lý hóa sản xuất mà còn hỗ trợ khả năng mở rộng, biến nó thành 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 YOLO của Ultralytics, giải pháp kiểm tra thực phẩm AI của Specialvideo đã chuyển đổi kiểm soát chất lượng trong sản xuất pizza. Được đào tạo 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 thể đếm được, như giăm bông thái hạt lựu, nấm, lát phô mai và ớt chuông. 

Hệ thống do YOLO điều khiển hoạt động theo thời gian thực với độ chính xác lên tới 99%, vượt trội hơn các thanh tra viên và giảm đáng kể thời gian kiểm tra so với phương pháp thủ công. 

Điều thú vị là giải pháp này đã chứng minh được kết quả khả quan khi 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 dễ dàng hơn để mở rộng sang các dòng sản phẩm mới. Cuối cùng, cách tiếp cận sáng tạo này thúc đẩy hiệu quả hoạt động, giảm thiểu lãng phí và giảm chi phí, thiết lập chuẩn mực 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 của Specialvideo có vẻ thú vị. 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 học sâu và phát triển tập dữ liệu của mình, Specialvideo hướng đến mục tiêu cải thiện hơn nữa khả năng kiểm soát chất lượng theo thời gian thực, giảm thiểu 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 và các tùy chọn cấp phép của chúng tôi và thực hiện bước đầu tiên hướng tới tự động hóa thông minh hơn, hiệu quả hơn.