Date published

计算机视觉,如何从店内图像提取数据?

计算机视觉在零售执行中的真正价值在于——将实时获取的图片转化为可执行的分析洞察。

此前我们讨论过数据的准确性和完整性,它们决定了计算机视觉解决方案所提供的数据质量。

专栏 | 基于计算机视觉的零售管理,为何准确性是关键?

专栏 | 你是否了解货架数据的完整真相?

那计算机视觉究竟是如何将图像转化为对零售商和消费品行业有用的量化分析数据的呢?在利用图片理解门店真实状况时,哪些工具和技术会派上用场呢?

实体店的数字化

计算机视觉在零售执行中的优势在于,计算机视觉技术所反映的实时门店状况要比人工核验所反映的精确得多。由于这项技术针对的即是货架和货品展示,所以其提供的货架可用性及货架占有率等数据比人工扫描所能提供的多得多。

实现这项技术的应用需要一个完整的数字门店图景,从而将获取的图像转化为可执行的分析洞察与量化KPI,以此进行决策。领先的计算机视觉平台可以应用先进的图像拼接与几何技术进行实体店的数字化。

1.全景图像拼接

如果你想在世界上的任何一条街道来一场虚拟漫步,不论是探索地标建筑,还是寻找店铺、餐厅和酒店,你就会想到Google地图中的Google街景功能。这项功能提供不同角度的街道全景图像,这些图像的拍摄大部分都是由汽车完成的,然而呈现出来的却是拼接之后的全景图。

利用计算机视觉理解门店状况,需要拍摄上百个货架通道的无数张图片,而每个通道又包含了多种商品。最有效的将此类数据可视化的方法,就是将图像多角度全景化。

简单来说,这个过程就是先提取不同设备不同角度拍摄的图片,然后再将这些图片校准拼接,最后形成全景图像。当运用在零售领域时,这一镶嵌技术(或曰拼接)的计算比应用在其他领域更为复杂。

在非零售场景中,比如在人群中进行人脸识别追踪,这一过程就更容易一点,因为人群中没有两张脸是完全相同的。但在零售场景中,完全相同的产品往往堆放在一起,在视觉重构货架图景时,要保证没有遗漏或重复,就需要一个基于高级算法的拼接引擎。

最新的门店数据获取方式还运用了增强现实技术,审核人员可通过该项技术得知获取到的具体是货架哪一部分的图像,从而显著提高图像拼接过程的效率。

 

2.集合识别商品大小和定位

通常消费品制造厂商需要通过一系列指标或KPI来理解其品牌可见度,比如其品牌的线性货架占有率,即品牌的货架占有长度与其所在品类货架总长度(单位英寸或米)的比值。

Trax解决方案采用领先的几何技术计算照片拍摄时的角度和距离,这样就能确定货架上每件商品的准确位置,即使堆放在一起的商品也能全部包括。例如,系统能够标记位于4区、2号货架、右数第4、堆放在最上层的600ml可口可乐。

但在计算线性货架占有率这样的指标时,了解商品的大小和了解其位置同样重要。围绕每件商品创建一个矩形框,然后经过样本参数训练的深度学习算法就可以计算出实际的货架占有率。

3.执行复杂货架计算的基础

图像拼接和几何算法引擎将整个货架数字化重构,但数据还需要转化为可执行的分析洞察。

灵活快速的KPI计算引擎可处理密集的多维度数据点,从而提供针对各项门店参数的可执行分析,如货品上架、货品位置、货架布置、促销、定价等。计算得出的指标将回答品牌和零售商关心的各种问题。

例如:我的商品是否获得了应有的货架占有率?我的爆款SKU还有库存吗?商品的排面是否正确?商品的展示和促销效率如何?这些分析洞察将通过仪表盘报表发送给现场销售代表、监控员和总部经理等。

要想精确把握门店脉搏并将其转化为可执行的分析洞察,全景拼接与几何计算的高级算法至关重要。

观看视频,深入了解Trax计算机视觉平台。