基于深度学习的零售货架图像中增强的库存外检测
Franko Šikić1, Zoran Kalafatić1, Marko Subašić1
1Image Processing Laboratory, Faculty of Electrical Engineering and Computing, University of Zagreb, 10000 Zagreb, Croatia.
Sensors (Basel, Switzerland)
|January 26, 2024
概括
一种新的深度学习方法准确地检测出库存 (OOS) 的产品在货架上. 这种方法通过识别空货架和正面OOS实例来提高销售和客户忠诚度.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 零售技术 零售技术 零售技术
背景情况:
- 缺货 (OOS) 事件导致大量销售损失和损害零售商的声誉.
- 准确检测OOS产品对于库存管理和客户满意度至关重要.
研究的目的:
- 提出一种基于深度学习 (DL) 的新方法,用于检测缺货产品 (OOS).
- 通过解决完全空的和正面的OOS场景来提高OOS检测准确性.
主要方法:
- 一个两阶段的培训过程,包括对增强数据的预培训和对原始数据的微调.
- 一种新的图像增强技术,通过将它们反射到相邻产品上来扩大OOS实例.
- 一个后处理步骤,根据尺寸比来过检测,以消除不准确.
主要成果:
- 拟议的DL方法在检测完全空的OOS实例 (86.3%) 和正面的OOS实例 (83.7%) 中实现了高平均精度.
- 该方法与现有的基于DL的OOS检测技术相比,表现优越.
- 新的增强和后处理技术有效地提高了检测精度.
结论:
- 开发的基于DL的OOS检测方法在识别零售货架上缺失的产品方面取得了重大进展.
- 这种方法可以帮助零售商最大限度地减少销售损失,提高客户体验.
- 这些发现表明,在零售库存管理系统中可能会得到广泛采用.


