Автоматический анализ груза* — автоматическая инспекция грузов на складе. Решение сделано на основе AI, то есть система сама дает оценку грузу без помощи человека. В частности система наделена компьютерным зрением. Через него автоматический анализ груза* фиксирует повреждения на упаковке груза и читает этикетки. Остальные параметры — вес и количество единиц товара — система также учитывает. После проверки груза данные автоматически экспортируются в ERP-систему.
* Название продукта. Скрыто в рамках NDA
Подробно о задаче
Раньше все делали руками: от проверки на целостность до ввода каждого параметра груза в систему. Часто упускали какие-то важные параметры из-за человеческой рассеянности. Весь процесс шел долго — проверка каждого груза занимала от 25 до 50 минут. Склад терял деньги.
Клиент решил снять нагрузку с работников через автоматизацию процесса инспекции. Теперь каждый груз проверяется не более 2 минут, в среднем 30 секунд. Вышло точнее, быстрее и дешевле.
Клиент пришел с несколькими задачами:
нужно было визуализировать результат работы ml-модели;
хранить где-то те данные, что ml-модель отдает;
управлять данными через панель администратора.
Главная задача панели — сделать группировку всех данных о грузе максимально понятной. Но стандартные задачи мы тоже реализовываем. Например, делаем разные уровни доступа к системе или открываем настройку стенда для пользователей. Таких задач много.
Как работает система сейчас?
На склад прибывает новый товар. Товар от места разгрузки забирает погрузчик и везет на специальный стенд. Стенд оборудован весами и камерами. Весы взвешивают, камеры фотографируют. Затем ml-модель по фото находит дефекты на товаре и рисует их местоположение.
После система собирает пул реальных данных о товаре и отправляет эти данные на back-end. Там создается объект скана с данными: размер груза, вес, дефекты, тип груза. После вся информация идет в панель клиента.
Какому бизнесу он будет полезен?
Система создавалась для сетевых складов. Но она может быть интересна всем, кто хочет автоматизировать проверку грузов таким образом, чтобы, во-первых, исключить/минимизировать возможность человеческой ошибки, а во-вторых, удешевить и ускорить весь процесс инспекции товара. То есть система полезна там, где есть большой поток грузов.
Насколько точно система считывает данные о товаре?
Сейчас система считывает повреждения с точностью более 80%. Остальные 20% в большей степени связаны с тем, что система пока что не знакома со всеми типами повреждений, которые могут быть на упаковке. Проще, видит повреждение, но не может его идентифицировать.
Сейчас проект на поддержке. Последовательно автоматизируем процесс отрисовки данных на фото, настраиваем передачу данных в ERP-систему, развиваем панель администратора в ERP-системе.
«Специалисты планируют довести показатель точности определения дефектов до 90% к концу 2023. Мы хотим также подключиться именно к направлению развития компьютерного зрения в этом продукте. Надеюсь, сможем и развить этот продукт больше, и, соответственно, в последствии рассказать про него больше». — Михаил Трофимов, backend-разработчик wpp.digital.