借助 Ultralytics YOLO 模型，Chef Robotics 能够在生产线上高精度检测托盘和食材，准确率约为 99.5%。
大规模食品组装自动化涉及许多复杂环节。大量托盘沿生产线移动，食材全天不断变化，而且每一勺食材都不尽相同。这些因素让保持一致性变得困难，而人工组装流程在检测、分量控制和摆放方面也可能遇到挑战。
Chef Robotics 利用 AI 和机器人技术解决这些难题。通过将机器人技术与计算机视觉等 AI 技术相结合，Chef 让机器人能够感知并理解周围环境。例如，Ultralytics YOLO 模型可用于托盘和食材检测与分割，使机器人能在品类繁多、节奏快速的生产线上以亚厘米级精度抓取和放置物品。
利用机器人和 AI 扩大食品生产规模#
总部位于旧金山的 Chef Robotics 构建由 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，因为这个行业面临美国最严重的劳动力短缺，空缺职位超过 110 万个。
劳动力短缺让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理解生产环境，并实时作出决策。简单来说，这意味着机器人能够准确处理不同食材、托盘类型和餐食形式。
目前，Chef 已在北美十多个城市部署其系统，帮助食品生产商应对大批量生产、减少对人工的依赖，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难题#
大规模生产餐食需要兼具准确性和速度，但真实的生产环境让这项工作困难重重。食材在一天中的外观可能会发生变化，托盘在强光下可能透明或反光，而传送带运行速度很快。
这些持续变化让员工难以准确判断摆放位置，尤其是在每个班次要重复相同动作数千次的情况下。因此，人工组装往往会造成分量不一致、偶尔洒漏，以及托盘重量偏离目标值。
这会增加食物赠送量、需要额外清理工作，还会导致摆盘呈现不一致。在配方频繁变化、每种产品都有各自处理要求的多品类生产环境中，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应对这种程度的多变性而设计。它们难以处理食材变化、快速换线和种类繁多的 SKU（库存单位）。许多生产商仍然高度依赖人工，即使人员短缺已让维持生产线运行变得更加困难。
例如，位于纽约州新温莎的印度食品品牌及联合制造商 Cafe Spice 每天都面临这些挑战。团队以手工方式组装餐食，速度约为每分钟 12 个托盘；随着需求增长，这限制了产量。
此外，他们使用的双格托盘需要精确摆放食物，以防咖喱洒入米饭格；人工流程和传统设备往往难以始终如一地做到这一点。Cafe Spice 意识到这些限制后，转而寻求 Chef 提供更灵活可靠的方案。
使用 Ultralytics YOLO 模型分析食品组装生产线#
为了实现 Cafe Spice 多品类餐食生产的自动化，Chef 部署了一套机器人 AI 系统，可检测托盘、识别食材，并按照双格托盘所需的精度摆放食物。该系统的核心是基于 Ultralytics YOLO 模型构建的视觉 AI 流水线。
Ultralytics YOLO 模型支持多种关键计算机视觉任务，例如目标检测、有向边界框检测 (OBB)、实例分割和图像分类。这些能力让 Chef 机器人能够实时感知生产线状况。
由于 Cafe Spice 生产多种 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识别和理解食材。
图 2. Chef 机器人如何识别并检测托盘（来源）
具体来说，YOLO 用于检测沿传送带移动的托盘，并识别每种食材应放入哪个格子。在目标检测的基础上，有向边界框检测使系统能够识别不同角度下的物品，包括碗、透明内嵌格，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 提供了在快速运转的生产线上实时组装食品所需的速度和精度。Chef 发现，Ultralytics YOLO 模型在生产环境中的准确率约为 99.5%，能提供稳定的检测结果，满足机器人在不同托盘、碗和食材上实现亚厘米级精度摆放的需求。
此外，Ultralytics Python 软件包提供训练、微调和管理这些模型所需的工具，便于工程团队快速迭代。例如，该软件包支持 ONNX 等跨平台部署格式，使 Chef 团队能够在其机器人系统中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 的产量、劳动力效率和产品质量立即得到显著提升，并且这些改善都可以量化。此前每分钟处理 12 个托盘的生产线，如今平均每分钟处理 30 个托盘；在升级后的传送系统上，峰值可达到每分钟 40 个托盘。产量因此提升了两到三倍。
图 3. Cafe Spice 的餐食生产线，由 Chef Robotics 和 Ultralytics YOLO 提供支持。
劳动生产率也有所提高。过去每条生产线通常需要 8–10 名员工，而 Chef 机器人将人数减少到每条生产线 3–4 人，使劳动生产率提高了 60%。腾出的人员配置让 Cafe Spice 能将员工调配到其他因持续缺工而长期人手不足的区域。
产品质量和成品率同样大幅提升。自动化之前，为避免产品因重量不足而被拒收，过量分装是造成食物赠送量达到 9.19% 的主要原因。机器人利用基于 YOLO 的检测技术精准摆放食材后，赠送量降至 3.05%，减少了 67%。此外，验收率也有所提高：机器人组装的托盘中有 91% 达到 Cafe Spice 的质量标准，而人工组装的托盘只有 75%。
让大规模餐食生产变得更智能、更精准#
随着 Chef 持续发展，公司致力于让 AI 驱动的系统更灵活地适应食品行业中种类繁多的食材、托盘和生产设置。推动这些努力的一项关键因素，是 Chef 的使命：打造智能机器，让人类能够发挥自身所长。Chef 正通过改进感知模型、简化换线流程，并提升多品类生产的灵活性，打造一种不再像刻板机器、更像协作伙伴的自动化系统。
想要探索视觉 AI？查看我们的许可选项，将计算机视觉应用到你的项目中。访问我们的 GitHub 代码仓库，并加入我们的社区。在我们的解决方案页面了解医疗领域的 AI和零售业中的计算机视觉。
