RapiD Vision 是一套由 Ultralytics YOLO 模型驱动的即插即用视觉系统，可实时检测缺陷和变形，将洞察直接传输到客户的 ERP 系统，并将工程时间缩短 1 周。
随着食品加工企业面临着大规模交付稳定质量的日益增大的压力，计算机视觉正在重塑该行业的运营方式。总部位于荷兰乌尔克渔村的工程公司 RapiD Engineering 正处于这一转型的前沿，致力于构建 RapiD Vision——一个面向海鲜行业及其他领域的即插即用视觉平台。
通过将 Ultralytics YOLO models 集成到质量控制系统中，RapiD Engineering 帮助三文鱼加工商实现质量控制自动化，自动检测缺陷和变形（这是其工作流程中最耗费人力且最主观的环节之一），并实现从养殖场到客户的全程可追溯。
将即插即用的视觉 AI 引入工业生产#
RapiD Engineering 为工业环境开发工程仿真、软件应用和计算机视觉解决方案。通过 RapiD Vision 平台，公司围绕三项核心能力设计端到端系统：用于机器人控制产品处理的 Pick & Place 应用、用于实时缺陷检测的 Quality Control，以及 RapiD Vision Explorer——可直接与 ERP 系统集成的云端报告和分析层。
该平台专为复杂的真实环境而设计，能够利用 3D 视觉/摄像头处理相互重叠的产品、区分不同产品类型，并通过单一视觉系统协调多台机器人或机器。在其产品线中，Quality Control 已成为公司增长最快的产品，受到欧洲各地三文鱼加工商的强烈需求。
图 1. Ultralytics YOLO 精确检测相互重叠鱼类的示例。
三文鱼加工中的质量控制挑战#
三文鱼加工是一个大批量、高精度的行业，质量问题可能会对客户满意度和定价产生重大影响。血斑、黑色素斑等缺陷和其他变形通常很细微，在视觉上又与三文鱼肉的自然颜色相近，因此仅凭人眼难以持续稳定地识别。
传统的人工检查速度慢、容易疲劳，而且不同操作员和班次之间的检查结果不一致。即使计算机视觉变得更加易于使用，将其部署到食品加工环境中仍然带来了自身的挑战。模型需要足够小，才能在边缘硬件上实时运行；需要足够准确，才能检测细微缺陷；还需要足够灵活，以便在引入新摄像头、光照条件或环境时快速重新训练。
在采用 Ultralytics 之前，RapiD Engineering 依赖 Meta 开源的 Detectron 库。虽然该库功能强大，但设置困难，模型导出不便，且已不再积极维护，因此不适合长期用于生产环境。
借助 Ultralytics YOLO 实现实时缺陷检测#
迁移到 Ultralytics 后，RapiD Engineering 围绕运行在 NVIDIA Jetson 边缘硬件上的 YOLO 模型重建了质量控制流水线。每套三文鱼加工系统会同时运行四个 Ultralytics YOLO 模型，其中一个顶部摄像头和一个底部摄像头分别拍摄每条鱼通过生产线时的两面。
对于每一面，系统会依次运行两个模型：首先使用一个 Ultralytics YOLO11 nano 模型，将三文鱼从传送带中分割出来；随后使用一个大型 YOLO11 模型，检测血斑和黑色素斑等细粒度变形，因为这些缺陷与周围鱼肉之间的颜色差异可能极其细微。通过使用较小的模型进行高吞吐量分割，再使用较大的模型进行高精度检测，RapiD Engineering 在 Jetson 硬件上实现了速度与准确性的恰当平衡。
为了训练模型，RapiD Engineering 手动标注了超过 20,000 张三文鱼图像，构建了一个能够处理真实加工条件下各种视觉细节的高质量数据集。在部署新系统或摄像头、背景等环境因素发生变化时，团队会重新训练模型。
为什么选择 Ultralytics YOLO 模型？#
对 RapiD Engineering 而言，Ultralytics YOLO 在简易性、性能和灵活性之间实现了理想的结合，能够支持跨多个部署运行的生产系统。
与之前的框架相比，团队大幅减少了训练、导出和维护模型所需的时间，仅在导出流程上每年就节省了约一周的工程时间。每次 Ultralytics 发布新版本后，模型都可以重新训练、导出为 TensorRT 以部署到 Jetson，并以极少的阻力重新投入生产。
图 2. 使用 Ultralytics YOLO 检测三文鱼片上缺陷的示例。
Ultralytics YOLO 还为 RapiD Engineering 提供了使用多种任务类型的灵活性，包括实例分割、目标检测和姿态估计，全部基于同一统一框架，从而支持公司扩展视觉 AI 产品组合时当前及未来的产品功能。
从原始检测到可执行洞察#
除了检测之外，RapiD Engineering 的质量控制系统还通过 RapiD Vision Explorer（该平台的云端报告和分析层）与客户的 ERP 系统实现了全面集成。系统会将每条经过分析的三文鱼及其供应商、养殖场、地点和订单数据一同记录到云端，让客户能够详细了解不同来源的质量表现。
这些数据用于生成批次级质量报告，帮助加工商追踪哪些养殖户和供应商能够持续提供最高质量的鱼类，并随着时间推移做出明智的采购决策。通过高级分析，RapiD Vision Explorer 甚至可以预测当前最适合提供高质量产品的来源。该系统还会控制下游传送带，自动将质量较低的三文鱼分流到其他加工路径，确保客户始终收到符合其质量规格的鱼类。
前端软件允许操作员微调检测阈值，包括最小斑点尺寸、置信度分数和受影响区域总面积，确保系统能够适应每家加工商的具体质量标准。
在整个海鲜行业扩展视觉 AI#
凭借对质量控制系统的强劲需求以及不断扩大的欧洲客户群，RapiD Engineering 已做好充分准备，将继续拓展视觉 AI 在海鲜加工及其他领域中的作用。公司还计划将训练和标注工作流程迁移到 Ultralytics Platform，在向新的部署环境扩展的同时进一步简化其流水线。
RapiD Engineering 将数十年的工程专业经验与尖端计算机视觉相结合，帮助三文鱼加工商打造更加透明、数据驱动且高效的供应链，一次处理一个批次。
想要构建属于自己的视觉 AI 解决方案吗？探索 Ultralytics YOLO 模型，了解 YOLO 如何推动跨行业创新，并查看我们的许可选项以开始使用。
