Chef Robotics 利用 Ultralytics YOLO 实现精准食品组装

大规模食品组装自动化涉及许多动态环节。大量托盘在生产线上移动，食材全天候变化，且每次舀取的量都不尽相同。这些因素使得保持一致性变得困难，人工组装过程在检测、分份和放置方面可能会遇到挑战。

Chef Robotics借助人工智能和机器人技术解决这些挑战。通过将机器人技术与计算机视觉等人工智能技术相结合，Chef 使其机器人能够感知和理解其环境。例如，Ultralytics YOLO 模型用于托盘和食材的检测和分割，使机器人能够在高混合、快节奏的生产线上以亚厘米级的精度抓取和放置物品。

利用机器人技术和AI扩展食品生产规模

位于旧金山的Chef Robotics公司，致力于构建AI驱动的机器人系统，以帮助食品行业应对不断增长的生产需求。他们专注于食品领域，因为该行业在美国面临着最严重的劳动力短缺，有超过110万个职位空缺。 

这种短缺使得制造商难以维持产量和一致性。为解决这些问题，Chef机器人利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。简而言之，这意味着它们能够准确处理不同的食材、托盘类型和餐食格式。 

如今，Chef已在北美十多个城市部署了其系统，帮助食品生产商管理大批量生产、减少对人工劳动的依赖，并在快节奏的生产线上保持一致的质量。

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，但真实的生产环境使其变得困难。食材在一天中可能看起来不同，托盘在强光下可能是透明或反光的，并且传送带快速移动。 

这些持续的变化使得工人难以精确判断放置位置，尤其是在每班重复数千次相同动作时。因此，人工组装常常导致分份不一致、偶尔溢出以及托盘重量超出目标范围。 

这增加了食物浪费，需要额外清理，并导致产品呈现上的不一致性。在高混合生产环境中，配方频繁变化，每种产品都有其独特的处理要求，这使得挑战变得更加严峻。

​

传统自动化系统并非为这种程度的可变性而设计。它们难以应对食材变化、快速换型以及广泛的SKU（库存单位）。许多生产商仍然严重依赖人工，尽管人员短缺使得产线难以维持正常运行。

例如，位于纽约新温莎的印度食品品牌兼联合制造商Cafe Spice每天都面临这些挑战。他们的团队每分钟手工组装约十二个托盘的餐食，这在需求增长时限制了产量。 

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——这是人工流程和传统设备往往难以持续保持一致的问题。认识到这些限制后，Cafe Spice转向Chef寻求更灵活可靠的解决方案。

使用 Ultralytics YOLO 模型分析食品组装线

为了自动化 Cafe Spice 的高混合餐食生产，Chef 部署了一个机器人AI系统，该系统能够 detect 托盘、识别食材，并以其双隔层托盘所需的精度放置食物。该系统的核心是基于 Ultralytics YOLO 模型构建的视觉AI管道。 

Ultralytics YOLO 模型支持关键的 计算机视觉任务，例如目标 detect、旋转框检测 (OBB) detect、实例 segment 和图像分类。这些能力使 Chef 机器人能够实时感知生产线。 

由于 Cafe Spice 生产多种不同的 SKU，Ultralytics YOLO 模型是根据直接从其生产环境中收集的图像进行定制训练的。这有助于机器人在真实的工厂条件下识别食材。

​

特别是，YOLO 用于 detect 沿着传送带移动的托盘，并识别每种食材的正确隔层。将目标 detect 更进一步，旋转框检测 (OBB) detect 使系统能够理解以不同角度出现的物品，包括碗、透明内衬和方向变化的托盘。 

为什么选择Ultralytics YOLO 模型？

Ultralytics YOLO 模型为 Chef 提供了在快速移动的生产线上进行实时食品组装所需的速度和准确性。他们发现 Ultralytics YOLO 模型在生产中能达到约 99.5% 的准确率，为不同托盘、碗和食材类型提供亚厘米级机器人放置所需的稳定 detect。

此外，Ultralytics python 包提供了训练、微调和管理这些模型的工具，使工程团队能够轻松快速迭代。例如，它支持 ONNX 等导出格式，用于跨平台部署，这使得 Chef 的团队能够在其机器人系统中无缝转换和部署模型。

Chef Robotics 和 Ultralytics YOLO 使 Cafe Spice 的产量翻倍

在集成了由 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看到了立竿见影且可衡量的改进。他们的生产线以前每分钟处理 12 个托盘，现在平均每分钟处理 30 个托盘，在更新后的传送带系统上，峰值速率达到每分钟 40 个托盘。这代表着产量增加了两到三倍。

​

劳动生产率也得到了提高。每条生产线过去需要 8-10 名工人，但 Chef 的机器人将每条生产线的人数减少到 3-4 名工人，从而使劳动生产率提高了 60%。释放出的产能帮助 Cafe Spice 将员工重新部署到因持续劳动力短缺而长期人手不足的其他领域。

同样，质量和产量也取得了显著提升。在自动化之前，食物浪费（主要是由于过度分装以避免重量不足的废品）高达 9.19%。机器人使用基于 YOLO 的 detect 精确放置食材后，浪费率降至 3.05%，减少了 67%。除此之外，合格率也得到了提高：91% 的机器人组装托盘符合 Cafe Spice 的质量标准，而人工组装托盘的合格率为 75%。

使大规模餐食生产更智能、更精确

随着 Chef 的持续扩张，公司致力于使其AI驱动的系统更能适应食品行业中使用的各种食材、托盘和生产设置。这些努力背后的一个关键驱动力是 Chef 的使命，即构建智能机器，赋能人类发挥其最大优势。通过改进其感知模型、简化换型并增强高混合生产的灵活性，Chef 正在创建一种自动化系统，它更像一个协作队友，而非一台僵硬的机器。

对探索视觉AI感兴趣？了解我们的 许可选项，将计算机视觉引入您的项目。访问我们的 GitHub 仓库 并加入 我们的社区。在我们的解决方案页面上探索 医疗AI 和 零售计算机视觉。