Chef Robotics利用Ultralytics YOLO 精准食品组装

大规模食品组装自动化涉及众多活动部件。大量托盘沿生产线移动，原料在一天中不断变化，且每次舀取的分量都各不相同。这些因素使得保持一致性成为挑战，而人工组装流程在检测、分装和定位方面往往力不从心。

Chef Robotics通过人工智能与机器人技术助力解决这些难题。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使机器人能够观察并理解所处环境。例如Ultralytics YOLO 被用于托盘和食材的检测与分割，使机器人能在高混合度、快节奏的生产线上实现亚厘米级精度的物品拾取与放置。

利用机器人技术和人工智能扩大食品生产规模

总部位于旧金山的Chef Robotics公司致力于开发人工智能驱动的机器人系统，以帮助食品行业应对日益增长的生产需求。该公司专注于食品领域，因为该行业在美国面临最严重的劳动力短缺问题，目前有超过110万个职位空缺。 

这种短缺使得制造商难以维持产量和稳定性。为解决这些问题，厨师机器人运用机器学习和计算机视觉技术来解读生产环境并实时决策。简而言之，这意味着它们能够准确处理不同食材、托盘类型和餐食形式。 

如今，Chef系统已部署于北美十余座城市，助力食品生产商应对高产量需求、降低对人工的依赖，并在快节奏的生产线上保持稳定品质。

大规模食品装配中的精度差距

大规模生产餐食需要精准与高效，但实际生产环境却难以兼顾。食材在一天中可能呈现不同外观，托盘在强光下可能呈现透明或反光状态，而传送带运行速度极快。 

这些持续的位移使得工人难以精确判断部件位置，尤其当他们每班次重复相同动作数千次时。因此，手工装配常导致分量不均、偶发溢出，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，并导致呈现效果不稳定。在菜品频繁更换且每种产品都有独特处理要求的多样化环境中，这一挑战变得更加严峻。

​

传统自动化系统无法应对如此高的变异性。它们难以处理原料变更、快速换线以及大量SKU（库存单位）。许多生产商仍高度依赖人工操作，即便在劳动力短缺导致生产线难以维持运转的情况下亦是如此。

例如，总部位于纽约新温莎市的印度食品品牌兼合作制造商Cafe Spice就每天面临这些挑战。其团队以每分钟约十二盘的速度手工组装餐食，这使得在需求增长时产量受到限制。 

此外，他们的双格餐盘需要精确放置，以防止咖喱渗入米饭区域——这正是人工操作和传统设备难以始终如一地实现的。意识到这些限制后，Cafe Spice转向Chef寻求更灵活可靠的解决方案。

Ultralytics YOLO 分析食品装配线

为实现Cafe Spice高混合餐食的自动化生产，主厨部署了一套机器人人工智能系统。该系统能detect 、辨别食材，并以满足双格餐盘要求的精度完成食物分装。系统核心采用Ultralytics YOLO 视觉人工智能管道。 

Ultralytics YOLO 支持关键计算机视觉任务，包括目标检测、定向边界框旋转框检测、实例分割及图像分类。这些能力使Chef机器人能够实时感知生产线状况。 

由于Cafe Spice生产多种SKU产品Ultralytics YOLO 是通过直接从其生产环境采集的图像进行定制训练的。这有助于机器人在真实工厂环境中识别食材。

​

特别是，YOLO detect 沿传送带移动的detect ，并为每种食材识别正确的分隔区。在物体检测技术基础上更进一步旋转框检测 使系统能够识别以不同角度出现的物品，包括碗具、透明内胆以及方向不断变化的托盘。 

为什么选择Ultralytics YOLO 模型？

Ultralytics YOLO 为厨师提供了在高速运转的生产线上进行实时食物组装所需的速度与精度。实践表明，YOLO 在生产环境中能实现约99.5%的识别准确率，为跨不同托盘、碗具及食材类型的亚厘米级机器人精准放置提供了稳定的检测保障。

此外Ultralytics Python 训练、微调和管理这些模型的工具，使工程团队能够快速迭代。例如，它支持ONNX 导出格式ONNX 跨平台部署，这使得Chef团队能够在机器人系统间无缝转换和部署模型。

ChefUltralytics YOLO afe Spice的产出

在整合Ultralytics YOLO 驱动的Chef人工智能机器人系统后，Cafe Spice在产量、劳动力效率和产品质量方面均实现了立竿见影且可量化的提升。其生产线原先每分钟处理12个托盘，如今在升级后的传送系统上平均达到每分钟30个托盘，峰值时段更可达每分钟40个托盘，产量提升幅度达两到三倍。

​

劳动生产率也得到提升。每条生产线历史上需要8至10名工人，但Chef的机器人将这一数字降至每条生产线3至4名工人，使劳动生产率提高了60%。释放的产能帮助Cafe Spice将员工重新部署到其他长期因劳动力短缺而人手不足的领域。

同样，质量和产量也显著提升。自动化之前，食品浪费率高达9.19%，主要源于为避免重量不足的废品而过度分装。 采用YOLO机器人精准投料后，报废率降至3.05%，降幅达67%。同时合格率显著提升：机器人组装餐盘的合格率达91%，远超人工组装餐盘75%的合格率，完全符合Cafe Spice的质量标准。

让大规模餐食生产更智能、更精准

随着Chef公司持续扩张，其核心目标是让人工智能系统更灵活地适应食品行业中各类食材、托盘及生产配置。 推动这些努力的核心驱动力，源于Chef打造智能机器的使命——让机器赋能人类专注于发挥人类优势。通过升级感知模型、简化换模流程、增强多品种生产的灵活性，Chef正在创造一种自动化解决方案：它不再像僵化的机器，而更像协作的伙伴。

对探索视觉人工智能感兴趣？了解我们的授权方案，将计算机视觉技术融入您的项目。访问我们的GitHub代码库，加入我们的社区。在解决方案页面探索医疗健康领域的人工智能应用及零售业的计算机视觉技术。