Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%

大规模食物组装自动化涉及许多动态环节。生产线上托盘数量巨大，食材全天不断变化，而且没有两勺食物是完全相同的。这些因素使得保持一致性变得困难，而手动组装流程在检测、分装和放置方面往往力不从心。

Chef Robotics 正通过 AI 和机器人技术协助解决这些挑战。通过将机器人技术与 计算机视觉 等 AI 技术相结合，Chef 使其机器人能够感知并理解周围环境。例如，Ultralytics YOLO 模型 被用于托盘和食材的检测与分割，使机器人在高混合度、快节奏的生产线上能够以亚厘米级的精度抓取和放置物品。

Link to this section利用机器人和 AI 扩展食品生产#

总部位于旧金山的 Chef Robotics 构建了 AI 驱动的机器人系统，以帮助食品行业应对日益增长的生产需求。他们专注于食品行业，因为该行业面临着美国最大的劳动力短缺问题，有超过 110 万个职位空缺。

这种短缺使得制造商难以保持产出和一致性。为了解决这些问题，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地处理各种不同的食材、托盘类型和餐食规格。

如今，Chef 已将其系统部署在北美十多个城市，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一致的质量。

Link to this section大规模食物组装中的精度差距#

大规模餐食生产需要精度和速度，但实际的生产环境使这变得困难。食材全天外观可能发生变化，托盘在强光下可能会透明或反光，传送带的运行速度也很快。

这些持续的变化使得工人难以精准判断放置位置，尤其是当他们每班重复成千上万次相同的动作时。因此，人工组装往往导致份量不均、偶尔溢出以及托盘重量超出目标范围。

这增加了食物浪费，需要额外的清理工作，并造成外观上的差异。在高混合度环境中，由于食谱频繁更换且每种产品都有其特定的处理要求，这一挑战变得更加艰巨。

图 1. 手动食物组装线概览。

传统的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更、快速切换和广泛的 SKU（库存单位）。尽管员工短缺使得保持生产线运行变得更加困难，许多生产商仍然严重依赖人工。

例如，总部位于纽约温莎市的印度食品品牌兼联合制造商 Cafe Spice 每天都面临这些挑战。他们的团队以每分钟约十二个托盘的速度手工组装餐食，随着需求的增长，这限制了产出。

此外，他们的双格托盘需要精准放置，以防止咖喱溢出到米饭区域——这是人工流程和传统设备往往难以保持一致的地方。意识到这些局限性后，Cafe Spice 向 Chef 寻求了一种更灵活、更可靠的解决方案。

Link to this section使用 Ultralytics YOLO 模型分析食物组装线#

为了实现 Cafe Spice 高混合度餐食生产的自动化，Chef 部署了一套机器人 AI 系统，该系统能够检测托盘、识别食材，并以双格托盘所需的精度放置食物。该系统的核心是建立在 Ultralytics YOLO 模型之上的 Vision AI 流程。

Ultralytics YOLO 模型支持关键的 计算机视觉任务，如目标检测、旋转边界框 (OBB) 检测、实例分割和图像分类。这些功能使 Chef 机器人能够实时感知生产线。

由于 Cafe Spice 生产许多不同的 SKU，Ultralytics YOLO 模型是在直接从其生产环境收集的图像上进行定制训练的。这有助于机器人在真实的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 被用于在托盘沿传送带移动时对其进行检测，并为每种食材识别正确的隔间。将目标检测更进一步，OBB 检测使系统能够识别以不同角度出现的物品，包括碗、透明内衬以及方向变化的托盘。

Link to this section为何选择 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物组装所需的速度和精度。他们发现 Ultralytics YOLO 模型在生产中的准确率约为 99.5%，为在各种托盘、碗和食材类型上实现亚厘米级的机器人放置提供了稳定的检测基础。

此外，Ultralytics Python 软件包 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地进行迭代。例如，它支持 ONNX 等导出格式以实现跨平台部署，这使得 Chef 的团队能够无缝地转换并将其模型部署到各自的机器人系统中。

Link to this sectionChef Robotics 与 Ultralytics YOLO 使 Cafe Spice 的产出翻倍#

在集成由 Ultralytics YOLO 模型驱动的 Chef AI 机器人系统后，Cafe Spice 在产出、劳动效率和产品质量方面看到了立竿见影且可衡量的改进。他们原本每分钟运行 12 个托盘的生产线，现在平均每分钟可运行 30 个托盘，在更新后的传送系统上峰值速率可达每分钟 40 个托盘。这意味着产出增加了两到三倍。

图 3. 由 Chef Robotics 和 Ultralytics YOLO 驱动的 Cafe Spice 餐食生产线。

劳动生产率也得到了提升。每条生产线过去需要 8-10 名工人，而 Chef 的机器人将该数字减少到每条线 3-4 名工人，使劳动生产率提高了 60%。解放出的劳动力帮助 Cafe Spice 将员工重新分配到其他因持续劳动力短缺而一直人手不足的岗位。

同样，质量和成品率也获得了显著增长。在自动化之前，主要由于为了避免重量不足而被拒收而过量添加食材所导致的食物浪费率为 9.19%。在机器人使用基于 YOLO 的检测技术精确放置食材后，浪费率降至 3.05%，减少了 67%。此外，接受率也得到了提高：91% 的机器人组装托盘符合 Cafe Spice 的质量标准，而人工组装托盘的这一比例为 75%。

Link to this section让大规模餐食生产变得更智能、更精确#

随着 Chef 的不断扩展，公司致力于使其 AI 驱动的系统能够更好地适应食品行业中使用的各种食材、托盘和生产设置。推动这些努力的关键驱动力是 Chef 的使命：构建能够助力人类发挥最大潜能的智能机器。通过推进其感知模型、简化切换流程并提高高混合度生产的灵活性，Chef 正在创造一种运作方式不像刚性机器，而更像协作队友的自动化技术。

有兴趣探索 Vision AI 吗？发现我们的 许可选项，将计算机视觉引入你的项目。访问我们的 GitHub 仓库 并加入 我们的社区。在我们的解决方案页面上探索 医疗保健领域的 AI 和 零售业中的计算机视觉。