Tyson Foods 借助 AWS 服务，通过计算机视觉和机器学习提高效率

作为全球最大的食品公司之一，以及蛋白质领域公认的领导者，Tyson Foods Inc. （Tyson Foods）每周加工数百万磅的食物。由于生产规模庞大，Tyson Foods 需要其工厂既能生产高品质的食品，又能维持高效运营。库存盘点和机器检查等人工流程会耗费员工宝贵的时间，并且无法大规模提供近乎实时的洞察。

Tyson Foods 已经在使用计算机视觉（CV）解决方案对耗时的流程进行补充，但该公司希望采用由机器学习（ML）提供支持的 CV，以降低实施 CV 的成本和复杂性，同时提高运营效率。Tyson Foods 希望 Amazon Web Services（AWS）能为其生产线上的 CV 解决方案快速添加 ML，以提高效率并节省其设施的成本。

Tyson Foods 在全球 100 多家工厂生产牛肉、猪肉、鸡肉和预制食品。据估计，2021 年美国有 20％ 的鸡肉、牛肉和猪肉产自 Tyson Foods 的工厂。

Tyson Foods 于 2018 年开始从数据中心到 AWS 的云迁移。在这次云迁移过程中，Tyson Foods 看到了 Amazon Go 商店如何使用摄像头和 CV 实现结账和零售体验的自动化。CV 是一个涉及捕获、处理和分析图像和视频的过程，通过此过程，机器可以从现实世界中提取有意义的情境信息。Amazon Go 商店的这项技术为该公司的新兴技术团队带来了寻求类似 CV 解决方案的启发，以应对挑战并提高生产过程的效率。由于 Tyson Foods 工厂的生产规模庞大，人工检查流程可能会耗费大量时间并产生瓶颈。Tyson Foods 成功开发了一个初始的 CV 解决方案来对这些人工检测流程进行补充，但他们明白实施 ML 将进一步提高效率并降低复杂性。该公司向 AWS 寻求支持，以实施由 ML 提供支持的 CV 解决方案，用于库存管理和产品载体故障识别。

Tyson Foods 每周可加工 4000 万只鸡，依靠精确的设施库存测量来履行客户订单。由于生产规模庞大，通过质量保证措施对鸡肉托盘进行计数的人工技术不够精确。监控每个机架每小时的生产总重量等替代策略无法立即提供数据，因而团队成员无法近乎实时地采取行动。2021 年，Tyson Foods 与 Amazon Machine Learning Solutions Lab（Amazon ML Solutions Lab）合作，将企业团队与 ML 配对，使用带有完全管理的基础设施、工具和工作流程的 Amazon SageMaker 训练对象检测模型，为任何使用案例构建、训练和部署 ML 模型。当员工将鸡肉托盘装入推车时，该模型会自动检测生产线视频流中的鸡肉托盘，并进行计算。AWS Panorama 集合了一系列 ML 设备和一个软件开发套件，可将 CV 引入本地摄像头，公司借助它能够在边缘部署该模型，以毫秒级的速度分析视频。通过这种 CV 解决方案，家禽生产主管可以近乎实时地了解产量，从而避免在当班期间出现生产不足和生产过剩的情况。

为了改善由 ML 提供支持的 CV 的另一个用例，Tyson Foods 开发了解决方案，用于识别在其家禽生产设施中，固定产品载体的塑料插销是否存在问题。以前，每个班次的员工都需要手动检查每条生产线中将近 8000 个插销，因为如果插销脱落，可能会出现安全问题或计划外停机。这一检查过程需要注意细节，并花费宝贵的操作时间。为了实现这一过程的自动化，Tyson Foods 求助于 Amazon Lookout for Vision，这是一项使用 CV 大规模发现对象中的产品缺陷的 ML 服务。 该公司使用 Lookout for Vision 创建了一个自定义 ML 模型，无需 ML 专业知识即可分析图像和检测异常。Tyson Foods 在 AWS Panorama Appliance 的边缘部署了该模型，企业可使用该设备连接摄像头，并同时处理多个视频流上的多个 CV 应用程序，因此当模型发现异常时，员工就会立即收到产品载体需要维护的通知。有了这个解决方案，每个班次的团队成员不再需要在每条生产线花费大约 1 小时的时间来检查产品载体，因此，一家工厂每年可为公司节省 15,000 个工时的熟练劳动力。

Tyson Foods 计划继续使用相同的基础流程来开发由 ML 提供支持的 CV 解决方案，以满足生产需求并实现更多业务的自动化。通过使用 AWS 服务，该公司现在可以更快地开发解决方案，并继续优化流程。Tyson Foods 新兴技术团队高级经理 Barret Miller 表示：“这些解决方案通过了解真实需求和优化库存，帮助我们准确使用所需物料，以便我们进行有效规划并减少浪费。”