PowerPrice Merchandising: 93% точности распознавания выкладки товара
в крупной аптечной сети
.webp)
[О проекте]
Клиент — один из лидеров розничного фармацевтического рынка России. Ассортимент сети включает около 50 тысяч наименований товаров, включая продукцию собственных торговых марок.
Задача — крупная федеральная сеть аптек планировала запустить процесс автоматического распознавания акционных товаров на своих стеллажах, чтобы контролировать качество их выкладки.
Ранее процесс мониторинга проводился вручную: проверяющий приезжал
в аптеку, делал фотографии, затем отправлял их в бэк-офис, где оператор вручную просматривал снимки и сверял наличие товаров с утвержденным списком. Такой подход занимал много времени. Поэтому заказчик выбрал систему PowerPrice Merchandising, которая, включает в себя веб-интерфейс
и мобильное приложение.
Ранее процесс мониторинга проводился вручную: проверяющий приезжал
в аптеку, делал фотографии, затем отправлял их в бэк-офис, где оператор вручную просматривал снимки и сверял наличие товаров с утвержденным списком. Такой подход занимал много времени. Поэтому заказчик выбрал систему PowerPrice Merchandising, которая, включает в себя веб-интерфейс
и мобильное приложение.
[Результаты]
93%
Точности автоматического распознавания и контроля выкладки целевых товаров с помощью компьютерного зрения.
100%
Успешности пилотного проекта, благодаря чему было принято решение масштабировать систему на всю аптечную сеть
Особенности реализации
Для мониторинга сотрудники делают фото на смартфон и отправляют их
на сервер, где система с CV-технологий и аналитики обрабатывает изображения, автоматически фиксирует наличие лекарств и акционных товаров на витринах. После чего готовый отчет передается оператору.
Веб-интерфейс служит для проверки результатов работы модели, отображая распознанные и отсутствующие товары.
Во время обучения модели возникла сложность с распознаванием товаров, которые имеют разные объемы, но выглядят почти одинаково. Также существуют отдельные позиции, отличающиеся небольшими деталями, например, лекарства от боли в горле с различными вкусами имеют отличие лишь в оттенке цвета упаковки. Эти различия заметны только по нюансам цвета на фотографии. Для достижения высокой точности распознавания пришлось провести дополнительное обучение модели, учитывая сложность идентификации аптечных товаров.
Кроме того, акционные товары размещают на полках как вертикально,
так и горизонтально, также они могут выставляться на ступенчатых витринах. В связи с этим модель дополнительно обучалась на распознавание изображений с разных углов и ракурсов, чтобы корректно распознавать товары даже в таких сложных условиях.
на сервер, где система с CV-технологий и аналитики обрабатывает изображения, автоматически фиксирует наличие лекарств и акционных товаров на витринах. После чего готовый отчет передается оператору.
Веб-интерфейс служит для проверки результатов работы модели, отображая распознанные и отсутствующие товары.
Во время обучения модели возникла сложность с распознаванием товаров, которые имеют разные объемы, но выглядят почти одинаково. Также существуют отдельные позиции, отличающиеся небольшими деталями, например, лекарства от боли в горле с различными вкусами имеют отличие лишь в оттенке цвета упаковки. Эти различия заметны только по нюансам цвета на фотографии. Для достижения высокой точности распознавания пришлось провести дополнительное обучение модели, учитывая сложность идентификации аптечных товаров.
Кроме того, акционные товары размещают на полках как вертикально,
так и горизонтально, также они могут выставляться на ступенчатых витринах. В связи с этим модель дополнительно обучалась на распознавание изображений с разных углов и ракурсов, чтобы корректно распознавать товары даже в таких сложных условиях.
Команда
[01]
Проект был
реализован за 5 месяцев
Подготовка
к пилотному проекту
к пилотному проекту
[2024 / 2Q – 3Q]
Сбор требований, подготовка архитектуры будущего решения, обучение модели
и адаптирование системы под требования заказчика.
и адаптирование системы под требования заказчика.
Пилотирование системы
[2024 / 3Q]
Тестирование функциональности системы
на реальных данных и рабочих процессах, выявление ошибок и предложения улучшений.
на реальных данных и рабочих процессах, выявление ошибок и предложения улучшений.
[Комментарий]
«Мы стали одними из первых, кто начал внедрять компьютерное зрение в фарм-ритейле. На этапе пилотного проекта наша CV-модель, обученная на данных заказчика, показала высокие результаты по точности и автоматизации процессов. Благодаря успешному пилоту заказчик принял решение масштабировать его на всю торговую сеть».
Константин Прайс
Коммерческий директор
Napoleon [IT]
Napoleon [IT]
