Ритейл, складская логистика

Внедрение видеоаналитики для контроля комплектации товаров на складе

Видеоаналитика на основе машинного зрения заменяет ручной контроль комплектации на складе: система сама сверяет содержимое коробок с WMS, выявляет расхождения и передаёт на ручную проверку только проблемные сборки.

NDA

Заказчик Крупная федеральная торговая сеть с распределительными складами по всей России. На одном складе в пиковые периоды выполняется до 3000 операций комплектации в сутки с использованием WMS и камер видеонаблюдения.

Задача Автоматизировать контроль комплектации заказов, сократить количество ошибок и быстрее выявлять расхождения между фактической сборкой и данными WMS.

О проекте

Сотрудники склада при ручной комплектации иногда кладут в коробки не то количество товаров, и эти ошибки обнаруживают уже после отгрузки. Система видеоаналитики, на основе машинного зрения автоматически анализирует записи с камер над зонами сборки и сверяет фактическое содержимое коробок с данными WMS (системы управления складом). Это позволяет находить ошибки до отправки заказов и избавляет операторов от ручного просмотра видеоархивов.

NDA

×6 к скорости контроля

Ручная проверка занимала до 2 минут. Система автоматически анализирует операцию за ~20 секунд и передаёт на ручную проверку только проблемные случаи.

Получение задания из WMS

Система получает из WMS параметры комплектации и привязывает их к зоне и времени выполнения операции.

Обработка видеопотока

Видео с камер автоматически нарезается по временным меткам и рабочим зонам, соответствующим операции комплектации.

Распознавание и подсчёт объектов

Модель компьютерного зрения распознаёт коробки и товары на паллете, считает их и сверяет результат с данными WMS.

Контроль и фиксация отклонений

Система выявляет недостачу, излишки или пропуски операций и фиксирует расхождения с точным временем события.

Уведомления и аналитика

Информация о расхождениях передаётся в WMS/SAP/ТСД, а результаты сохраняются для отчётов и последующего анализа.

Почему заказчик выбрал видеоаналитику?

Ежедневно 12–20 сотрудников разбирают видеозаписи вручную, чтобы найти источник ошибок комплектации.

Одна претензия может занимать до 15 минут ручного разбора, включая поиск нужного фрагмента видео.

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

Неконтролируемая ошибка на этапе комплектации

При высоком потоке операций невозможно стабильно контролировать факт и объём загрузки на паллету: ошибки возникали внутри смены и обнаруживались уже после отгрузки.

РЕШЕНИЕ

ИИ-контроль

Встроенный контроль комплектации в момент выполнения операции с автоматической сверкой количества объектов на паллете с заданием из WMS.

Высокая стоимость поиска причины инцидента

Для разбора одной ошибки требовалось вручную находить нужный участок видео среди архивов с нескольких камер, что масштабировалось линейно с объёмом склада.

РЕШЕНИЕ

Инцидент ищется автоматически

Автоматическая привязка видеофрагментов к заданиям, ячейкам и паллетам с сохранением точных временных меток для быстрого и воспроизводимого анализа.

до 90%

точность распознавания при корректных ракурсах камер

≤ 1 сек

время анализа видеокадра и сверки с данными WMS в процессе комплектации

до 300 камер

масштабируемость системы для крупных распределительных центров

Команда, которая внедрила проект

Константин Порошкин

ML-инженер

Дмитрий Долгин

Tech Lead

Роман Фёдоров

Бизнес-аналитик

Дмитрий Соркин

DevOps-инженер

Марк Яговкин

Руководитель разметки данных

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.