Автоматическое выявление пустых полок в магазинах с помошью ИИ
ИИ-система в реальном времени фиксирует отсутствие товаров на полках, помогает быстрее возвращать их в продажу и снижать потери выручки без ручных обходов и проверок.
NDA
Заказчик Крупная розничная сеть товаров массового спроса с распределённой сетью торговых точек по Российской Федерации.
Для заказчика критичны операционная эффективность магазинов, доступность ассортимента на полке и снижение потерь выручки из-за отсутствия товаров.
Задача Обеспечить автоматическое и оперативное выявление пустот на полках в торговых залах без ручных обходов и увеличения нагрузки на персонал.
О проекте
Система ИИ-видеоаналитики в реальном времени фиксирует факт отсутствия конкретного товара на полке, определяет момент начала пустоты, её длительность и точное место по планограмме.
А еще - автоматически уведомляет персонал и формирует детальные отчёты по упущенным продажам: какие SKU, где и как долго отсутствовали.
NDA
Заказчик Крупная розничная сеть товаров массового спроса с распределённой сетью торговых точек по Российской Федерации.
Для заказчика критичны операционная эффективность магазинов, доступность ассортимента на полке и снижение потерь выручки из-за отсутствия товаров.
Задача Обеспечить автоматическое и оперативное выявление пустот на полках в торговых залах без ручных обходов и увеличения нагрузки на персонал.
до 15 минут
1
Подготовка обучающего видеодатасета
Собрали видеозаписи торговых полок с контролируемыми сценариями наличия и отсутствия товаров для обучения и валидации модели.
2
Разметка полок и товарных зон
Разметили области полок, товары и пустоты с привязкой к планограммам для корректной интерпретации состояния каждой позиции.
3
Обучение моделей компьютерного зрения
Обучили модель распознавания пустот с учётом глубины полки и наличия товаров за фронтальной линией выкладки.
4
Интеграция в ИТ-ландшафт заказчика, тестирование и калибровка
Интегрировали систему с существующей инфраструктурой видеонаблюдения и корпоративными сервисами через API. Провели тестирование на пилотных торговых точках, настроили пороги срабатывания и снизили количество ложных детекций.
5
Масштабирование и эксплуатационный мониторинг
Донастроили алгоритмы под новые магазины и обеспечили удалённый контроль стабильности работы системы.Почему ИИ-решение важно для ритейла
Система видит не пустую полку, а потерянный SKU.
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управления
Backend
Логика обработки и базовые компоненты системы
ML
Модели и фреймворки для обучения
Вызовы и решения
Нестабильное качество видеопотока
Часть камер обеспечивала недостаточное качество изображения: низкий битрейт, шум, размытость при движении в кадре, что снижало точность детекции пустотРЕШЕНИЕ
Оптимизация параметров видеопотока и повышение битрейта
Провели аудит настроек камер, скорректировали битрейт и параметры кодирования, что позволило снизить уровень шума и обеспечить стабильные входные данные для моделей компьютерного зрения без замены оборудования.Некорректные ракурсы и неполное покрытие полок
Камеры изначально устанавливались под задачи безопасности, из-за чего часть полок попадала в кадр под острыми углами или не покрывалась полностью.РЕШЕНИЕ
Корректировка ракурсов и зон анализа
Без изменения инфраструктуры оптимизировали положение камер и зафиксировали зоны детекции, обеспечив корректный обзор полок, участвующих в аналитике, и исключив нерелевантные области.Различие ассортимента и планограмм между магазинами
Планограммы и наборы SKU отличались от точки к точке, что усложняло масштабирование модели и снижало универсальность распознавания.РЕШЕНИЕ
Гибкая привязка детекции к планограмме
Реализовали механизм настройки зон и товарных позиций под конкретную торговую точку, что позволило адаптировать систему под разные форматы магазинов без повторного обучения базовой модели.+25%
к среднему чеку при росте заполненности полок с 80% до 100%
+18%
к среднему чеку при повышении заполненности полок до 95%
+2,6%
к среднему чеку эффект от внедрения видеоаналитики при текущей заполненности
Команда, которая внедрила проект
Константин Порошкин
ML-инженер
Виктор Дупляков
Full-stack разработчик
Фёдор Головин
Project Manager
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Никита Латышонок
CV-инженер
Проект запущен
в работу
Скоро
здесь будут
обновления
Готовые проекты
Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.
Разработка крупной системы
Распознавание блюд на подносах и заказов
ИИ для промышленности
ИИ-отбор качественных снимков с дронов
Разработка крупной системы
Компьютерное зрение в метрологии
Разработка крупной системы
Распознавание QR для контроля сборки и упаковки заказов
Разработка крупной системы
Платформа для регистрации рекламы блогеров и ЕРИР
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
