Tyson Foods verbessert die Effizienz mit Computer Vision und Machine Learning mithilfe von AWS-Services

Als eines der weltweit größten Lebensmittelunternehmen und anerkannter Marktführer im Proteinbereich verarbeitet Tyson Foods Inc. (Tyson Foods) jede Woche Millionen Kilogramm Lebensmittel. Aufgrund des Produktionsumfangs muss Tyson Foods seine Anlagen effizient gestalten und gleichzeitig eine hohe Lebensmittelqualität aufrechterhalten. Manuelle Prozesse wie Bestandszählung und Maschinen-Inspektionen kosten wertvolle Zeit der Mitarbeiter und bieten keine skalierbaren Erkenntnisse nahezu in Echtzeit.

Tyson Foods nutzte bereits Lösungen der Computer Vision (CV), um zeitaufwändige Prozesse zu erweitern, aber das Unternehmen wollte CV auf Basis von Machine Learning (ML) integrieren, um die Kosten und die Komplexität der Implementierung von CV zu reduzieren und gleichzeitig die betriebliche Effizienz zu verbessern. Tyson Foods entschied sich für Amazon Web Services (AWS), um seinen CV-Lösungen in Fließbändern schnell ML hinzuzufügen und so die Effizienz zu steigern und Kosteneinsparungen in seinen Anlagen zu erzielen.

Tyson Foods produziert Rindfleisch, Schweinefleisch, Hühnchen und Fertiggerichte in über 100 Anlagen weltweit. In den Vereinigten Staaten stammten 2021 schätzungsweise 20 Prozent des Hühner-, Rind- und Schweinefleischs des Landes aus Anlagen von Tyson Foods.

Tyson Foods begann 2018 mit einer Cloud-Migration von Rechenzentren zu AWS. Während dieser Cloud-Migration sah Tyson Foods, wie der Amazon-Go-Laden die Kassen- und Einzelhandelserlebnisse mithilfe von Kameras und CV automatisierte. CV ist ein Prozess, bei dem Bilder und Videos erfasst, verarbeitet und analysiert werden, sodass Maschinen aussagekräftige, kontextbezogene Informationen aus der physischen Welt extrahieren können. Diese Technologie im Amazon-Go-Laden inspirierte das aufstrebende Technologieteam des Unternehmens, ähnliche CV-Lösungen zu entwickeln, um Herausforderungen zu bewältigen und die Effizienz seiner Produktionsprozesse zu steigern. Aufgrund des Produktionsumfangs in den Anlagen von Tyson Foods können manuelle Inspektionsprozesse zeitaufwändig sein und zu Engpässen führen. Tyson Foods entwickelte erfolgreich eine erste CV-Lösung zur Erweiterung dieser manuellen Inspektionsprozesse, wusste jedoch, dass die Implementierung von ML die Effizienz steigern und die Komplexität noch weiter verringern würde. Das Unternehmen wandte sich an AWS, um Unterstützung bei der Implementierung von CV-Lösungen auf Basis von ML für das Bestandsmanagement und die Identifizierung von Fehlern bei Warenträgern zu erhalten.

Tyson Foods hat die Kapazität, 40 Millionen Hühner pro Woche zu verarbeiten, und das Unternehmen ist auf genaue Bestandsmessungen in den Anlagen angewiesen, um Kundenbestellungen zu erfüllen. Aufgrund des Produktionsumfangs sind manuelle Techniken zum Zählen von Hühnchenablagen, die die Qualitätssicherungsmaßnahmen bestehen, nicht genau genug. Alternative Strategien wie die Überwachung des stündlichen Gesamtgewichts der Produktion pro Rack liefern nicht sofort Daten, so dass die Teammitglieder nicht in der Lage sind, nahezu in Echtzeit Maßnahmen zu ergreifen. Im Jahr 2021 arbeitete Tyson Foods mit dem Amazon Machine Learning Solutions Lab (Amazon ML Solutions Lab) zusammen, das das Team eines Unternehmens mit ML-Experten zusammenbringt, um mithilfe von Amazon SageMaker ein Objekterkennungsmodell mit vollständig verwalteter Infrastruktur, Tools und Workflows zu trainieren und so ML-Modelle für jeden Anwendungsfall zu erstellen, zu trainieren und bereitzustellen. Dieses Modell erkennt und zählt automatisch Hühnchenablagen auf Videostreams von Fließbändern, wenn Mitarbeiter sie auf Wagen laden. Mithilfe von AWS Panorama, einer Sammlung von ML-Geräten und einem Software Development Kit, das CV auf On-Premises-Kameras überträgt, konnte das Unternehmen dieses Modell am Edge einsetzen, um Videos in Millisekunden zu analysieren. Mit dieser CV-Lösung erhalten die Leiter der Geflügelproduktion Erkenntnisse nahezu in Echtzeit in die Produktionsmenge, wodurch sowohl Unter- als auch Überproduktion während der Schicht vermieden werden.

Um einen weiteren Anwendungsfall mit CV unterstützt von ML zu verbessern, entwickelte Tyson Foods eine Lösung zur Identifizierung defekter Kunststoff-Sicherungsstifte, die Warenträger in seinen Geflügelproduktionsstätten an Ort und Stelle halten. Bisher mussten die Mitarbeiter in jeder Schicht fast 8 000 Sicherungsstifte pro Fließband manuell überprüfen, da es zu Sicherheitsproblemen oder ungeplanten Ausfallzeiten kommen konnte, wenn ein Sicherungsstift nicht richtig saß. Dieser Inspektionsprozess erforderte Detailgenauigkeit und wertvollen Bedieneraufwand. Um den Prozess zu automatisieren, entschied sich Tyson Foods für Amazon Lookout für Vision, einen ML-Service, der mithilfe von CV-Produktfehler an Objekten in großem Maßstab erkennt. Mithilfe von Lookout für Vision erstellte das Unternehmen ein benutzerdefiniertes ML-Modell zur Analyse von Bildern und zur Erkennung von Anomalien. Dabei waren ML-Fachkenntnisse nicht erforderlich. Tyson Foods implementierte das Modell am Edge auf einer AWS-Panorama-Appliance, mit der Unternehmen Kameras verbinden und mehrere CV-Anwendungen auf mehreren Videostreams gleichzeitig verarbeiten können, sodass die Mitarbeiter sofort darüber informiert werden, dass ein Warenträger gewartet werden muss, wenn das Modell Anomalien feststellt. Mit dieser Lösung müssen die Teammitglieder nicht mehr schätzungsweise 1 Stunde pro Schicht und Fließband für die Inspektion von Warenträgern aufwenden, was dem Unternehmen jährlich 15 000 Stunden an Facharbeit in einer einzigen Anlage ersparen kann. 

Tyson Foods plant, weiterhin dieselben grundlegenden Prozesse zu verwenden, um auf ML basierende CV-Lösungen zu entwickeln, die den Produktionsanforderungen gerecht werden und einen Großteil des Geschäfts automatisieren. Mithilfe von AWS-Services entwickelt das Unternehmen nun schneller Lösungen und optimiert weiterhin Prozesse. „Diese Lösungen helfen uns dabei, genau das zu nutzen, was wir benötigen, indem sie die tatsächliche Nachfrage verstehen und den Lagerbestand optimieren, sodass wir Abfall effektiv planen und reduzieren können“, sagt Barret Miller, Senior Manager of the Emerging Technology Team bei Tyson Foods.