Система компьютерного зрения для автоматического определения брака в ритейле
- Backend
- DevOps
- Data Science
- Java
- PostgreSQL
- Kafka
- Kubernetes
- OpenAPI
- Keycloak
У вас есть задача? Давайте обсудим!
О клиенте
Одна из крупнейших торговых сетей России, объединяющая магазины по всей стране и несколько распределительных центров. Компания ежедневно обрабатывает тысячи поставок и поддерживает высокий стандарт качества обслуживания.
С ростом товарооборота и числа поставщиков возникла необходимость в автоматизации контроля качества на складах и при приемке — чтобы снизить человеческий фактор и повысить точность оценки состояния товаров.
О проекте
Рост объемов поставок и ассортиментной матрицы привел к увеличению числа случаев брака и ошибок при приемке. Проверка качества вручную занимала значительное время и зависела от человеческого фактора.
Для решения проблемы компания внедрила систему компьютерного зрения, которая автоматически анализирует изображения товаров при приемке и на складах, распознает дефекты упаковки, повреждения и несоответствия стандартам — в режиме реального времени.
Описание задачи
До внедрения система контроля качества в ритейле сталкивалась с типичными трудностями: визуальный контроль требовал участия персонала и занимал время; часть дефектов и повреждений оставалась незамеченной; ручные проверки вызывали задержки при приемке; ошибки при проверках влияли на качество обслуживания покупателей. Необходимо было создать решение, которое позволит:
- автоматизировать контроль качества на складах и точках приемки;
- выявлять повреждения и нарушения упаковки в реальном времени;
- интегрироваться с существующими WMS и ERP системами;
- обеспечивать единые стандарты качества во всех регионах сети.
Реализация
В рамках проекта были выполнены следующие работы:
- Сбор и анализ данных. Собраны изображения товаров с различными типами дефектов: повреждения упаковки, вмятины, загрязнения и др.
- Разработка системы компьютерного зрения. На основе сверточных нейронных сетей (CNN) создана модель, обученная классифицировать и маркировать дефекты по типам и степени критичности.
- Обучение и тестирование. Модель обучена на реальных данных сети и протестирована в условиях различных складов.
- Внедрение на операционных площадках. Система интегрирована с видеокамерами и внутренними системами учёта. При обнаружении дефекта товар автоматически помечается для пересмотра или изъятия.
Результат
Решение позволило сократить количество некачественных товаров, поступающих в магазины, снизить затраты на ручную проверку и возвраты и повысить прозрачность и скорость процессов приемки.Также улучшился клиентский опыт за счет стабильного качества на полках. Компания получила масштабируемое решение, которое можно адаптировать под новые категории товаров и склады.
