Пустую полку заметят, когда на неё пожалуется покупатель. Недостачу на приёмке найдут при инвентаризации, через месяц. Компьютерное зрение обещает видеть такие вещи сразу, по камере или фото. Разбираем, что это такое, какие задачи в магазине и на складе оно решает, что для него нужно и где проходит граница.
Что такое компьютерное зрение простыми словами
Компьютерное зрение это набор методов, которые позволяют программе находить на фото или видео нужные объекты и события. Модели показывают тысячи размеченных примеров: вот товар, вот пустое место на полке, вот паллета. После обучения она находит похожее на новых кадрах.
Важно понимать, что модель не «понимает» картинку как человек. Она хорошо узнаёт то, что видела при обучении, в похожих условиях. Если поменялись свет, ракурс или упаковка товара, качество падает. Поэтому любой проект начинается не с модели, а с точного описания события: что считается отклонением и кто будет на него реагировать.
- Описать событие: например, «на полке с молоком нет товара больше двух позиций подряд»
- Собрать кадры с площадки: нормальные ситуации и проблемные, в разное время суток
- Настроить и проверить модель на кадрах, которые она не видела при обучении
- Подключить реакцию: кому уходит уведомление, в каком канале, кто его закрывает
Какие задачи решает в магазине и на складе
Выкладка и пустые полки. Камера или фото с телефона сотрудника показывает полку, модель находит пустые места и сравнивает выкладку с планограммой. Результат: список полок, где нужно пополнить товар или поправить выкладку.
Подсчёт товара и паллет. На складе модель считает паллеты в зоне или коробки на стеллаже, в магазине оценивает количество товара на полке. Это помогает сверять остатки без полного ручного пересчёта, но для точного учёта фото обычно не заменяет инвентаризацию.
Очереди и посещаемость. По видео с камеры над входом или кассами считают количество людей и длину очереди. Владелец видит, в какие часы не хватает кассиров. Здесь в кадре люди, и об этом отдельный раздел ниже.
Контроль приёмки. На складе камера фиксирует, сколько мест разгрузили, есть ли видимые повреждения упаковки, совпадает ли количество с накладной. Спорный случай передаётся сотруднику с кадром.
Распознавание номеров и маркировки. Модель читает госномера машин на въезде, штрихкоды и коды маркировки на упаковке, номера на паллетах. Это одна из самых зрелых задач, но и она зависит от чистоты, угла и освещения.
Что нужно на месте
Требования к оборудованию следуют из задачи. Для распознавания номера нужна камера, направленная на номер под удобным углом. Для полки нужно, чтобы полка была видна целиком и без бликов.
Поэтому покупать камеры до проверки не стоит. Сначала снимают несколько десятков кадров тем, что уже есть, и смотрят, различимо ли событие. Только после этого понятно, хватит ли текущего оборудования или нужно менять ракурс и свет.
- Свет: стабильное освещение важнее дорогой камеры. Тени и блики дают больше ошибок, чем низкое разрешение
- Разметка: несколько сотен примеров нормальных и проблемных ситуаций с вашей площадки, а не из интернета
- Сеть: если видео анализируется не на месте, нужен стабильный канал для передачи кадров
- Реакция: человек или система, куда уходит событие и кто его закрывает
| Задача | Что нужно на месте | Что получает владелец | Типичные ошибки |
|---|---|---|---|
| Пустые полки и выкладка | Камера на полку или регулярные фото с телефона, ровный свет, планограмма | Список полок для пополнения и отклонений от выкладки | Блики на упаковке, перекрытие полки покупателями, похожие товары |
| Подсчёт товара и паллет | Фиксированный ракурс на зону или стеллаж, разметка примеров | Количество по зонам и расхождение с учётной системой | Товар стоит в несколько рядов, задние ряды не видны |
| Очереди и посещаемость | Камера над входом или кассовой зоной | Число людей по часам, длина очереди | Двойной счёт, плотная толпа, сотрудники в кадре |
| Контроль приёмки | Камера на зону разгрузки, данные накладной | Фиксация количества и видимых повреждений с кадром | Плохой угол, груз закрывает другие места |
| Номера и маркировка | Камера под нужным углом, достаточное разрешение | Журнал въездов, считанные коды | Грязь на номере, мелкий код, движение и размытие |
Где граница применимости
Компьютерное зрение хорошо работает там, где событие видно глазом на кадре и условия съёмки стабильны. Чем больше вариативность, тем больше ложных срабатываний и пропусков.
- Модель видит только то, что попало в кадр. Товар во втором ряду, закрытая коробка, паллета за другой паллетой остаются невидимыми
- Ложные срабатывания неизбежны. Вопрос в их доле и в том, кто их проверяет. Сотрудник, который получает сто ложных уведомлений в день, перестаёт их читать
- Каждое изменение ассортимента, упаковки или освещения требует проверки модели заново
- Решение по событию принимает человек. Камера сообщает, что полка пустая, а пополняет её сотрудник
- Модель не отличает причины. Пустое место на полке может быть дефицитом, товаром в пути или сознательным выводом позиции, и это знает только учётная система
Перед пилотом стоит измерить, сколько событий в день реально происходит и сколько уведомлений команда готова обрабатывать.
Видео с людьми и персональные данные
Если в кадр попадают покупатели или сотрудники, возникают вопросы закона № 152-ФЗ «О персональных данных». Изображение человека, по которому его можно узнать, может считаться персональными данными, а данные, по которым устанавливают личность, относятся к биометрическим (статья 11 закона) и требуют отдельных условий обработки.
Практическое правило: проектировать задачу так, чтобы люди не идентифицировались. Для подсчёта посетителей не нужно узнавать лица, достаточно считать силуэты. Кадры можно не хранить, а сохранять только числа. Камеры на полку можно направить так, чтобы покупатели попадали в кадр как можно реже.
Отдельно стоит решить, кто видит архив, сколько он хранится и как уведомлены сотрудники и покупатели о видеонаблюдении.
Раздел описывает вопрос в общем виде и не является юридической консультацией. Нужна ли в вашем случае отдельная правовая основа или согласие, должен проверить юрист.
Кому подходит
Хуже подходит маленьким магазинам с одним залом, где продавец и так видит все полки, и площадкам, где условия съёмки меняются каждый день.
Простой способ понять, подходит ли задача: посчитайте, сколько раз в неделю событие происходит и сколько стоит его поздно заметить. Если пустая полка с ходовым товаром стоит полдня и это повторяется каждый день, у компьютерного зрения есть что улучшать. Если отклонения редкие и дешёвые, регулярный обход сотрудником окажется проще и надёжнее.
- Сетям и крупным магазинам, где пустые полки и нарушение выкладки заметно влияют на продажи, а обходы зала не успевают
- Складам с регулярной приёмкой, где расхождения с накладной находят слишком поздно
- Площадкам с въездом транспорта, где журнал въездов ведут вручную
- Бизнесу, у которого уже есть камеры и понятно, кто будет реагировать на события
Что измерить на пилоте
- Точность обнаружения события на отдельном наборе кадров, который модель не видела при настройке
- Доля ложных срабатываний в день
- Время от события до реакции сотрудника по сравнению с текущим процессом
- Доля событий, которые подтвердил человек
Итог
Компьютерное зрение полезно ровно настолько, насколько точно описано событие и насколько быстро на него реагирует человек. Камера без того, кто закрывает уведомления, только добавляет шума.
