Разработка системы автоматической инвентаризации через камеры

Разработка системы автоматической инвентаризации через камеры

Представьте: склад с 10 000 SKU, ручная инвентаризация раз в квартал останавливает отгрузки на три дня. Расхождения обнаруживаются постфактум — исправлять их уже поздно. Мы решаем эту проблему системой на компьютерном зрении: камеры анализируют полки в реальном времени, алгоритмы YOLO (You Only Look Once) детектируют каждый товар. Такая система работает без остановки склада и даёт точность до 98%. Для склада с 10 000 SKU экономия от внедрения превышает 2 млн рублей в год. Ultralytics YOLOv8: Instance Segmentation, Object Detection, and Image Classification.

Как работает камерная инвентаризация?

Стационарные камеры над полками делают снимки по расписанию (каждые 6–12 часов). Изображения проходят через модель обнаружения объектов — мы используем YOLOv8 (обучена на 100+ классах товаров). Результат — список SKU с количеством по каждой полке. Эти данные сверяются с ожидаемыми остатками из ERP. Расхождения фиксируются автоматически, а система может инициировать заказ недостающих позиций. YOLOv8 обрабатывает кадр в 2 раза быстрее предыдущей версии, что критично при потоке в сотни полок. Опционально используется NVIDIA Triton для пакетного инференса — это снижает latency p99 до 50 мс.

Почему точность 92–96% недостаточна и как мы её повышаем?

Для большинства ритейлеров точность 95% приемлема, но при обороте в миллионы долларов каждый процент расхождения — это прямые потери. Мы поднимаем точность до 98% за счёт трёх приёмов:

• Мультиракурсная съёмка: камера делает кадры под разными углами, чтобы перекрыть тени и перекрытия.
• Аугментация данных: модель дообучается на ваших фотографиях с учётом освещения и упаковки.
• Reconciliation с кассовыми данными: система сравнивает физический подсчёт с продажами и автоматически исправляет системные остатки.

Как повысить точность до 98%?

Ключевой приём — мультиракурсная съёмка. Одна камера не видит товары за другими, поэтому мы устанавливаем 2–3 камеры на проход. Для каждого кадра применяем перспективное преобразование, чтобы получить плоский вид полки. Затем объединяем детекции с разных ракурсов, исключая дубликаты по IoU (Intersection over Union). Это снижает ошибки окклюзии на 40%.

Как происходит сверка с системой учёта?

def reconcile(camera_counts: dict, system_counts: dict,
               tolerance_percent: float = 5.0) -> list[dict]:
    """Нахождение расхождений между физическим и системным учётом"""
    discrepancies = []

    all_skus = set(camera_counts) | set(system_counts)
    for sku in all_skus:
        camera_qty = camera_counts.get(sku, 0)
        system_qty = system_counts.get(sku, 0)

        if system_qty > 0:
            diff_pct = abs(camera_qty - system_qty) / system_qty * 100
        else:
            diff_pct = 100 if camera_qty > 0 else 0

        if diff_pct > tolerance_percent:
            discrepancies.append({
                'sku': sku,
                'camera': camera_qty,
                'system': system_qty,
                'diff_percent': round(diff_pct, 1),
                'severity': 'high' if diff_pct > 20 else 'medium'
            })

    return sorted(discrepancies, key=lambda x: x['diff_percent'], reverse=True)

Что мы делаем: архитектура и стек

Сердце системы — детектор на базе YOLO (PyTorch). Кадры передаются на сервер с GPU (NVIDIA T4 или A10), инференс занимает <100 мс на изображение. Для плоского представления полок применяем перспективное преобразование OpenCV. Для edge-устройств используем TensorRT — это ускоряет инференс в 1,5 раза без потери точности.

class AutoInventorySystem:
    def __init__(self, detector_path: str, inventory_db_path: str):
        self.detector = YOLO(detector_path)
        self.db = InventoryDatabase(inventory_db_path)

    def run_inventory_cycle(self, shelf_images: dict) -> InventoryReport:
        """
        shelf_images: {shelf_id: image} - фото всех полок
        """
        report = InventoryReport()

        for shelf_id, image in shelf_images.items():
            shelf_counts = self._count_shelf(image, shelf_id)
            report.add_shelf(shelf_id, shelf_counts)

        # Сравнение с ожидаемым остатком
        expected = self.db.get_expected_quantities()
        report.discrepancies = self._find_discrepancies(
            report.actual_counts, expected
        )

        # Автоматическое обновление в ERP
        self.db.update_inventory(report.actual_counts)

        return report

    def _count_shelf(self, image: np.ndarray,
                      shelf_id: str) -> dict:
        """Подсчёт товаров на одной полке"""
        detections = self.detector(image, conf=0.45)

        counts = {}
        for box in detections[0].boxes:
            sku = self.detector.model.names[int(box.cls)]
            counts[sku] = counts.get(sku, 0) + 1

        return counts

Обработка перспективных искажений

Для shelf-камер с широким углом — коррекция искажений и создание плоского вида полки:

def create_shelf_rectified_view(image: np.ndarray,
                                 shelf_corners: list,
                                 output_size: tuple = (2000, 400)) -> np.ndarray:
    """
    Плоское (top-down) представление полки для удобного анализа
    shelf_corners: 4 угла полки в изображении
    """
    pts_src = np.array(shelf_corners, dtype='float32')
    w, h = output_size
    pts_dst = np.array([
        [0, 0], [w - 1, 0],
        [w - 1, h - 1], [0, h - 1]
    ], dtype='float32')

    M = cv2.getPerspectiveTransform(pts_src, pts_dst)
    rectified = cv2.warpPerspective(image, M, (w, h))
    return rectified

Инвентаризация через дроны

Для складов с высокими стеллажами — дрон с камерой:

class DroneInventoryController:
    def __init__(self, drone_api, inventory_system):
        self.drone = drone_api
        self.inventory = inventory_system
        self.waypoints = []  # заранее запрограммированные точки съёмки

    async def run_inventory_mission(self) -> InventoryReport:
        images = {}
        await self.drone.takeoff()

        for waypoint in self.waypoints:
            await self.drone.fly_to(waypoint)
            await self.drone.stabilize(seconds=1.0)

            # Фото с нескольких ракурсов для лучшего покрытия
            for angle_offset in [0, -15, 15]:
                await self.drone.rotate(angle_offset)
                image = await self.drone.capture_image()
                images[f"{waypoint['shelf_id']}_{angle_offset}"] = image

        await self.drone.land()

        return self.inventory.run_inventory_cycle(images)

Интеграция с ERP/WMS системами

Обновление остатков через API:

import requests

class ERPIntegration:
    def __init__(self, erp_url: str, api_key: str):
        self.base_url = erp_url
        self.headers = {'Authorization': f'Bearer {api_key}'}

    def update_stock_levels(self, inventory: dict,
                             location_id: str) -> dict:
        """Обновление остатков в ERP системе"""
        stock_updates = [
            {
                'sku': sku,
                'quantity': qty,
                'location_id': location_id,
                'source': 'camera_inventory',
                'timestamp': get_iso_timestamp()
            }
            for sku, qty in inventory.items()
        ]

        response = requests.post(
            f'{self.base_url}/api/inventory/bulk-update',
            json={'updates': stock_updates},
            headers=self.headers
        )
        return response.json()

Процесс работы

1. Аналитика: обследуем склад, определяем количество полок, ракурсы, освещение. Выбираем оборудование.
2. Проектирование: разрабатываем архитектуру (камеры → сервер → ERP). Настраиваем модель YOLO под ваш ассортимент.
3. Реализация: монтируем камеры, разворачиваем ПО, пишем интеграцию.
4. Тест: пилотный запуск, сверка с ручной инвентаризацией, калибровка.
5. Деплой: ввод в промышленную эксплуатацию, обучение персонала.
6. Мониторинг и оптимизация: после запуска отслеживаем точность, при необходимости дообучаем модель под новые SKU.

Что входит в работу

• Документация: схема установки камер, API-спецификация, инструкция оператора.
• Обучение: 2 дня для команды склада и 1 день для IT-специалистов.
• Поддержка: гарантия 12 месяцев на ПО, 3 месяца бесплатного сопровождения.
• Метрики: дашборд с точностью, количеством расхождений, временем инвентаризации.

Типичные ошибки и как их избегаем

• Окклюзия: товары перекрывают друг друга. Решение — мультиракурсная съёмка.
• Изменение освещения: модель дообучается на ночных кадрах.
• Новые SKU: автоматическая регистрация через image-поиск (embeddings).

Стартовая стоимость пилотного проекта для одного склада — от 600 000 до 1 200 000 рублей в зависимости от количества камер и сложности интеграции. С нашим опытом (50+ проектов по автоматизации складов) мы гарантируем точность не ниже 95% с первого запуска. Экономия времени на инвентаризацию — до 80%, снижение потерь от расхождений — до 30%. Свяжитесь с нами для предварительной оценки вашего склада — бесплатно. Получите индивидуальный расчёт и пилотный проект — убедитесь в точности системы на реальных данных.

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.