基于计算机视觉的零售管理，为何准确性是关键？
计算机视觉实现了很多重要业务的自动化，但图像识别精准率必须足够高。
在如今这个快节奏且竞争激烈的零售市场，大部分厂商和零售商都无法准确而及时地查看货架信息，也无法获取门店销售情况的可执行分析报告。专人利用手持设备进行人工核查以记录货架信息的方法效率低，成本高，不稳定，且数据结果较为主观。
计算机视觉解决方案改变了品牌和零售商看待货架的方式。通过这项科技，厂商可以获取零售货架情况的数据图像分析，同时向现场工作人员提供如何提高业绩的综合指导。
但前提是，图像识别精准率必须足够高。在这篇文章里，我们将深入零售场景的幕后，看看如何及时提供精确的SKU层面的图像识别。
一家典型的超市里会有超过30,000个SKU，其中30%会随着新品补充和包装更换等发生变化。在处理商品体积问题之外，自动识别平台还需要克服零售场景中的各种困难，它们都将影响识别的准确性，如：
- 几乎完全相同的商品
- 模糊和反光的包装，拍摄角度不佳
- 视觉条件欠佳，比如灯光昏暗等
- 部分被遮挡的商品
- 商品市场周期变化，如换新包装等
忽视这些内容将会造成数据的不准确——例如，由于商品部分被遮挡而得到错误的品牌货架占有率数据。当这些不可靠的数据被用于制定销售决策时，利润损失将很快体现出来。
1. 庞大的训练数据库
计算机视觉利用先进的神经网络和深度学习技术处理商品探测等一系列任务。这一网络模拟了人的视觉大脑皮层结构，其运行原理非常类似人类大脑，即看到的越多，学到的越多。
拥有足够庞大的图片数据库之后，深度学习算法就能应对灯光昏暗以及物品遮挡等现实情境的挑战。最精确的系统不仅能感应货架环境，辨别商品，同时还能快速识别货架的空置区域。
2. 高质量图片
在拍摄图片时，系统内置的防模糊工具确保了图片清晰度，同时如果某一张图片的方向与前一张不一致，那么抓拍工具会向用户发出警报。在光线昏暗的情况下，闪光灯将自动开启，同时内置的水平校准工具会通知用户调整设备的角度和距离。
3. 多层验证
活跃的学习引擎能够从图像自动识别产品。难以识别商品的图片样本将进行一层额外的验证，这个步骤我们称之为“票选”，即由相关领域的专家检验收集到的数据是否与实际情况精确匹配。这表明，系统对其识别精确性有高度的“自信心”，即使完全相同的产品或是新包装设计都不在话下。
4.识别准确率测量
精确性是先进的深度学习系统最核心的部分。这意味着，算法必须返回更多的相关数据，更少的非相关数据。同时，对于所有的相关数据，算法必须保证能够将其大部分返回。比如货架上一共有100件产品，算法可能识别80件，而其中77件可以得到准确的识别，这样的话，识别率准确率能达到96%。
同时，为了保证数据的透明度，用户还可通过Trax提供的仪表盘对识别效果、数据可信度、未识别商品等指标进行评价。
了解更多Trax对数据的深度洞察，请观看视频。