Нейронные сети позволяют детектировать и классифицировать объекты в режиме реального времени. Основной источник данных - это видеопоток с установленной камеры или группы камер.
Объектами детекции могут выступать люди, лица, машины, инциденты и т.д. Конкретный тип объекта требует выбора той или иной топологии. Примеры работы детекторов и классификаторов (на базе OpenVINO):
Основные решения для ритейла:
- Подсчет посетителей магазина и конверсии в клиента. Подсчет посетителей точки продаж и определение конверсии в конечных покупателей по любым отметкам времени (времени суток, дням недели, сезонам и т.д.).
- Автоматизация кассового обслуживания. Оценка корзины покупателя по действиям в товарных зонах по совокупности внешних данных. Автоматизация идентификации товаров в кассовых зонах.
- Автоматизация слежения за расстановкой товара. Слежение за корректностью расстановки. Слежение за заполнением торговых пространств. Событийное информирование и постановка задач.
- Мониторинг активности посетителей внутри магазина. Движение и время нахождения посетителей в определенных точках магазина, горячие и холодные зоны, построение тепловых карт.
- Контроль очередей и работы кассовых узлов. Подсчет покупателей около касс и времени обслуживания каждого из них, мониторинг реального времени работы кассиров.
- Мониторинг проходящего трафика в галерее. Измерение количества потенциальных покупателей, прошедших мимо торговой точки. Разрезы по временным интервалам и корреляциям с факторами влияния. Подсчет конверсии из проходящего потока в посетителей торговой точки. Возможность быстрой проверки гипотез.
- Мониторинг активности персонала. Детекция количества персонала и времени проведенного им в произвольной зоне, мониторинг присутствия консультантов в торговом зале и подсобных помещениях, подсчет времени по видам работ и работе с покупателями.
- Контроль графика работы точки продаж. Время прибытия первого сотрудника и ухода последнего с торговой точки и сравнение с графиком работы магазина, а также получение актуальной информации о появлении первых и уходе последних покупателей и корреляция со временем открытия торговой точки для составления оптимального графика рабочих смен персонала.
Здесь надо понимать, что все решения не универсальны и требуют адаптации в рамках конкретной задачи и конкретного внедрения или пула внедрений на объекте Заказчика. В рамках первого решения - это интеграция с конкретной ККМ и/или системой учета (по REST API, например). Вторая описанная система, обычно, выступает в роли контрольной в зоне взвешивания товаров на холодных кассах. Слежение за соответствием сетки расстановки требует обучения по конкретной номенклатуре. С точки зрения проекта и задачи, ее необходимо формализовать от потребностей бизнеса и конкретных целей, к которым мы стремимся (оптимизация затрат, улучшение качества обслуживания, формирование портрета аудитории для отделов продаж и маркетинга и т.д.). А уже далее, выбрать или разработать ее решение оптимальным способом.
Относительно технологического стека:
- сетки детекции лиц (подсчет количества, детекция расположения или нарушения зоны);
- распознавание лиц (для формирования поло-возрастных портретов без нарушения GDPR, идентификации);
- универсальные сетки детекции и классификации объектов;
- детекция/распознавание/трекинг по ТС и нарушений по ПДД.
