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。

在测试各种视觉解决方案时，Specialvideo 发现语义分割等某些技术在处理重叠或隐藏配料时表现不佳。通过使用 Ultralytics YOLO 模型，他们能够解决这些障碍，并开发出一套可靠、高精度的 AI 驱动质量控制系统，用于即时识别、计算和核对配料。这确保了在不牺牲生产速度的前提下，保持产品质量的一致性。

Link to this section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套 视觉 AI 食品检测 系统，该系统使用 实例分割 来简化披萨生产流程。通过将每种配料视为一个独立的对象，该系统能够实时准确地检测、分割和计算配料。它解决了诸如遮挡（一种配料被另一种部分遮盖）和重复检测（系统在只有一个配料时识别出两个实例）等问题。通过识别放置错误（即配料不均衡），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，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。

Link to this section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。

意识到这些缺陷，许多制造商现在开始采用支持 计算机视觉 的质量控制和自动化食品检测系统。这些创新系统提供了实时监督，有助于减少人为错误，同时支持高质量的产出。

Link to this section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。

为了在部署后保持准确性，Specialvideo 不断扩展其数据集，精炼标注准确度，并定期对 YOLO 进行再训练。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，以提供有用的背景语境，这有助于网络处理同一配料类型内的差异，例如不同种类的萨拉米香肠。

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 用于检测和分割披萨上的配料，以进行 AI 食品检测。

Link to this section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 和成本之间实现了完美的平衡。借助 Nvidia GTX-1660gt GPU（图形处理器），该系统实现了仅 200 - 250 毫秒的推理时间，速度足以处理每 600 毫秒生产一张披萨的生产线。

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。

Link to this sectionYOLO 赋能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 食品检测解决方案彻底改变了披萨生产中的质量控制。该模型在超过 1,500 张图像的强大数据集上进行了 训练，可以准确识别 10 多种不同的配料，并将它们分为可计数项目（如橄榄、萨拉米香肠片、凤尾鱼和马苏里拉奶酪球）和不可计数项目（如火腿丁、蘑菇、奶酪片和辣椒）。

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 通过准确识别初始训练中未包含的食品（例如沙拉和意大利面）中的配料，展示了令人期待的结果，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。

Link to this section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。

想要通过视觉 AI 提升你的运营吗？前往我们的 GitHub 仓库，了解 Ultralytics 的 AI 解决方案如何在 医疗保健 AI 和 制造业计算机视觉 等领域产生影响。查找有关我们 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。