通过使用 Ultralytics YOLO 模型，Chef Robotics 能够高精度地检测生产线上的托盘和食材，准确率达到约 99.5%。
大规模食品组装自动化涉及许多移动部件。大量托盘沿生产线移动，食材在一天中不断变化，而且没有两个分配动作完全相同。这些因素使保持一致性变得困难，而人工组装流程可能难以应对检测、分量控制和放置等问题。
Chef Robotics 借助 AI 和机器人解决这些挑战。通过将机器人技术与计算机视觉等 AI 技术相结合，Chef 让其机器人能够观察并理解周围环境。例如，Ultralytics YOLO 模型用于托盘和食材检测及分割，使机器人能够在高混料、快节奏的生产线上以亚厘米级精度抓取和放置物品。
利用机器人技术和 AI 扩大食品生产规模#
Chef Robotics 总部位于旧金山，打造AI 驱动的机器人系统，帮助食品行业满足不断增长的生产需求。该公司专注于食品行业，是因为美国该行业面临最严重的劳动力短缺，有超过 110 万个职位空缺。
这一短缺使制造商难以维持产量和一致性。为应对这些问题，Chef 机器人使用机器学习和计算机视觉来解读生产环境并实时做出决策。简单来说，这意味着它们能够准确处理不同的食材、托盘类型和餐食形式。
如今，Chef 已在北美十多个城市部署其系统，帮助食品生产商处理大批量生产，减少对人工劳动力的依赖，并在快节奏的生产线上保持稳定的质量。
大规模食品组装中的精度差距#
大规模生产餐食需要准确性和速度，但实际生产环境使这变得困难。食材在一天中可能呈现不同外观，托盘在强光下可能透明或反光，传送带生产线的移动速度也很快。
这些持续变化使工人难以准确判断放置位置，尤其是在每个班次重复相同动作数千次时。因此，人工组装往往会导致分量不一致、偶尔溢出，以及托盘重量超出目标范围。
这会增加食品浪费，需要额外清理，并导致外观呈现不稳定。在配方频繁变化、每种产品都有自身处理要求的高混料环境中，这一挑战会更加严峻。
图 1. 人工食品组装生产线一览。
传统自动化系统并非为这种程度的变化而设计。它们难以应对食材变化、快速换线以及各种 SKU（库存单位）。即使人员短缺让维持生产线运行变得更加困难，许多生产商仍然高度依赖人工劳动力。
例如，总部位于纽约州 New Windsor 的印度食品品牌和联合制造商 Cafe Spice 每天都面临这些挑战。随着需求增长，他们的团队仍以手工方式组装餐食，速度约为每分钟 12 个托盘，这限制了产量。
此外，他们的双隔间托盘需要精确放置，以防止咖喱溢入米饭区域——人工流程和传统设备往往难以持续做到这一点。意识到这些限制后，Cafe Spice 转向 Chef，以寻求更灵活、更可靠的方案。
使用 Ultralytics YOLO 模型分析食品组装生产线#
为了实现 Cafe Spice 高混料餐食生产的自动化，Chef 部署了一套 AI 机器人系统，能够检测托盘、识别食材，并以双隔间托盘所需的精度放置食物。该系统的核心是一个基于 Ultralytics YOLO 模型构建的视觉 AI 流程。
Ultralytics YOLO 模型支持关键的计算机视觉任务，包括目标检测、定向边界框（OBB）检测、实例分割和图像分类。这些能力让 Chef 机器人能够实时了解生产线状况。
由于 Cafe Spice 生产许多不同的 SKU，Ultralytics YOLO 模型使用直接从其生产环境中采集的图像进行定制训练。这有助于机器人在真实工厂条件下解读食材。
图 2. Chef 机器人如何观察和检测托盘（来源）
具体来说，YOLO 用于检测沿传送带移动的托盘，并识别每种食材对应的正确隔间。在目标检测的基础上，OBB 检测能够让系统理解以不同角度出现的物品，包括碗、透明内嵌件以及方向不断变化的托盘。
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型为 Chef 在快速移动的生产线上进行实时食品组装提供了所需的速度和准确性。他们发现，Ultralytics YOLO 模型在生产环境中的准确率约为 99.5%，为机器人在不同托盘、碗和食材类型上进行亚厘米级放置提供了稳定的检测结果。
此外，Ultralytics Python 软件包提供了训练、微调和管理这些模型所需的工具，使工程团队能够快速迭代。例如，它支持 ONNX 等导出格式，可用于跨平台部署，让 Chef 团队能够在其机器人系统之间无缝转换和部署模型。
Chef Robotics 与 Ultralytics YOLO 让 Cafe Spice 的产量翻倍#
集成由 Ultralytics YOLO 模型驱动的 Chef AI 机器人系统后，Cafe Spice 在产量、劳动力效率和产品质量方面都取得了即时且可量化的改善。其生产线此前每分钟运行 12 个托盘，如今平均每分钟运行 30 个托盘，在升级后的传送带系统上峰值达到每分钟 40 个托盘。这意味着产量提高了 2 到 3 倍。
图 3. 由 Chef Robotics 和 Ultralytics YOLO 驱动的 Cafe Spice 餐食生产线。
劳动力生产率也有所提升。过去每条生产线需要 8–10 名工人，而 Chef 的机器人将这一数字降至每条生产线 3–4 名工人，使劳动力生产率提高了 60%。释放出的产能帮助 Cafe Spice 将员工重新调配到其他区域，这些区域因持续的劳动力短缺而长期人手不足。
同样，质量和产出率也显著提升。自动化之前，为避免因重量不足而被拒收，食品通常会过量分配，这导致食品浪费率达到 9.19%。使用基于 YOLO 的检测技术准确放置食材后，浪费率降至 3.05%，减少了 67%。此外，合格率也有所提高：机器人组装的托盘中有 91% 符合 Cafe Spice 的质量标准，而人工组装的托盘为 75%。
让大规模餐食生产更智能、更精准#
随着 Chef 持续扩张，该公司专注于让其 AI 驱动的系统更好地适应食品行业中使用的各种食材、托盘和生产设置。推动这些工作的关键动力，是 Chef 致力于打造智能机器，帮助人们发挥人类最擅长的能力。通过改进其感知模型、简化换线流程并增强对高混料生产的灵活性，Chef 正在打造一种不再像僵化机器、而更像协作伙伴的自动化方案。
想进一步了解视觉 AI？查看我们的许可选项，将计算机视觉引入你的项目。访问我们的 GitHub 代码仓库，加入我们的社区。在我们的解决方案页面探索医疗领域的 AI和零售业中的计算机视觉。
