Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率

披萨制造商通常需要高速生产视觉诱人、品质上乘的产品，但手动检查每张披萨的配料既耗时又费力。Specialvideo 利用视觉 AI 驱动的方法来实时检测和计算配料，使生产商能够坚守配方标准、减少浪费并保持生产平稳运行。

在测试了各种视觉解决方案后，Specialvideo 发现语义分割等某些技术在处理重叠或隐藏的配料时表现不佳。通过使用 Ultralytics YOLO 模型，他们成功克服了这些障碍，开发出一个可靠、高精度的 AI 驱动质量控制系统，能够在飞行中识别、清点和验证配料。它确保了稳定的质量，同时又不会牺牲生产速度。

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，致力于为机器人引导、自动化检测和缺陷检测设计先进的计算机视觉系统。他们的专业知识也延伸到了食品行业的计算机视觉领域。

特别是，他们开发了一个 Vision AI 食品检测系统，利用实例分割来优化披萨生产。通过将每个配料视为一个独特的对象，该系统能够实时准确地检测、分割和清点食材。它解决了遮挡（一个食材部分被另一个食材覆盖）和重复检测（系统在只有一个食材时识别出两个实例）等问题。通过识别摆放错误（即配料分布不均），制造商可以据此调整生产参数。

该模型旨在轻松适应新配料，并且无需全面重构即可进行再训练。

此外，该系统还能检查形状、验证颜色合规性并检测潜在污染物，确保每种产品都符合高安全和质量标准。

实时食品 QC（质量控制）面临的挑战#

披萨制造商通常以极高的速度运转，每 600 毫秒就会产出一张新披萨。在这样的节奏下，人工检查员很难跟上速度，这使得监控配料和准确检测任何缺陷变得困难重重。

最重要的是，诸如萨拉米香肠和蘑菇之类的重叠配料可能会相互遮挡，这有时会导致披萨出现配料缺失或过量、分布不均或数量不一致的情况。这不仅破坏了产品的一致性，当客户收到的披萨不符合预期时，还会损害品牌的声誉。

同时，这些问题通过更高的报废率和资源浪费增加了运营成本。雪上加霜的是，人工检查员在长时间轮班后会感到疲劳，导致注意力下降，从而增加了出错的风险。

认识到这些隐患后，许多制造商现在开始拥抱支持计算机视觉的质量控制和自动化食品检测系统。这些创新的系统提供实时监督，有助于减少人为错误，同时支持高质量的产出。

基于机器视觉的实时食品缺陷检测#

Specialvideo 的视觉 AI 解决方案利用 Ultralytics YOLO 模型的实例分割支持，实时检测每一张披萨，确保只有优质产品到达消费者手中。它通过将每张披萨与配方进行比较来准确计算和衡量配料，从而快速检测出缺失或多余的配料、分布不均和数量不一致的情况。

当检测到有缺陷的披萨时——无论是由于配料错位、配料量不正确还是蓝色塑料等污染物——系统会自动将其分流到报废线。

为了在部署后维持准确性，Specialvideo 不断扩充数据集、提高标注准确性，并定期重新训练 YOLO。他们在训练期间使用数据增强来防止过拟合，并帮助模型从有限的样本中进行泛化。此外，10% 的训练图像以玛格丽特披萨为特色，以提供有用的背景上下文，这有助于网络处理甚至在同一种食材类型（如不同种类的萨拉米香肠）内的变化。

除此之外，为了使再训练过程更加高效，Specialvideo 针对新披萨配料实施了一套工作流程。该工作流程利用 YOLO 加速新图像的标注，随着配料种类的演变，减少了对人工监督的需求。

图 1. YOLO 用于在 AI 食品检测中检测和分割披萨上的配料。

为何选择 Ultralytics YOLO 模型？#

Specialvideo 选择使用 Ultralytics YOLO 模型，因为它们在AI 模型性能和成本之间提供了极佳的平衡。配备 Nvidia GTX-1660gt GPU（图形处理器），该系统的推理时间仅为 200 - 250ms，速度足以应付每 600ms 生产一个披萨的生产线。

YOLO 高效的处理速度促进了实时质量控制。总体而言，这种方法不仅简化了生产，还支持可扩展性，使其成为高产量食品制造环境中的强大解决方案。

YOLO 赋能的食品检测解决方案实现 99% 的准确率#

By integrating Ultralytics YOLO models, Specialvideo’s AI food inspection solution has transformed quality control in pizza production. Trained on a robust dataset of over 1,500 images, the model accurately recognizes more than 10 different ingredients, categorizing them into countable items, such as olives, salami slices, anchovies, and mozzarella balls, and non-countable items, like cubed ham, mushrooms, cheese slices, and peppers.

YOLO 驱动的系统实时运行，准确率高达 99%，优于人工检查员，并与手动方法相比显著缩短了检测时间。

有趣的是，该解决方案在准确识别其初始训练中未包含的食品（如沙拉和意面）中的食材方面表现出了良好的结果，从而促进了向新产品线的更轻松扩展。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设定了新的基准。

在食品行业推广智能制造#

Specialvideo 的未来之路令人期待。该公司计划将其视觉 AI 解决方案扩展到包括沙拉和意大利面在内的其他食品。通过不断微调其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。这些增强功能将有助于树立新的行业标准。

想用 Vision AI 提升你的业务吗？前往我们的GitHub 仓库，看看 Ultralytics 的 AI 解决方案如何在医疗领域的 AI和制造领域的计算机视觉等领域产生影响。查找有关我们的 YOLO 模型和许可选项的详细见解，并迈出迈向更智能、更高效自动化的第一步。