Инспекция груза за 30 секунд вместо 50 минут

Главное о кейсе

Настроили транспортировку данных о грузе от AI до ERP-систем складов.

Как проект изменил жизнь пользователей

Теперь инспекция груза проходит за 30 секунд вместо 50 минут.

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.

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.

Бизнес-задача и ее решение

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

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:

1. нужно было визуализировать результат работы ml-модели;
2. хранить где-то те данные, что ml-модель отдает;
3. управлять данными через панель администратора.

Крафт (мастерство), реализация, технические детали

Мы занимаемся back-end-ом всего продукта. Автоматизируем процесс отрисовки данных на фото: местоположение и типы повреждений. Настраиваем передачу данных в ERP-систему. Разрабатываем панель администратора в ERP-системе.

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.
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.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

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.

Скриншоты