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 nhận thấy rằng một số kỹ thuật như phân đoạn ngữ nghĩa (semantic segmentation) gặp khó khăn với các nguyên liệu topping bị chồng lấp hoặc che khuất. Bằng cách sử dụng các model Ultralytics YOLO, họ đã giải quyết được những trở ngại này và phát triển một hệ thống kiểm soát chất lượng vận hành bằng AI đáng tin cậy, độ chính xác cao, có khả năng xác định, đếm và kiểm tra các nguyên liệu topping ngay lập tức. Điều này đảm bảo chất lượng đồng nhất mà không làm ảnh hưởng đến tốc độ sản xuất.

Link to this sectionCải 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.

Đặc biệt, họ đã phát triển một hệ thống kiểm tra thực phẩm bằng AI thị giác sử dụng phân đoạn cá thể để tối ưu hóa việc sản xuất pizza. Bằng cách coi mỗi loại topping là một đối tượng riêng biệt, hệ thống có thể phát hiện, phân đoạn và đếm các nguyên liệu chính xác theo thời gian thực. Nó giải quyết được các vấn đề như vật cản (khi một nguyên liệu bị che khuất một phần bởi nguyên liệu khác) và phát hiện kép (khi hệ thống nhận diện hai instance của một nguyên liệu trong khi thực tế chỉ có một). Bằng cách xác định các lỗi sắp xếp (ví dụ: nguyên liệu không cân đối), 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.

Link to this sectionNhững 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 thấy những điểm yếu này, nhiều nhà sản xuất hiện đang áp dụng kiểm soát chất lượng hỗ trợ bởi thị giác máy tính và các hệ thống kiểm tra thực phẩm tự động. Những hệ thống đổi mới này cung cấp khả năng giám sát theo thời gian thực và giúp giảm thiểu lỗi từ con người, đồng thời hỗ trợ sản lượng chất lượng cao.

Link to this sectionPhát 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 bộ dữ liệu, 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 ngừa quá tải (overfitting) và giúp model khái quát hóa từ một lượng mẫu hạn chế. Ngoài ra, 10% hình ảnh đào tạo có chứa các chiếc pizza Margherita để cung cấp bối cảnh nền hữu ích, giúp mạng xử lý được các biến thể ngay cả trong cùng một loại nguyên liệu, ví dụ như các loại xúc xích salami 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.

Hình 1. YOLO được sử dụng để phát hiện và phân đoạn các nguyên liệu topping trên một chiếc pizza phục vụ kiểm tra thực phẩm bằng AI.

Link to this sectionTại sao lại chọn các mô hình Ultralytics YOLO?#

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

Link to this sectionGiải pháp kiểm tra thực phẩm vận hành bằng YOLO mang lại độ chính xác 99%#

Bằng cách tích hợp các model Ultralytics YOLO, giải pháp kiểm tra thực phẩm bằng AI của Specialvideo đã thay đổi hoàn toàn quy trình kiểm soát chất lượng trong sản xuất pizza. Được đào tạo trên một bộ dữ liệu mạnh mẽ gồm hơn 1.500 hình ảnh, model có thể nhận diện chính xác hơn 10 loại nguyên liệu, phân loại chúng thành các mục có thể đếm được, như ô liu, lát xúc xích salami, cá cơm và viên phô mai mozzarella, cũng như các mục không thể đếm được như thịt giăm bông cắt khối, nấm, lát phô mai và ớt.

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.

Thú vị là, giải pháp này đã chứng minh kết quả đầy hứa hẹn khi nhận diện chính xác các nguyên liệu trong các sản phẩm thực phẩm không có trong quá trình đào tạo ban đầu, chẳng hạn như salad và mì ống, giúp dễ dàng mở rộng sang các dòng sản phẩm mới. Cuối cùng, phương pháp tiếp cận đổi mới này thúc đẩy hiệu quả vận hành, giảm thiểu lãng phí và hạ thấp chi phí, thiết lập một chuẩn mực mới cho kiểm tra thực phẩm tự động và đảm bảo chất lượng.

Link to this sectionThúc 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 các hoạt động của mình với AI thị giác? Hãy truy cập kho lưu trữ GitHub của chúng tôi để xem cách các giải pháp AI của Ultralytics đang tạo ra tác động trong các lĩnh vực như AI trong y tế và thị giác máy tính trong sản xuất. Tìm hiểu chi tiết về các model YOLO của chúng tôi và các tùy chọn cấp phép, và thực hiện bước đầu tiên hướng tới tự động hóa thông minh hơn, hiệu quả hơn.