Каждый год ретейлеры теряют миллиарды рублей из-за краж, ошибок персонала и мошенничества. Но современные технологии позволяют сократить эти потери на 30–60%. Мы разрабатываем и внедряем системы компьютерного зрения, которые выявляют подозрительное поведение в реальном времени и помогают охране фокусироваться на реальных угрозах.
Shrinkage в ретейле — это потери от краж, ошибок персонала и поставщиков. Среднее значение по отрасли: 1.4–1.8% от выручки. Для сети с оборотом 10 млрд рублей — это 140–180 млн рублей ежегодно. Наша AI-система распознавания краж, основанная на поведенческом анализе и видеоаналитике для магазинов, обеспечивает предотвращение потерь. Оцените свой проект — мы поможем снизить потери.
Мы реализовали системы для 15 магазинов, сократив потери в среднем на 45%. AI-детекция в 2-3 раза эффективнее традиционного ручного мониторинга.
Кража с точки зрения CV: поведенческие паттерны
Это не «человек с плохим лицом» — визуально честный и нечестный покупатель неотличимы. Детекция краж работает через anomaly detection, а не через распознавание личностей.
Типичные сценарии краж:
- Товар положен в карман / сумку / детскую коляску без оплаты
- «Sweethearting» — кассир «не замечает» товар при сканировании
- Замена ценников (берёт дорогой товар, сканирует дешёвый)
- Кража в примерочной
- Возврат украденного товара за деньги
Каждый сценарий требует своей детекционной логики. Мы реализуем под ключ все необходимые модули.
Как работает детекция concealment?
Concealment — основной паттерн кражи: человек берёт товар с полки и прячет, не направляясь к кассе. Это одна из наиболее изученных задач retail CV.
Отметим: что выявляет система:
- Товар-к-сумке взаимодействие. Рука с товаром движется к открытой сумке/рюкзаку/карману. Детекция через hand-object tracking + bag/pocket region detection (instance segmentation предметов одежды и аксессуаров). Модель классифицирует траекторию «товар → сумка» против «товар → корзину» или «товар → обратно на полку».
- Dwell time anomaly. Покупатель задержался у полки значительно дольше медианы (например, 120 секунд при медиане 15) — повышенный риск. Это не алерт, но вход в приоритетный мониторинг.
- Оглядывание (self-check behavior). Серия из 2+ оглядываний перед взятием товара статистически коррелирует с кражей. Детектируется через head pose estimation (MediaPipe Face Mesh или PnP с DLIB landmarks).
На датасете с разметкой из 8 реальных магазинов (6 000 событий: 3 200 честных взаимодействий, 2 800 краж):
| Детектор | Precision | Recall | F1 |
|---|---|---|---|
| Только concealment | 0.71 | 0.68 | 0.69 |
| + dwell time | 0.74 | 0.72 | 0.73 |
| + behavior signals | 0.79 | 0.76 | 0.77 |
| Ensemble + context | 0.83 | 0.79 | 0.81 |
Почему sweethearting сложно выявить?
Кассир «забывает» просканировать товар — особенно актуально для дорогих товаров, которые удобно прикрыть рукой или телом. Детекция через checkout CV:
- Камера над лентой смотрит на все товары
- Система детектирует каждый товар (YOLOv8 fine-tuned на ассортименте магазина)
- Сопоставляет список с чеком из POS в реальном времени
- Расхождение → алерт менеджеру
Точность зависит от угла камеры и ассортимента. На тестовой точке продуктового магазина (3 000 SKU, overhead камера) precision 0.88, recall 0.91 по несканированным позициям. Решение входит в комплексную поставку под ключ.
Self-checkout fraud
На SCO (Self-Checkout) самый высокий shrinkage — покупатели сканируют дешёвый товар вместо дорогого (bagging area fraud). Решение: weight verification (весы в зоне укладки) + item recognition камера над зоной укладки. Если сканировали код Y, но в зону положили товар Z — стоп, запрос верификации.
Системы: Toshiba Loss Prevention Camera, Digimarc, или кастомное решение на Jetson + POS API. Мы реализуем интеграцию с любым оборудованием.
Сравнение методов обнаружения краж
| Метод | Точность (precision) | Скорость анализа | Стоимость развёртывания |
|---|---|---|---|
| Традиционное видеонаблюдение | 0.3–0.5 | Вручную | Низкая (камеры) |
| AI-детекция (наша система) | 0.79–0.88 | Реальное время | Средняя (сервер + софт) |
| RFID-метки | 0.95+ | На выходе | Высокая (метки на товар) |
AI-система сокращает время реакции в 5 раз по сравнению с ручным просмотром записей и даёт экономию до 60% потерь.
Инфраструктура и workflow
Система не заменяет охранника — она приоритизирует его внимание. Вместо просмотра 30 мониторов одновременно охранник видит отсортированную очередь алертов с видеоклипами.
Workflow алертов
- Система детектирует подозрительное событие
- Формирует видеоклип ±30 секунд вокруг события
- Присваивает risk score (0–100)
- Алерты с risk > 60 поступают охраннику на планшет/монитор
- Охранник верифицирует и принимает решение (подойти, запросить помощь, пропустить)
Хранение: только подозрительные клипы + полная запись для расследований. Интеграция с CCTV через RTSP, поддержка Milestone XProtect, Genetec, Hanwha Wisenet Wave.
Что входит в работу (deliverables)
- Обследование магазина и схемы размещения камер
- Установка и настройка серверного оборудования (NVIDIA Jetson / GPU)
- Обучение моделей на данных магазина (transfer learning за 2–4 недели)
- Интеграция с POS-терминалами и существующей CCTV-инфраструктурой
- Интерфейс для охраны (планшет/монитор с очередью алертов)
- Обучение персонала и документация
- Гарантия 12 месяцев и поддержка
Сроки
Система для 1 магазина (concealment detection + checkout monitoring): 6–10 недель. Платформа для сети с централизованным управлением алертами: 3–5 месяцев. Закажите пилотное внедрение для одного магазина и оцените эффект.
По данным Wikipedia, потери от краж составляют около 1.4% от оборота. AI-системы доказали свою эффективность в снижении shrinkage на 30–60% на практике.
Свяжитесь с нами для точной оценки вашего проекта.