Внедрение видеоаналитики для контроля комплектации товаров на складе

Система машинного зрения отслеживает коробки, определяет их количество и сверяет данные с WMS. Поток видео обрабатывает нейросеть, а сотрудники занимаются только проверкой спорных случаев.

01. Про заказчика

about-customer

Крупная федеральная торговая сеть (NDA) с десятками распределительных складов по России. Компания ежедневно обрабатывает десятки тысяч товарных позиций, используя WMS и камеры видеонаблюдения. В период пиковых нагрузок на одном складе выполняется до 3000 операций комплектации в сутки.

02. Задача проекта

task of project image
На складах фиксировались расхождения между собранным и отгруженным товаром. Контроль выполнялся постфактум: сотрудники просматривали видеозаписи, чтобы определить источник ошибки — при сборке, погрузке или учёте. Процесс поиска расхождений занимал часы и не позволял предотвращать отклонения до поступления рекламаций.

03. Как мы решали задачу

0 1
Получение данных из WMS — система подключается к учётной системе склада, получает задания по сборке: ячейку, количество коробок и ID паллеты.
0 2
Обработка видеопотока — из видеопотоков извлекаются нужные фрагменты по временным меткам и зонам работы сотрудников, соответствующим операциям комплектации.
0 3
Распознавание и подсчёт объектов — модель компьютерного зрения детектирует коробки и крупные штучные товары на паллете, выполняет автоматический подсчёт и сверку с данными WMS.
0 4
Контроль и фиксация расхождений — система определяет отклонения: недостачу, избыточную комплектацию или пропуск операции, и фиксирует их в отчётах с точным временем события.
0 5
Уведомления и интеграции — информация о расхождениях передаётся в SAP и терминалы сбора данных (ТСД), чтобы сотрудники могли устранить проблему до отгрузки.
0 6
Хранение и аналитика — все результаты анализа сохраняются в логах с привязкой к заданиям; система формирует отчёты и создаёт базу для перехода в режим онлайн-мониторинга.

04. Как это работает

1 Оператор получает задание из WMS и приступает к комплектации. Сканирование ячейки или паллеты запускает анализ видеопотока в нужной зоне.
2 ИИ-модель определяет количество коробок на паллете и сверяет с планом из WMS. Используется модель YOLOv8 + трекер объектов.
3 Контроль отклонений: при несоответствии система формирует отчёт и уведомление в SAP и на ТСД сотрудника. По итогу: сводный отчёт со ссылками на фрагменты видео и статусом заданий.
4 Интеграции:
WMS (REST API),
VMS камер,
SAP / ТСД,
Web-интерфейс.
5 Инфраструктура: on-prem сервер; хранение логов 6 мес; масштабируемость до 300 камер.
ai-projects

05. Проблемы и их решение

Ошибки при комплектации

Операторы могли недосчитать коробки или взять лишние, а ручной контроль занимал время и не гарантировал точность.

Стало

Нейросеть автоматически считает коробки на паллете и сверяет их с планом WMS, исключая человеческий фактор и сокращая количество ошибок.

Сложные ракурсы и перекрытия

Коробки могли частично перекрываться, а камеры стояли под углом, из-за чего часть объектов не детектировалась.

Стало

Система автоматически исключает такие кадры из статистики и формирует рекомендации по изменению угла камеры для повышения точности.

Ручная проверка видео

Менеджерам приходилось вручную пересматривать длинные видеозаписи, чтобы понять, где и когда произошла ошибка.

Стало

Система формирует отчёт с временными метками, статусом операций и ссылками на нужные фрагменты видео для быстрой проверки.

06. Ценность и экономика

Снижение трудозатрат
Нейросеть берёт на себя анализ видео. Сокращение с 12 до 2 операторов на эту задачу.
Точность до 90%
Распознавание коробок с точностью до 90 %. Ошибок и рекламаций стало в 3 раза меньше.
Окупаемость за 9 месяцев
Экономия в месяц: на ФОТ до 800 000 руб. или перераспределение работы сотрудников на другие направления.
Внедрение без остановки процессов
Система подключается к существующим камерам и ИТ-инфраструктуре, работает без модификации оборудования и прерывания складских операций. .

07. Команда, которая
внедрила проект

person image
Техлид
Константин Порошкин
person image
Backend-Lead
Алексей Цибульников
person image
Менеджер проекта
Илья Гуреев
person image
Аналитик
Роман Федоров
person image
Computer Vision инжерер
Роман Мазников
person image
DevOps
Дмитрий Соркин
person image
Куратор команды разметки
Марк Яговкин

08. Планы на будущее

Кейсы в других нишах

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.

bracket
Разработка нейросети
Нейросеть для мониторинга здоровья коров на ферме
Нейросеть, которая следит за здоровьем коров
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
Классификация и распознавание повреждений автомобилей
Разработка крупной системы
Автоматизация досмотра багажа и анализа X-ray снимков с помощью ИИ
Анализируем запрещенные предметы в багаже при помощи рентгена и ИИ
Разработка крупной системы
Платформа для регистрации рекламы блогеров и единого реестра интернет-рекламы
Платформа с единым реестром интернет-реклам
Разработка крупной системы
Система распознавания спецтранспорта и автомобильных номеров для парковок и ТЦ
Распознавание автомобильных номеров для парковок, ТЦ и БЦ
Разработка крупной системы
Нейросеть, которая контролирует бодрость сотрудников аэропорта, чтобы вы улетели в отпуск вовремя
Контролируем бодрость сотрудников аэропорта, чтобы вы улетели в отпуск
Сбор данных для обучения ИИ
Учим нейросеть распознавать драки, чтобы в вашем городе стало безопаснее
Устраиваем драки, чтобы в вашем городе стало безопаснее
Сбор данных для обучения ИИ
Нейросеть для распознавания огнестрельного оружия для систем безопасности
Научили нейросеть распознавать огнестрельное оружие
Разработка крупной системы
Нейросеть для определения возраста в системах безопасности и анализа аудитории
Научили нейросеть распознавать огнестрельное оружие
Разработка нейросети
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
Распознавание рукописного текста на бланках
Разработка крупной системы
Нейросеть, которая распознаёт пустые полки в магазинах и помогает вовремя пополнять запасы
Распознавание рукописного текста на бланках
Разработка крупной системы
Платформа на базе ИИ для определения целевой аудитории и аналитики блогеров
Разработка крупной системы
Разработка крупной системы
Распознавание погрузчиков и работников на складе для снижения рисков и травматизма
Разработка крупной системы
Разработка крупной системы
Внедрение машинного зрения для идентификации паллет и расчета габаритов
Разработка нейросети
Разработка нейросети
Повышаем качество снимков с дронов, чтобы повысить точность анализа и распознавания полученных изображений
Разработка нейросети
Разработка крупной системы
Оптимизация расстановки стеллажей с помощью ИИ и машинного зрения
Разработка нейросети
Внутренняя разработка
NeuroVision — платформа видеоаналитики с готовыми модулями.
Разработка нейросети
Разработка крупной системы
Внедрение видеоаналитики для контроля комплектации товаров на складе
Разработка нейросети
Разработка крупной системы
OCR и распознавание 2D-чертежей для расчёта деталей
Разработка нейросети
Разработка крупной системы
AI-видеоаналитика и распознавание QR для контроля сборки и упаковки заказов на складе
Разработка нейросети
Разработка крупной системы
AI-контроль выкладки свежей рыбы + соблюдение FIFO
Разработка нейросети

Внедряем ИИ без остановки процессов и замены оборудования

Интегрируем решение в существующую инфраструктуру, показываем эффект в цифрах: от сокращения затрат до окупаемости за 6–9 месяцев.
Наверх