La vision par ordinateur permet d'automatiser de nombreuses tâches clés en magasin, mais pour que cela fonctionne, vous devez donner la priorité à une précision élevée de la reconnaissance d'image comme première ligne de différenciation.
Sur le marché actuel de la vente au détail, qui évolue rapidement et qui est hyperconcurrentiel, la plupart des fabricants et des détaillants ne disposent pas d'une visibilité précise et opportune sur les rayons, ni d'informations exploitables sur la réalité de la vente au détail en magasin. Les audits manuels effectués par le personnel de vente pour documenter l'état des rayons sur un appareil portable sont lents, coûteux, incohérents et donnent lieu à des données subjectives.
Les solutions de vision par ordinateur changent la façon dont les marques et les détaillants voient les rayons. Cette technologie permet aux fabricants de se faire une idée de l'état des rayons sous la forme d'une image numérique et de guider le personnel de terrain en temps quasi réel sur la manière d'accroître la valeur des produits.
Mais pour que cela fonctionne, vous devez donner la priorité à la précision de la reconnaissance d'images en tant que première ligne de différenciation. Dans cet article, nous entrerons dans les coulisses pour voir ce qu'il faut faire pour offrir une reconnaissance précise au niveau de l'UGS, rapidement et à grande échelle.
L'importance de la précision
Dans un magasin d'alimentation typique, il peut y avoir plus de 30 000 UGS et en moyenne 30 % d'entre elles peuvent changer au cours de l'année avec l'arrivée de nouveaux produits et la refonte de l'emballage. Outre le volume de produits, une plateforme de reconnaissance automatisée doit également surmonter d'autres obstacles à la précision dans l'environnement de la vente au détail, notamment :
- Produits presque identiques
- Emballages obscurs et réfléchissants, mauvais angles de vue
- Mauvaises conditions visuelles (faible luminosité)
- Produits partiellement obstrués
- Changements dans le cycle de vie du produit, comme de nouvelles variantes de conception
Si l'on ne tient pas compte de ces éléments, on risque d'obtenir des données inexactes - par exemple, un calcul erroné de la part de linéaire d'une marque en raison de produits partiellement obstrués. Lorsque ces données peu fiables sont utilisées pour prendre des décisions de vente, les pertes financières peuvent rapidement s'accumuler au fil du temps.
Une approche à quatre volets pour renforcer la précision
Chez Trax, ces obstacles sont surmontés grâce à une approche rigoureuse de l'application de la qualité des données fondée sur les mesures suivantes :
- Immense référentiel de données de formation
La vision par ordinateur utilise des réseaux neuronaux avancés et des techniques d'apprentissage profond pour des tâches telles que la détection d'objets. Elle s'inspire du cortex visuel humain, ce qui signifie qu'à l'instar du cerveau humain, plus on voit, mieux on apprend.
Avec un référentiel d'images suffisamment important, les algorithmes avancés d'apprentissage profond surmontent les défis posés par les conditions du magasin, comme le faible éclairage et les obstructions. Les systèmes les plus précis sont ceux qui perçoivent le contexte du rayon et détectent rapidement non seulement les produits, mais aussi les espaces vides sur les étagères.
- Images de haute qualité
Lors de la capture, un outil de prévention du flou garantit la netteté de l'image produite, tandis qu'un outil d'instantané alerte l'utilisateur si l'orientation est différente de celle d'une image précédente. Pour compenser le manque de lumière, le flash de l'appareil photo est automatiquement activé, et un outil de nivellement intégré aide l'utilisateur à orienter ses appareils à l'angle et à la distance parfaits par rapport à l'étagère.
- Validation multicouche
Un moteur d'apprentissage actif garantit que les produits sont automatiquement reconnus à partir des images. Les échantillons d'images dans lesquels il est plus difficile de reconnaître ou de distinguer les produits sont soumis à une couche supplémentaire de validation par le biais d'un processus appelé "vote". Des experts qualifiés valident les données collectées pour vérifier qu'elles correspondent bien à la réalité de l'image. Cela signifie que le système établit toujours des niveaux extrêmement élevés de "confiance" dans sa précision de reconnaissance, même dans le cas de produits identiques ou de nouveaux designs.
- Mesure de la précision de la reconnaissance
La précision est au cœur des systèmes d'apprentissage profond de pointe. Cela signifie que les algorithmes renvoient beaucoup plus de résultats pertinents que de résultats non pertinents. Dans le même temps, ils doivent renvoyer la plupart des résultats pertinents. Supposons qu'il y ait 100 produits sur une étagère. Un algorithme peut en reconnaître 80, dont 77 avec précision. Cela signifie que la précision de la reconnaissance est de 96 %.
Trax garantit la transparence des données en mettant à la disposition des utilisateurs des tableaux de bord en ligne qui décrivent la précision des performances de reconnaissance, le degré de confiance, les produits non identifiés et d'autres paramètres.
Regardez cette vidéo de la plateforme Trax Computer Vision en action pour voir comment nous convertissons les images en aperçu avec précision.
