📷GCN: вариант мониторинга дыр на полках в ритейле

В розничной торговле наличие товара на полках — залог успеха, а поддержание доступности на высоком уровне - большая проблема. Пустые полки приводят к упущенной выгоде, снижению удовлетворенности клиентов и, как следствие, негативно влияют на имидж бренда и объём продаж.

В недавней работе был предложен метод GCN для высокочувствительного поиска мест на полках, где товар отсутствует.

Технология на основе графовых сверточных сетей (GCN) автоматизирует мониторинг полок. Цель GCN — анализ изображений полок для выявления пустых мест. Важно отметить, что GCN фокусируются именно на обнаружении пустот, а не на распознавании конкретных товаров.

1. Предварительная обработка: фотографии полок преобразуются в подходящий формат (например, JPEG или PNG) и при необходимости улучшается их качество (повышение резкости, коррекция яркости и контрастности, или удаление шума)

2. SLIC (Simple Linear Iterative Clustering): алгоритм кластеризации SLIC разбивает изображения на суперпиксели. Суперпиксель - это группа соседних пикселей на изображении, которые имеют схожие характеристики, такие как цвет, яркость и текстура. Проще говоря, суперпиксель - это небольшой фрагмент изображения, который воспринимается как единое целое. SLIC известен своей эффективностью в создании компактных и однородных суперпикселей, точно фиксирующих структуру изображения, при сохранении вычислительной эффективности.

3. Суперпиксельный граф: суперпиксели становятся узлами графа, а связи между ними - ребрами. Эта структура, называемая суперпиксельным графом, позволяет GCN эффективно анализировать пространственные отношения между различными областями полки.

4. GCN: GCN анализируют суперпиксельный граф, выявляя паттерны, характерные для пустых мест. GCN способны эффективно обрабатывать данные, структурированные в виде графов, что делает их идеальным инструментом для анализа взаимосвязей между суперпикселями на изображении полки.

5. SVM (Support Vector Machine): SVM — это алгоритм машинного обучения, используемый для классификации. В данном случае SVM обучается на основе признаков, полученных GCN, для разделения суперпикселей на «пустые» (области без товара) и «непустые» (области с товаром).

6. Уведомления: система автоматически отправляет уведомления персоналу о необходимости пополнения товара при достижении трэшхолда незаполненности полок. Это обеспечивает актуальное наличие продуктов на полках, что важно для удовлетворения потребностей клиентов и поддержания высокого уровня продаж.

Результаты:
Accurancy 0,92
Precision 0,88
Recall 0,89
Specificity 0,85
F1 score 0,90

Из дополнительных преимуществ - за счет создания суперпикселей уменьшается количество расчетов и экономятся вычислительные мощности и увеличивается скорость обработки фотографий.

Преимущества для бизнеса:

"Automatic Identification of on Shelf Stock Availability in Retail Shops Using GCN"

INTERNATIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT (IJSREM)

VOLUME: 08 ISSUE: 04 | APRIL - 2024 SJIF RATING: 8.448 ISSN: 2582-3930

Больше ежедневных статей и ссылок на материалы в телеграм-канале: