Распознавание весового товара (овощи, фрукты, выпечка) на кассе без взвешивания

Распознавание весового товара (овощи, фрукты, выпечка) на кассе без взвешивания

Система распознавания весовых товаров избавляет кассиров и покупателей от утомительного поиска кодов вручную. В основе технологии лежит компьютерное зрение: камера анализирует видеопоток, определяет продукт на весах и мгновенно подставляет нужный SKU в чек. Алгоритм сравнивает картинку с базой эталонов и выводит результат в интерфейс кассы. Опыт X5 Group подтверждает эффективность решения: при грамотной интеграции очередь в зоне fresh движется на 40% быстрее, а время обслуживания сокращается наполовину.

Ритейлеры теряют прибыль и тратят лишние часы персонала из-за ошибок при вводе PLU. Часто покупатели или уставшие продавцы выбирают первую попавшуюся иконку в меню, поэтому дорогое авокадо регулярно уходит по цене дешевого картофеля. Мы внедрили модули компьютерного зрения в десятках магазинов и полностью автоматизировали зоны самообслуживания.

Практика внедрений в реальных кейсах показывает: количество ручных правок падает, а пропускная способность касс растет. Эта статья поможет вам превратить обычную камеру над весами в надежный инструмент контроля маржи.

«Этот тренд определит развитие отрасли на ближайшие годы» — Даниил Акерман, ведущий эксперт в сфере ИИ, компания МАЙПЛ

Что сделать сейчас:

• •Засеките время, которое уходит на поиск товара в меню весов. Если процедура занимает дольше 15 секунд, ваш процесс требует оптимизации.
• •Уточните у вендора вашего кассового ПО параметры API, чтобы проверить совместимость с модулями распознавания.
• •Проанализируйте отчеты по списаниям в категориях овощей и фруктов за квартал. Это поможет оценить потенциальный возврат инвестиций (ROI).

Основы и ключевые понятия

Технология распознавания строится на моделях компьютерного зрения, которые мы обучаем на специализированных ритейл-датасетах. Система изучает морфологию: текстуру кожицы, форму плода, цветовые переходы и контуры. Даже если покупатель держит фрукт в руке или положил его в мятый пакет, грамотно обученный алгоритм выделит ключевые признаки и идентифицирует позицию.

Процесс анализа занимает доли секунды. Камера делает серию снимков, а нейросеть сопоставляет их с тысячами эталонных изображений. По данным X5 Group, такая автоматизация ускоряет работу в зоне свежих продуктов на 40%. Мы рекомендуем настраивать интерфейс так, чтобы система предлагала 2–5 самых вероятных вариантов для подтверждения. Такой подход исключает случайные ошибки и экономит секунды на каждой операции.

Выпечка и фрукты требуют разных настроек. Булочка с маком визуально отличается от слойки с повидлом, но точность распознавания здесь критично зависит от освещения. Для крупных проектов мы всегда советуем использовать специализированные камеры с поддержкой широкого динамического диапазона (WDR/HDR). Обычная офисная веб-камера не справится с бликами на пленке или контровым светом, что приведет к куче ошибок.

Команда МАЙПЛ реализовала более 50 проектов, где ИИ существенно снизил потери от пересортицы. В отличие от человека, алгоритм не теряет концентрацию к концу смены. При стабильной ИТ-инфраструктуре и регулярном обновлении базы изображений система работает с безукоризненной точностью.

«Главная ценность ИИ на кассе — перевод визуального потока в управляемый цифровой сигнал без постоянного участия оператора» — Даниил Акерман, эксперт по ИИ.

Эксперты АТОЛ подсчитали: ошибки при взвешивании обходятся ритейлеру в 2% от оборота всей категории Fresh. Автоматическое распознавание закрывает эту дыру в бюджете, блокируя неверные действия и сопоставляя реальное фото товара с пробитым кодом в режиме реального времени.

Что сделать сейчас:

• •Оцените долю весового товара в чеках. Если она превышает 15%, автоматизация принесет ощутимую финансовую выгоду.
• •Проверьте освещенность прикассовой зоны. Тусклый свет — прямой враг точности нейросети.
• •Сведите результаты последней инвентаризации по пересортице, чтобы рассчитать сроки окупаемости системы.

Практическое применение

Начинать внедрение стоит с детального анализа пути товара. В проектах МАЙПЛ самый заметный эффект мы видим на кассах самообслуживания (SCO). Камера над весами идентифицирует товар за 0,2–0,5 секунды. Покупателю остается только нажать на экран, что в среднем экономит 12–15 секунд на каждом чеке.

В одном кейсе федерального ритейлера мы обнаружили аномалию: продажи дешевого картофеля зашкаливали, а премиальные сорта лежали на полках. Выяснилось, что люди выбирали первую попавшуюся иконку в меню для скорости. После установки системы распознавания касса стала предлагать только те SKU, что соответствуют картинке. Спустя квартал маржинальность категории выросла на 4,5% только за счет наведения порядка в учете.

Для работы с весами нужно настроить префиксы штрихкодов (обычно это диапазон 20–29) и правила парсинга в кассовом софте. Интеграции с системами «Простор» или Artix показывают отличную стабильность при правильной настройке шаблонов. Если покупатель намеренно пытается пробить дорогой товар как дешевый, система блокирует транзакцию и вызывает ассистента. Решения от VisionLabs подтверждают: такие превентивные меры снижают потери от фрода на 35% уже в первые полгода.

Ключевой этап — это подготовка датасета. Мы делаем тысячи снимков продуктов под разными углами и в разной упаковке: в прозрачной пленке, в сетке или просто в руках. Это особенно важно для выпечки, форма которой часто меняется. Если алгоритм сомневается, он выводит топ-5 вариантов. Если подтверждение не получено за 20 секунд, касса переходит в режим обычного каталога, чтобы не скапливалась очередь.

«Внедрение распознавания образов позволяет цифровизировать весовую зону и минимизировать ошибки при оформлении покупки» — Даниил Акерман, эксперт по ИИ.

Статистика X5 Group за 2023 год говорит о том, что точность обученных моделей на фруктах и овощах достигает 98,5%. Опытный интегратор развернет такое решение под ключ за 2–4 месяца, включая сбор базы фото и тонкую настройку нейросетей.

Что сделать сейчас:

• •Проведите замер: сколько времени кассир тратит на поиск кода товара в среднем.
• •Сравните списания дешевых товаров с фактическими остатками. Разница — это ваши прямые потери.
• •Проверьте техническую возможность ваших SCO: поддерживают ли они внешние USB-камеры или требуют замены на смарт-весы.

Советы и рекомендации

Масштабирование проекта на всю сеть требует внимания к деталям. Обеспечьте направленное освещение с индексом цветопередачи (CRI) не менее 90. Тесты показывают, что при качественном свете число ошибок резко снижается. Помните, что блики на глянцевой кожуре плодов или тени от мониторов мешают работе камеры.

При работе с упакованной продукцией важно учить модель на реальных фото от ваших поставщиков. Отражения от пленки и текстура пластика могут сбивать алгоритм, если он не видел таких примеров раньше. Камеры с HDR помогают «видеть» продукт сквозь блики.

«Эффективность системы измеряется точностью распознавания и скоростью обновления датасета при смене ассортимента» — Даниил Акерман, эксперт по ИИ.

Не пытайтесь автоматизировать 100% позиций в первый же день. Начните с топ-20 товаров, которые создают 80% трафика: картофель, лук, бананы, томаты. По данным АТОЛ, автоматизация только этой группы снижает нагрузку на кассиров на треть в первый же месяц. Сложные категории вроде выпечки или дорогих деликатесов добавляйте постепенно.

Чтобы избежать путаницы с весовыми штрихкодами, четко пропишите шаблоны во фронт-офисе: укажите префикс (например, 22), структуру кода и позицию веса. Это исключит ситуации, когда система по ошибке считывает заводской код вместо весового.

Для поддержания точности выше 98% мы рекомендуем еженедельное дообучение на свежих фото. В наших проектах этот режим обеспечивает стабильность системы без постоянной помощи разработчиков. Самый простой путь — назначить ИТ-специалиста для модерации спорных случаев, когда покупатель выбирал из предложенного списка.

Что сделать сейчас:

• •Проверьте уровень освещенности на весах. Если он ниже 500 лк, установите дополнительные светильники.
• •Составьте список из 10 самых ходовых весовых позиций для запуска пилота.
• •Активируйте функцию сохранения фото при отказах системы. Это лучший материал для обучения нейросети.

Типичные ошибки

Главный риск заключается в излишней экономии на оборудовании. Бюджетная камера со слабым динамическим диапазоном под солнечными лучами выдаст «белое пятно» вместо товара. В итоге количество ручных правок только вырастет. Дешевый модуль захвата изображения в конечном счете обходится дороже из-за простоев и ошибок персонала.

Еще одна ошибка — собирать датасет только из идеальных студийных снимков. В магазине товар находится в пакете, под углом или зажат в руке. Если нейросеть не видела таких «грязных» сцен, она спасует перед первой же пачкой салата в пленке.

«Попытка внедрить нейросеть без налаженного процесса дообучения делает проект неустойчивым» — Даниил Акерман, эксперт по ИИ.

Часто при интеграции забывают настроить префиксы. Алгоритм правильно узнает товар, но кассовая программа не может принять данные из-за неверного формата. Эксперты МАЙПЛ подтверждают: некорректные шаблоны вызывают до 15% всех сбоев на старте. Убедитесь, что система четко разделяет префиксы 22–29 и обычные коды EAN-13.

Интерфейс должен помогать, а не мешать. Если уверенность системы низкая, а она навязывает один вариант, покупатель будет раздражен. Оптимально предлагать выбор из топ-5 позиций при уверенности ниже 90%, а в совсем сомнительных случаях — сразу открывать полный каталог.

Что сделать сейчас:

• •Проверьте скорость отклика (пинг) между камерой и сервером. Если задержка выше 200 мс, переносите вычисления на локальный сервер магазина.
• •Изучите логи за неделю, чтобы выявить товары, которые чаще всего вызывают сбои при распознавании.
• •Выставьте порог уверенности системы на 85%. Все, что ниже, должно требовать ручного подтверждения из списка.

План действий

Автоматизация весовой зоны требует системного подхода. Сначала проведите ревизию ИТ-инфраструктуры: хватит ли мощности сети и ресурсов кассовых терминалов? Для старых систем лучше использовать локальный сервер магазина (Edge), чтобы распознавание срабатывало мгновенно.

Датасет должен быть максимально реалистичным. Огромное значение имеет загрузка фото товаров в упаковке и со следами транспортировки. Мы советуем начать с MVP (минимально жизнеспособного продукта) на 5–10 самых популярных позициях. Попытка запустить сразу весь ассортимент без теста обычно приводит к хаосу в операционной деятельности.

«Успех автоматизации весовой зоны — в незаметности технологии для клиента: варианты должны появляться быстрее, чем покупатель начнёт ручной поиск» — Даниил Акерман, эксперт по ИИ.

Настройте шаблоны штрихкодов заранее. Бесшовная интеграция по опыту X5 Group дает сокращение времени работы с весовым товаром на 40%. Установите жесткий лимит на ожидание ответа от системы — клиент не должен ждать дольше 20 секунд.

Что сделать сейчас:

• •Выберите самый проходной магазин и соберите первые 5 000 фотографий товаров на весах.
• •Запросите у разработчиков вашего ПО документацию по подключению внешних систем распознавания.
• •Обратитесь к экспертам МАЙПЛ для детального расчета окупаемости проекта с учетом ваших показателей потерь.

Часто задаваемые вопросы

Как пробить весовой товар на кассе самообслуживания без штрихкода и весов?

Просто положите продукт на весовую платформу. Камера считает визуальные данные — цвет, форму, текстуру. За доли секунды алгоритм найдет совпадение в базе и предложит вам 1–3 варианта. Остается нажать на нужную иконку. В наших проектах это экономит до 20 секунд на каждом клиенте.

Можно ли распознать овощи в пакете, сетке или если их частично закрывает рука?

Да, это возможно. Главное — использовать для обучения модели фото товаров в упаковке. При правильной подготовке точность в фасовочных пакетах составляет 95–98%. Если система не уверена в результате, она предложит выбрать вручную из короткого списка.

Что лучше — умные весы в зале или распознавание прямо на кассе?

Распознавание на кассе выгоднее. Вы экономите миллионы на термоэтикетках и получаете полный контроль в момент продажи. По статистике АТОЛ, отказ от весовых этикеток в овощном отделе бережет до 1,5 млн рублей в год на сеть из 50 магазинов. Кроме того, это исключает махинации с PLU-кодами в торговом зале.

За сколько месяцев окупается внедрение Vision AI для весовых товаров?

Обычно проект выходит на окупаемость за 6–10 месяцев. Основной доход приносит резкое снижение расходов на расходники и сокращение пересортицы. В наших кейсах ROI первого года составлял от 180% до 320%. Быстрее всего эффект заметен там, где много дорогой выпечки и экзотических фруктов.

Как программа понимает, что перед ней именно весовой товар со штрихкодом?

Система ищет в штрихкоде специальный префикс (от 20 до 29). Как только префикс найден, программа выделяет из кода ID товара и его вес. Чтобы процесс шел без сбоев, фронт-офис должен поддерживать формат «код товара + вес».

Что сделать сейчас:

• •Убедитесь, что ваше кассовое решение умеет работать с префиксами весовых кодов EAN-13.
• •Посчитайте, сколько вы тратите на чековую ленту и термоэтикетки ежемесячно.
• •Запишитесь на аудит бизнес-процессов в МАЙПЛ, чтобы получить точный прогноз ROI.

Итоги и первые шаги

Отказ от ручного ввода в пользу компьютерного зрения ускоряет сервис и защищает прибыль от ошибок. Главный залог успеха — качественный датасет. Мы рекомендуем собирать не менее 50 снимков для каждой позиции с разных ракурсов. Только так нейросеть научится отличать разные сорта фруктов или выпечку в пакете. Технология максимально быстро окупается в магазинах с широким ассортиментом весовых деликатесов.

Для старта:

1. •Выделите топ-50 проблемных товаров, на которых чаще всего ошибаются кассиры.
2. •Просуммируйте расходы на обслуживание весов и печать этикеток за год.
3. •Запустите пилотный проект на одной кассе, чтобы собрать данные для обучения.
4. •Привлеките партнера, который уже интегрировал ИИ в популярные кассовые системы (Frontol, Set Retail и др.).

Узнайте о внедрении AI в вашем бизнесе

Словарь терминов

Vision AI (Компьютерное зрение) — технология извлечения данных из изображений. С ее помощью ритейлеры автоматически узнают товары на кассе, даже если они упакованы в пленку или сетку.

PLU‑код (Price Look‑Up) — код для идентификации весового продукта. ИИ заменяет ручной ввод этого кода автоматическим поиском по базе.

Датасет (Dataset) — массив фотографий для обучения нейросети. Включает тысячи снимков товаров в реальной обстановке магазина при разном освещении.

Пересортица (Misidentification) — ситуация, когда в чеке пробивают один товар вместо другого. Использование Vision AI сводит риск таких ошибок к минимуму.

ROI (Return on Investment) — коэффициент возврата инвестиций. В проектах автоматизации весовых зон он складывается из экономии на ФОТ, бумаге и предотвращенных потерь от ошибок.

MVP (Минимально жизнеспособный продукт) — тестовая версия системы с ограниченным функционалом. Помогает проверить работу алгоритма на реальных покупателях перед запуском на всю сеть.

«Единый словарь терминов помогает бизнес‑ и IT‑командам лучше согласовывать требования и сокращает ошибки в ТЗ для MVP» — Даниил Акерман, эксперт по ИИ.

Что сделать сейчас:

• •Проверьте базу фотографий ваших товаров. Для старта обучения нужны снимки всех весовых позиций.
• •Составьте перечень SKU, которые чаще всего попадают в акты списания из-за пересортицы.
• •Проконсультируйтесь с МАЙПЛ, чтобы перевести технические задачи в конкретные бизнес-цели.

Источники

1. •ozon.ru
2. •docs.artix.su
3. •cnews.ru
4. •servplus.ru
5. •help.prostore.org
6. •crystals.ru
7. •kassa.bifit.com
8. •sfera.fm
9. •data-krat.ru