Умные весы: как нейросеть экономит магазину продуктов у дома 52 000 рублей в месяц

Клиент
Федеральная торговая сеть. Подробности — под NDA.
Ситуация:
При ручном взвешивании может возникнуть очередь
В продуктовом магазине у дома ~ 300 товаров, которые нужно взвешивать. Когда это делают покупатели, возникает очередь, так как им нужно запомнить и ввести названия или номера товаров. Когда взвешивает кассир, он тратит до двух секунд на поиск ходового товара и до 30 секунд на поиск непопулярного.
Проблема:
Очередь — повод отказаться от покупки, но дополнительные кассиры обходятся дорого
  • 40% покупателей готовы отказаться от товара, если очередь на весах или кассе кажется им длинной.
  • Если очередь дольше шести минут, покупатель готов отказаться от повторного визита в магазин.
  • Чтобы повысить скорость, нужно больше кассиров. Больше кассиров — больше затрат.
Принцип работы: покупатель или кассир кладет товар на платформу, а система показывает три продукта, которые по её «мнению» лежат на весах. Наиболее вероятный товар — вверху, менее вероятный — внизу. Чтобы сократить количество ошибок и обучить нейросеть, конечный выбор делает покупатель или кассир.
Решение: умные весы, которые распознают весовой товар
Очереди возникают, в том числе, из-за долгого поиска нужного товара на весах. Мы подготовили прототип системы, которая автоматически распознает весовые товары за секунду.
В результате
Быстрее на 7 секунд
Раньше на поиск товара уходило в среднем 8 секунд, теперь нейросеть распознает его за секунду. Скорость определения редких товаров или продуктов со сложными названиями увеличилась в 15−30 раз.

Снизилась вероятность мошенничества и ошибки
Когда человек выбирает весовой товар на кассе самообслуживания, он может выбрать дешевый аналог. Когда взвешивает кассир, он ошибается в 2−8% случаев. Система снижает вероятность мошенничества и ошибок.
Сократились очереди на кассах, весах и терминалах самообслуживания
Мы подсчитали, что магазин с пятью кассами экономит 4−7 часов в день.

Если сравнить экономию с выходом дополнительного кассира или контроллера, который отсматривает покупки на кассах самообслуживания, то получим 52 500 в месяц

При таких показателях инвестиций в систему окупаются за 4−5 месяцев.

Точность распознавания товаров
Чем больше данных, тем точнее система распознает товар. Система показала высокую точность при объеме от 200 фотографий каждого класса товара.
100 фото
Минимальная точность — 0,05
Средняя точность — 0,59
Максимальная — 0,99
200 фото
Минимальная точность — 0,57
Средняя точность — 0,89
Максимальная — 1,0
Минимальная точность выросла в 10 раз
Средняя точность — в 30%
При датасете в 300+ фото точность выросла еще больше
Процесс

Прототип
Первоначально мы установили систему в двух магазинах, чтобы определить нужную модель процессора, тип камеры и положение камер.
Далее интегрировали разработку с кассами магазина и обучили систему распознавать фрукты и овощи.

Пилот
Установили систему в семи магазинах, чтобы проверить сможет ли она окупиться и точно определять товары на больших объемах.
По итогу для 200 товарных позиций мы получили по 160 фото. Средняя точность попадания в подборку из трех товаров составила 94%.

Перспективы развертывания
Торговая сеть решила установить «Умные весы» в 100 магазинах. Служба безопасности магазина также заинтересовались разработкой, поскольку нейросеть помогает бороться с недобросовестными покупателями, которые берут дорогой весовой товар, но на кассе самообслуживания выбирают дешевый аналог.

Технические нюансы
Вычислительный сервер находится в магазине. Это нужно, чтобы защитить данные и ускорить систему. С внешнего сервера приходят только обновления.

Системе не нужно интернет, достаточно подключаться к сети один раз в день, чтобы получить обновление.
Оборудование и ресурсы
Прочие ресурсы
Также понадобился сервер, работа нашей команды и монтаж системы.
Вычислительный модуль
Мы выбирали из четырех вариантов — Raspberry PI3, Nvidia Jetson TX2, Nvidia Jetson Xavier, Nvidia Jetson Nano. В итоге остановились на Nvidia Jetson TX2, потому что его производительности достаточно для работы на 3−5 кассах.
Камеры
Тестировали IP, WEB и камеру для компьютерного зрения. По итогам выбрали IP-камеру, потому что её может установить любой монтажник.
Выводы
  • Чем больше фото — тем меньше ошибок. Но некоторые товары покупают редко, поэтому датасет приходится собирать вручную.
  • Система может ошибаться с похожими продуктами. Например, яблоки «Гренни смит» и «Ренет» внешне похожи. Это решалось с помощью вывода на экран трех вероятных позиций, из которых кассир или покупатель выбирал нужную.
Сроки
Старт
31 марта 2019
Запуск прототипа
31 мая 2019
Завершение проекта
1 сентября 2019
Место
Пилот развернут в федеральной сети магазинов в Москве.