Tyson Foods 透過 AWS 服務使用電腦視覺和機器學習提高效率

Tyson Foods Inc. (Tyson Foods ) 是世界上最大的食品公司之一和公認的蛋白質產品領域的領導者，每週加工數百萬磅食品。由於其生產規模，Tyson Foods 需要其工廠在保障高食品品質的情況下高效生產。庫存盤點和機器檢查等手動流程會耗費員工寶貴的時間，並且無法近乎即時地大規模提供洞見。

Tyson Foods 早已開始使用電腦視覺 (CV) 解決方案來簡化耗時的流程，但如今希望整合採用機器學習 (ML) 的 CV，以降低實作 CV 的成本和複雜性，同時提高營運效率。Tyson Foods 希望 Amazon Web Services (AWS) 能夠協助其快速將機器學習新增到其生產線上的 CV 解決方案中，從而提高效率並節省其工廠的成本。

Tyson Foods 在全球擁有 100 多家工廠，生產牛肉、豬肉和雞肉產品以及預製食品。在 2021 年，預計美國 20% 的雞肉、牛肉和豬肉出自 Tyson Foods 工廠。

Tyson Foods 於 2018 年開始將資料中心遷移到 AWS 雲端。在這次雲端遷移過程中，Tyson Foods 了解了 Amazon Go 商店如何使用攝影機和 CV 實現結帳和零售體驗的自動化。CV 是一個機器擷取、處理和分析影像與視訊的過程，以便從實體世界中擷取具有內容資訊的有意義資訊。Amazon Go 商店的這項技術激發了該公司的新興技術團隊，他們尋求類似的 CV 解決方案，來應對挑戰並提高生產流程的效率。鑑於 Tyson Foods 工廠的生產規模，手動檢查過程非常耗時並造成瓶頸。Tyson Foods 成功開發了初始 CV 解決方案來簡化這些手動檢查流程，同時了解實作 ML 將提高效率並進一步降低複雜性。該公司於是向 AWS 尋求支援，以實作採用 ML 技術的 CV 解決方案，用於庫存管理和產品傳送托盤缺陷識別。

Tyson Foods 每週能夠加工 4,000 萬隻雞，並依靠工廠中準確的庫存測量來滿足客戶訂單。由於生產規模的原因，對通過品質保證措施的雞肉托盤進行手動計數不夠準確。監控每個機架每小時的生產總重量等替代策略無法立即提供資料，使得團隊成員無法近乎即時地採取行動。2021 年，Tyson Foods 與 Amazon Machine Learning Solutions Lab (Amazon ML Solutions Lab) 合作，其團隊與 ML 專家通力協作，使用 Amazon SageMaker (用於使用全受管的基礎設施、工具和工作流程，為任何使用案例建立、訓練和部署 ML 模型) 訓練物件偵測模型。當員工將雞肉托盤裝載到推車上時，模型會透過來自生產線的視訊串流自動偵測托盤並對其進行計數。藉助 AWS Panorama(一組 ML 裝置和一個將 CV 引入內部部署攝影機的軟體開發套件)，該公司能夠在邊緣部署該模型，從而以幾毫秒的精度分析影片。藉助此 CV 解決方案，家禽產品生產主管可以近乎即時地了解生產量，避免輪班期間產量不足或產量過剩。

在 Tyson Foods 的家禽生產工廠，他們需要識別有缺陷的用於固定產品傳送托盤的塑膠銷釘，為了藉助採用 ML 技術的 CV 提升這一流程的效率，他們開發了一種解決方案。以前，每班員工需要手動檢查每條生產線近 8,000 個銷釘，因為如果銷釘脫落，可能會出現安全問題或意外停機。此檢查過程需要注意細節，非常耗時。為了實現此流程的自動化，Tyson Foods 藉助於 Amazon Lookout for Vision，這是一項機器學習服務，它可使用 CV 大規模發現物件中的產品缺陷。 該公司使用 Lookout for Vision 建立了自訂 ML 模型來分析影像和偵測異常，而無需 ML 專業知識。Tyson Foods 使用 AWS Panorama Appliance (可用於連接攝影機並針對多個視訊串流同時處理多個 CV 應用) 在邊緣部署了該模型，以便識別產品傳送托盤的缺陷，並在識別到缺陷時立即通知其員工。藉助此解決方案，團隊成員不再需要每條生產線每班次花費約 1 小時來檢查產品傳送托盤，這可以為公司在單一工廠中每年節省 15,000 小時的熟練勞力。

Tyson Foods 計畫繼續使用相同的基礎流程來開發採用 ML 技術的 CV 解決方案，以滿足生產需求並實現更多業務的自動化。藉助 AWS 服務，該公司現在可以更快地開發解決方案並持續最佳化流程。Tyson Foods 新興技術團隊的資深經理 Barret Miller 表示：「這些解決方案透過讓我們了解真實需求和最佳化庫存，協助我們準確地使用物料，使我們能夠有效地規劃，減少浪費。」