АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ОЦЕНКИ ДОСТУПНОСТИ ТОВАРОВ В РАСПРЕДЕЛЕННЫХ СИСТЕМАХ ХРАНЕНИЯ НА ОСНОВЕ МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ
DOI:
https://doi.org/10.18522/2311-3103-2026-1-%25pКлючевые слова:
Мониторинг товаров, системы хранения, компьютерное зрение, сверточные нейронные сети, машинное обучениеАннотация
Представлена формализация задачи автоматизированного мониторинга наличия товаров на полках торговых объектов, и соответствия их расположения установленной планограмме с применением методов компьютерного зрения и машинного обучения. Целью исследования является разработка алгоритмического обеспечения для автоматической оценки уровня доступности товаров в распределенных системах хранения с применением методов компьютерного зрения, что позволит разрешить проблему обеспечения оптимального и необходимого ассортимента за счет контроля размещения товаров и поддержки принятия управленческих решений. Предложен технологический процесс обработки визуальных данных, включающий этапы нормализации, сегментации, локализации и классификации объектов с применением сверточных нейронных сетей, в частности YOLO и U-Net. Разработан интегральный показатель доступности, учитывающий физическую, визуальную и информационную составляющие. Сформулирована оптимизационная задача повышения уровня доступности и реализован механизм адаптивного дообучения нейронных сетей, обеспечивающий рост точности распознавания и сегментации изображений и качества аналитических рекомендаций. Предложен алгоритм повышения доступности для системы поддержки принятия решения, основанный на построении маршрута мерчандайзера, который учитывает приоритетность товаров и минимизирует временные затраты. Задача построения маршрута мерчандайзера сведена к обобщенной TSP-задаче с весами приоритетов. Предложены и описаны методы оценки и повышения уровня доступности товаров. На основе предложенных методов и алгоритмов разработан программный комплекс для оценки и повышения показателя доступности товаров. Результаты исследования подтверждают эффективность предложенных решений - средняя точность распознавания составила 95,8%, интегральный показатель доступности A = 0.93. Практическая значимость работы заключается в обеспечении алгоритмической основы для создания интеллектуальных систем мониторинга доступности товарных запасов, способствующих повышению эффективности управления бизнес-процессами.
Библиографические ссылки
1. Tiwari Tanya & Tiwari Tanuj & Tiwari Sanjay. How Artificial Intelligence, Machine Learning and Deep Learning are Radically Different?, International Journal of Advanced Research in Computer Sci-ence and Software Engineering, 2018, 8(2):1, 10.23956/ijarcsse.v8i2.569.
2. Mehwish Saqlain, Saddaf Rubab, Malik M. Khan, Nouman Ali, Shahzeb Ali. Hybrid Approach for Shelf Monitoring and Planogram Compliance (Hyb-SMPC) in Retails Using Deep Learning and Computer Vision, Mathematical Problems in Engineering, 2022, No. 1. Available at: https://doi.org/10.1155/2022/4916818.
3. Jorge Muñoz, Alonso Sanchez, Guillermo Kemper. End-to-end solution for automatic beverage stock detection in supermarkets based on image processing and convolutional neural networks, International Journal of Cognitive Computing in Engineering, 2024, No. 5, pp. 453-474. Available at: https://doi.org/10.1016/j.ijcce.2024.09.001.
4. Wei Yuchen, Tran Son, Xu Shuxiang, Kang Byeong, Springer Matthew. Deep Learning for Retail Prod-uct Recognition: Challenges and Techniques, Computational Intelligence and Neuroscience, 2020, 8875910, pp. 1-23. Available at: https://doi.org/10.1155/2020/8875910.
5. Gothai E. et al. Design features of grocery product recognition using deep learning, Intelligent Automa-tion and Soft Computing, 2022, Vol. 34, No. 2, pp. 1231-1246.
6. Reynkhard Klette. Komp'yuternoe zrenie. Teoriya i algoritmy [Computer vision. Theory and algorithms]: transl. from Engl. by A.A. Slinkin. Moscow: DMK Press, 2019, 506 p.
7. Yolo Data Augmentation, 2025. Available at: https://docs.ultralytics.com/guides/yolo-data-augmentation (accessed 02 May 2025).
8. Surono Sugiyarto & Rivaldi Muhammad & Arrova Dewi Deshinta & Irsalinda Nursyiva. New Ap-proach to Image Segmentation: U-Net Convolutional Network for Multiresolution CT Image Lung Seg-mentation, Emerging Science Journal, 2023, 7, pp. 498-506. 10.28991/ESJ-2023-07-02-014.
9. YOLOv9 Architecture Explained. Available at: https://stunningvisionai.com/article/yolov9-architecture (accessed 02 May 2025).
10. Desai Miral & Mewada Hiren & Pires Ivan & Roy Sparsh. Evaluating the Performance of the YOLO Object Detection Framework on COCO Dataset and Real-World Scenarios, Procedia Computer Science, 2024, 251, pp. 157-163. 10.1016/j.procs.2024.11.096.
11. Wang Decheng & Chen Xiangning & Yi Hui & Zhao Feng. Improvement of Non-Maximum Suppres-sion in RGB-D Object Detection, IEEE Access, 2019, Vol. 7. 10.1109/ACCESS.2019.2945834.
12. Bondarenko V.A., Gessen P.A., Pavlova V.A., Sozinova M.V., Tupikov V.A. Algoritm obnaruzheniya ob"ektov dlya optiko-elektronnykh sistem s obucheniem v real'nom vremeni [Object detection algorithm for optoelectronic systems with online learning], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2021, No. 1 (218).
13. Brink Kh., Richards D., Feverolf M. Mashinnoe obuchenie [Machine learning]. St. Petersburg: Piter, 2017, 336 p.
14. Said K & Jambek Asral. Analysis of Image Processing Using Morphological Erosion and Dilation, Journal of Physics: Conference Series, 2021, 2071(1):012033. 10.1088/1742-6596/2071/1/012033
15. Santra Bikash & Ghosh Udita & Mukherjee Dipti. Graph-based Modelling of Superpixels for Automat-ic Identification of Empty Shelves in Supermarkets, Pattern Recognition, 2022, 127(2): 108627. 10.1016/j.patcog.2022.108627.
16. Liu Song & Li Wanqing & Davis Stephen & Ritz Christian & Tian Hongda. Planogram Compliance Checking Based on Detection of Recurring Patterns, IEEE MultiMedia, 2016, Vol. 23, pp. 54-63. 10.1109/MMUL.2016.19.
17. Barkalov S.A., Karpovich M.A., Moiseev S.I. Metod analiza ierarkhiy: podkhod, osnovannyy na teorii latentnykh peremennykh [Hierarchy analysis method: an approach based on latent variable theory], Vest-nik YuUrGU. Seriya: Komp'yuternye tekhnologii, upravlenie, radioelektronika [Bulletin of SUSU. Se-ries: Computer Technologies, Control, Radio Electronics], 2022, No. 2.
18. Matai Rajesh & Singh Surya & Mittal M.L. Traveling Salesman Problem: an Overview of Applications, Formulations, and Solution Approaches, 2010. 10.5772/12909.
19. Cal Murat & Ekici Ali. Solving a Modified TSP Problem by a Greedy Heuristic for Cost Minimization, International Journal of Modeling and Optimization, 2018, 8, pp. 138-144. 10.7763/IJMO.2018.V8.638.
20. Nedvigin A.R., Sinetskiy R.M. Primenenie algoritmov obrabotki izobrazheniy svertochnykh neyronnykh setey v kachestve osnovy dlya razrabotki sistemy podderzhki prinyatiya resheniya [Application of image processing algorithms of convolutional neural networks as a basis for developing a decision support sys-tem], Izvestiya vuzov. Severo-Kavkazskiy region. Seriya: Tekhnicheskie nauki [Bulletin of Higher Edu-cational Institutions. North Caucasus Region. Technical Sciences], 2025, No. 1.
21. Nedvigin A.R., Sinetskiy R.M. Svidetel'stvo o gosudarstvennoy registratsii programmy dlya EVM
№ 2025664496 Rossiyskaya Federatsiya. Kompleksnaya otsenka dostupnosti tovarov s ispol'zovaniem tekhnologiy komp'yuternogo zreniya Riteyl-Diagnost. Servernaya chast'. Versiya 1.0 [Certificate of State Registration of a Computer Program No. 2025664496, Russian Federation. Comprehensive Assessment of Product Availability Using Computer Vision Technologies – Retail-Diagnost. Server Side. Version 1.0]; Filed on: 15.05.2025; Registered on: 04.06.2025
