返回Ultralytics 客户

Ultralytics YOLO 为 Specialvideo 的食品检测工具提供支持

问题

Specialvideo 试图为披萨制造商建立一个可靠、高速的质量控制流程,因为人工检查无法满足每 600 毫秒生产一个披萨的速度。

解决方案

通过集成Ultralytics YOLO 模型,Specialvideo 的人工智能食品检测系统将检测准确率提高到 95% 以上,并将检测时间缩短到每个披萨 250ms 以下。

披萨生产商通常需要高速生产具有视觉吸引力的高品质产品,但人工检测每个披萨的配料可能会耗费大量时间。Specialvideo 利用视觉人工智能驱动方法实时检测和计算配料,使生产商能够坚持配方标准、减少浪费并保持平稳运营。

在测试各种视觉解决方案时,Specialvideo 发现某些技术(如语义分割)在处理重叠或隐藏的配料时很吃力。通过使用Ultralytics YOLO 模型,他们解决了这些问题,并开发出一种可靠、高精度的人工智能质量控制系统,能够即时识别、计算和验证配料。该系统可在不影响生产速度的情况下确保稳定的质量。

利用计算机视觉改进人工智能食品检测

Specialvideo 于 1993 年在意大利伊莫拉成立,拥有 30 多年设计先进计算机视觉系统的经验,主要用于机器人引导、自动检测和缺陷检测。他们的专业技术还延伸到食品行业的计算机视觉领域。 

特别是,他们开发了一个视觉人工智能食品检测系统,利用实例分割来简化披萨生产。该系统将每种配料视为一个独立的物体,可以实时准确地检测、分割和计算配料。它能解决遮挡(一种配料被另一种配料部分遮挡)和重复检测(一种配料只有一种,而系统却能识别出两种)等问题。通过识别放置错误(即配料不平衡),制造商可以相应地调整生产参数。

该模式的设计易于容纳新的配料,无需全面检修即可进行重新培训。

此外,该系统还能检查形状、验证颜色是否符合要求并检测潜在的污染物,确保每件产品都符合较高的安全和质量标准。

实时食品质量控制(质检)面临的挑战

披萨制造商通常以令人难以置信的高速运转,每 600 毫秒就能生产出一个新披萨。在这样的速度下,人工检测人员很难跟上,这就给监控配料和准确检测任何缺陷带来了挑战。

此外,萨拉米香肠和蘑菇等重叠配料会相互遮盖,有时会导致披萨配料缺失或过多、分布不正确或数量不一致。这不仅破坏了产品的统一性,而且当顾客收到的披萨不符合他们的期望时,也会损害品牌的声誉。 

与此同时,这些问题还会导致废品率上升和资源浪费,从而增加运营成本。此外,人工检查员在长时间轮班后可能会感到疲劳,导致注意力减弱,增加出错的风险。 

认识到这些隐患后,许多制造商开始采用计算机视觉质量控制和自动食品检测系统。这些创新系统提供实时监督,有助于减少人为错误,同时支持高质量的产出。 

利用机器视觉实时检测食品缺陷

Specialvideo 的 Vision AI 解决方案使用Ultralytics YOLO 模型的实例细分支持来实时检测每个披萨,从而确保只有优质产品才能送达消费者手中。它通过将每个披萨与食谱进行比较,准确计算和测量配料,快速检测出配料缺失或多余、分布不均和数量不一致等问题。

一旦检测到有问题的披萨,无论是由于配料不对齐、配料量不正确,还是由于蓝色塑料等污染物,系统都会自动将其转移到废品线上。 

为了在部署后保持准确性,Specialvideo 不断扩大数据集,提高标签准确性,并定期对YOLO 进行再训练。他们在训练过程中使用数据扩充,以防止过度拟合,并帮助模型从有限的样本中泛化。此外,10% 的训练图像以玛格丽塔披萨为特色,提供了有用的背景情况,这有助于网络处理即使是相同配料类型的变化,例如不同种类的萨拉米香肠。

除此之外,为了使再培训过程更加高效,Specialvideo 还为新的披萨配料实施了一个工作流程。该工作流程利用YOLO 加快了新图像的标注速度,在配料品种不断变化的过程中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,以进行人工智能食品检测。

为什么选择Ultralytics YOLO 型号?

Specialvideo 选择使用Ultralytics YOLO 模型,是因为它们在人工智能模型的性能和成本之间取得了很好的平衡。该系统采用Nvidia GTX-1660gtGPU (图形处理器),推理时间仅为 200 - 250 毫秒,足以应对每 600 毫秒制作一个披萨的生产线。 

YOLO的高效处理速度有助于实时质量控制。总之,这种方法不仅简化了生产流程,还支持可扩展性,使其成为大批量食品生产环境的强大解决方案。 

YOLO食品检测解决方案准确率达 99

通过集成Ultralytics YOLO 模型,Specialvideo 的人工智能食品检测解决方案改变了披萨生产的质量控制。该模型在超过 1,500 张图像的强大数据集上进行了训练,能准确识别 10 多种不同的配料,并将其分为可计数项目(如橄榄、萨拉米香肠片、凤尾鱼和马苏里拉球)和不可计数项目(如火腿块、蘑菇、奶酪片和辣椒)。 

YOLO系统可实时运行,准确率高达 99%,性能优于人工检测人员,与人工方法相比大大缩短了检测时间。 

有趣的是,该解决方案还能准确识别沙拉和意大利面等初始培训中未包括的食品成分,从而更容易地扩展到新的产品线,取得了可喜的成果。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,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。

促进食品工业的智能制造

Specialvideo 未来的发展前景令人振奋。公司计划将 Vision AI 解决方案扩展到沙拉和意大利面等其他食品。通过不断调整深度学习模型和扩大数据集,Specialvideo 希望进一步改善实时质量控制,减少浪费,提高生产效率。这些改进将有助于建立新的行业标准。

想利用视觉人工智能(Vision AI)提高运营效率?前往我们的GitHub 存储库,了解Ultralytics的人工智能解决方案如何在医疗保健人工智能 制造业计算机视觉等领域产生影响。详细了解我们的YOLO 模型和许可选项,向更智能、更高效的自动化迈出第一步。

阅读更多案例

阅读全部

Vivity AI 利用Ultralytics YOLO 模型实现工业人工智能

制造业和工业

用于视频监控的 Videologic Analytics 和Ultralytics YOLO

商业与专业服务

Prezent 采用Ultralytics YOLO 模型检测滑动元件

专业与商业服务

我们为您的行业提供的解决方案

常见问题

常见问题

通过YOLO Licensing 授权

为您的项目获取先进的人工智能视觉。立即查找适合您目标的许可证

探索许可选项