AI-детекция краж в ритейле: Shrinkage Detection

Каждый год ретейлеры теряют миллиарды рублей из-за краж, ошибок персонала и мошенничества. Но современные технологии позволяют сократить эти потери на 30–60%. Мы разрабатываем и внедряем системы компьютерного зрения, которые выявляют подозрительное поведение в реальном времени и помогают охране фокусироваться на реальных угрозах.

Shrinkage в ретейле — это потери от краж, ошибок персонала и поставщиков. Среднее значение по отрасли: 1.4–1.8% от выручки. Для сети с оборотом 10 млрд рублей — это 140–180 млн рублей ежегодно. Наша AI-система распознавания краж, основанная на поведенческом анализе и видеоаналитике для магазинов, обеспечивает предотвращение потерь. Оцените свой проект — мы поможем снизить потери.

Мы реализовали системы для 15 магазинов, сократив потери в среднем на 45%. AI-детекция в 2-3 раза эффективнее традиционного ручного мониторинга.

Кража с точки зрения CV: поведенческие паттерны

Это не «человек с плохим лицом» — визуально честный и нечестный покупатель неотличимы. Детекция краж работает через anomaly detection, а не через распознавание личностей.

Типичные сценарии краж:

• Товар положен в карман / сумку / детскую коляску без оплаты
• «Sweethearting» — кассир «не замечает» товар при сканировании
• Замена ценников (берёт дорогой товар, сканирует дешёвый)
• Кража в примерочной
• Возврат украденного товара за деньги

Каждый сценарий требует своей детекционной логики. Мы реализуем под ключ все необходимые модули.

Как работает детекция concealment?

Concealment — основной паттерн кражи: человек берёт товар с полки и прячет, не направляясь к кассе. Это одна из наиболее изученных задач retail CV.

Отметим: что выявляет система:

• Товар-к-сумке взаимодействие. Рука с товаром движется к открытой сумке/рюкзаку/карману. Детекция через hand-object tracking + bag/pocket region detection (instance segmentation предметов одежды и аксессуаров). Модель классифицирует траекторию «товар → сумка» против «товар → корзину» или «товар → обратно на полку».
• Dwell time anomaly. Покупатель задержался у полки значительно дольше медианы (например, 120 секунд при медиане 15) — повышенный риск. Это не алерт, но вход в приоритетный мониторинг.
• Оглядывание (self-check behavior). Серия из 2+ оглядываний перед взятием товара статистически коррелирует с кражей. Детектируется через head pose estimation (MediaPipe Face Mesh или PnP с DLIB landmarks).

На датасете с разметкой из 8 реальных магазинов (6 000 событий: 3 200 честных взаимодействий, 2 800 краж):

Почему sweethearting сложно выявить?

Кассир «забывает» просканировать товар — особенно актуально для дорогих товаров, которые удобно прикрыть рукой или телом. Детекция через checkout CV:

• Камера над лентой смотрит на все товары
• Система детектирует каждый товар (YOLOv8 fine-tuned на ассортименте магазина)
• Сопоставляет список с чеком из POS в реальном времени
• Расхождение → алерт менеджеру

Точность зависит от угла камеры и ассортимента. На тестовой точке продуктового магазина (3 000 SKU, overhead камера) precision 0.88, recall 0.91 по несканированным позициям. Решение входит в комплексную поставку под ключ.

Self-checkout fraud

На SCO (Self-Checkout) самый высокий shrinkage — покупатели сканируют дешёвый товар вместо дорогого (bagging area fraud). Решение: weight verification (весы в зоне укладки) + item recognition камера над зоной укладки. Если сканировали код Y, но в зону положили товар Z — стоп, запрос верификации.

Системы: Toshiba Loss Prevention Camera, Digimarc, или кастомное решение на Jetson + POS API. Мы реализуем интеграцию с любым оборудованием.

Сравнение методов обнаружения краж

AI-система сокращает время реакции в 5 раз по сравнению с ручным просмотром записей и даёт экономию до 60% потерь.

Инфраструктура и workflow

Система не заменяет охранника — она приоритизирует его внимание. Вместо просмотра 30 мониторов одновременно охранник видит отсортированную очередь алертов с видеоклипами.

Хранение: только подозрительные клипы + полная запись для расследований. Интеграция с CCTV через RTSP, поддержка Milestone XProtect, Genetec, Hanwha Wisenet Wave.

Что входит в работу (deliverables)

• Обследование магазина и схемы размещения камер
• Установка и настройка серверного оборудования (NVIDIA Jetson / GPU)
• Обучение моделей на данных магазина (transfer learning за 2–4 недели)
• Интеграция с POS-терминалами и существующей CCTV-инфраструктурой
• Интерфейс для охраны (планшет/монитор с очередью алертов)
• Обучение персонала и документация
• Гарантия 12 месяцев и поддержка

Сроки

Система для 1 магазина (concealment detection + checkout monitoring): 6–10 недель. Платформа для сети с централизованным управлением алертами: 3–5 месяцев. Закажите пилотное внедрение для одного магазина и оцените эффект.

По данным Wikipedia, потери от краж составляют около 1.4% от оборота. AI-системы доказали свою эффективность в снижении shrinkage на 30–60% на практике.

Свяжитесь с нами для точной оценки вашего проекта.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.