通过集成 Ultralytics YOLO 模型，Specialvideo 的 AI 食品检测系统将检测准确率提升至 99%，并将每张披萨的检测时间缩短至 250 毫秒以内。
披萨制造商通常需要高速生产外观 appealing、品质优良的产品，但人工检查每张披萨上的配料可能非常耗时。Specialvideo 采用视觉 AI 驱动的方法实时检测和计数配料，使生产商能够遵守配方标准、减少浪费并保持运营顺畅。
在测试各种视觉解决方案时，Specialvideo 发现，语义分割等技术难以应对相互重叠或被遮挡的配料。通过使用 Ultralytics YOLO models，他们成功解决了这些难题，并开发出可靠且高准确率的 AI 驱动质量控制系统，可即时识别、计数和验证披萨配料。该系统确保质量一致，同时不会牺牲生产速度。
利用计算机视觉改进 AI 食品检测#
Specialvideo 于 1993 年在意大利伊莫拉成立，凭借 30 多年的经验，设计用于机器人引导、自动化检测和缺陷检测的先进计算机视觉系统。他们的专业能力还延伸至食品行业的计算机视觉领域。
具体而言，他们开发了一套 Vision AI food inspection 系统，利用 instance segmentation 简化披萨生产流程。通过将每种配料视为独立对象，该系统能够实时准确地检测、分割和计数配料。它可以解决遮挡问题（即一种配料被另一种配料部分覆盖）以及重复检测问题（即系统在实际只有一种配料时识别出两个实例）。通过识别摆放错误（即配料分布不均），制造商可以相应地调整生产参数。
该模型旨在轻松适应新配料，无需彻底改造即可重新训练。
此外，该系统还可以检查形状、验证颜色是否符合要求并检测潜在污染物，确保每件产品都符合严格的安全和质量标准。
实时食品质量控制面临的挑战#
披萨制造商通常以极高的速度运行，每 600 毫秒就生产出一张新披萨。在这种速度下，人工检验员很难跟上，因此难以准确监控配料并检测任何缺陷。
除此之外，萨拉米和蘑菇等相互重叠的配料可能会彼此遮挡，有时会导致披萨缺少配料、配料过多、分布不正确或数量不一致。这不仅会破坏产品的一致性，还会在顾客收到不符合预期的披萨时损害品牌声誉。
与此同时，这些问题会因更高的废品率和资源浪费而推高运营成本。此外，人工检验员在长时间轮班后可能会感到疲劳，导致注意力下降并增加出错风险。
认识到这些问题后，许多制造商如今开始采用启用计算机视觉的质量控制和自动化食品检测系统。这些创新系统能够提供实时监督，帮助减少人为错误，同时支持高质量产出。
利用机器视觉实时检测食品缺陷#
Specialvideo 的 Vision AI 解决方案利用 Ultralytics YOLO 模型的实例分割支持实时检查每张披萨，确保只有高质量产品到达消费者手中。该系统通过将每张披萨与其配方进行比较，准确计数和测量配料，并快速检测缺少或多出的配料、分布不均以及数量不一致等问题。
当检测到有缺陷的披萨时——无论是由于配料错位、配料数量不正确，还是存在蓝色塑料等污染物——系统都会自动将其转移到废品线上。
为保持部署后的准确性，Specialvideo 持续扩充数据集、提高标注准确性并定期重新训练 YOLO。他们在训练过程中使用数据增强来防止过拟合，并帮助模型从有限数量的样本中实现泛化。此外，训练图像中有 10% 是玛格丽特披萨，用于提供有用的背景信息，帮助网络处理同一配料类型内部的差异，例如不同种类的萨拉米。
除此之外，为了进一步提高重新训练流程的效率，Specialvideo 已针对新披萨配料实施了一套工作流。该工作流利用 YOLO 加快新图像的标注速度，随着配料种类不断变化，减少对人工监督的需求。
图 1. YOLO 用于检测和分割披萨上的配料，以实现 AI 食品检测。
为什么选择 Ultralytics YOLO 模型？#
Specialvideo 选择使用 Ultralytics YOLO 模型，因为它们在AI 模型性能与成本之间实现了良好平衡。借助 Nvidia GTX-1660gt GPU（图形处理单元），该系统的推理时间仅为 200–250 毫秒，速度足以应对每 600 毫秒生产一张披萨的生产线。
YOLO 高效的处理速度有助于实现实时质量控制。总体而言，这种方法不仅简化了生产流程，还支持扩展，使其成为适用于大批量食品制造环境的稳健解决方案。
基于 YOLO 的食品检测解决方案实现 99% 的准确率#
通过集成 Ultralytics YOLO 模型，Specialvideo 的 AI 食品检测解决方案改变了披萨生产中的质量控制方式。该模型基于包含 1,500 多张图像的高质量数据集进行训练，能够准确识别 10 多种不同配料，并将其分为可计数配料（如橄榄、萨拉米片、凤尾鱼和马苏里拉奶酪球）以及不可计数配料（如火腿丁、蘑菇、奶酪片和甜椒）。
由 YOLO 驱动的系统以最高 99% 的准确率实时运行，性能超过人工检验员，并相较于人工方法显著缩短检测时间。
值得注意的是，该解决方案已展现出令人期待的成果：它能够准确识别初始训练数据中未包含的食品产品配料，例如沙拉和意面，从而更轻松地扩展到新的产品线。最终，这种创新方法提高了运营效率、最大限度地减少了浪费并降低了成本，为自动化食品检测和质量保证树立了新的标杆。
推动食品行业的智能制造#
Specialvideo 的未来发展令人期待。该公司计划扩展其 Vision AI 解决方案，将沙拉和意面等其他食品纳入其中。通过持续优化深度学习模型并扩大数据集，Specialvideo 旨在进一步改善实时质量控制、减少浪费并提高生产效率。这些改进将助力树立新的行业标准。
想利用 Vision AI 提升运营效率？前往我们的 GitHub repository，了解 Ultralytics 的 AI 解决方案如何在医疗领域的 AI和制造业中的计算机视觉等领域发挥作用。深入了解我们的 YOLO 模型和许可选项，迈出实现更智能、更高效自动化的第一步。
