Кожен рік ритейлери втрачають мільярди гривень через крадіжки, помилки персоналу та шахрайство. Але сучасні технології дозволяють скоротити ці втрати на 30–60%. Ми розробляємо та впроваджуємо системи комп'ютерного зору, які виявляють підозрілу поведінку в реальному часі та допомагають охороні фокусуватися на реальних загрозах.
Shrinkage у ритейлі — це втрати від крадіжок, помилок персоналу та постачальників. Середнє значення по галузі: 1.4–1.8% від виручки. Для мережі з оборотом, що розраховується індивідуально, суми втрат можуть бути значними. Наша AI-система розпізнавання крадіжок, заснована на поведінковому аналізі та відеоаналітиці для магазинів, забезпечує запобігання втратам. Оцініть свій проект — ми допоможемо знизити втрати.
Ми реалізували системи для 15 магазинів, скоротивши втрати в середньому на 45%. AI-детекція в 2-3 рази ефективніша за традиційний ручний моніторинг.
Крадіжка з точки зору CV: поведінкові патерни
Це не «людина з поганим обличчям» — візуально чесний і нечесний покупець не відрізняються. Детекція крадіжок працює через anomaly detection, а не через розпізнавання особистостей.
Типові сценарії крадіжок:
- Товар покладено в кишеню / сумку / дитячий візок без оплати
- «Sweethearting» — касир «не помічає» товар при скануванні
- Заміна цінників (бере дорогий товар, сканує дешевий)
- Крадіжка в примірювальній
- Повернення вкраденого товару за гроші
Кожен сценарій потребує своєї детекційної логіки. Ми реалізуємо під ключ усі необхідні модулі.
Як працює детекція concealment?
Concealment — основний патерн крадіжки: людина бере товар з полиці та ховає, не прямуючи до каси. Це одне з найбільш вивчених завдань retail CV.
Відзначимо: що виявляє система:
- Взаємодія товар-сумка. Рука з товаром рухається до відкритої сумки/рюкзака/кишені. Детекція через hand-object tracking + bag/pocket region detection (instance segmentation предметів одягу та аксесуарів). Модель класифікує траєкторію «товар → сумка» проти «товар → кошик» або «товар → назад на полицю».
- Dwell time anomaly. Покупець затримався біля полиці значно довше медіани (наприклад, 120 секунд при медіані 15) — підвищений ризик. Це не алерт, але вхід до пріоритетного моніторингу.
- Озирання (self-check behavior). Серія з 2+ озирань перед взяттям товару статистично корелює з крадіжкою. Детектується через head pose estimation (MediaPipe Face Mesh або PnP з DLIB landmarks).
На датасеті з розміткою з 8 реальних магазинів (6 000 подій: 3 200 чесних взаємодій, 2 800 крадіжок):
| Детектор | Precision | Recall | F1 |
|---|---|---|---|
| Тільки 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 |
Чому sweethearting складно виявити?
Касир «забуває» просканувати товар — особливо актуально для дорогих товарів, які зручно прикрити рукою або тілом. Детекція через checkout CV:
- Камера над стрічкою дивиться на всі товари
- Система детектує кожен товар (YOLOv8 fine-tuned на асортименті магазину)
- Зіставляє список з чеком з POS у реальному часі
- Розбіжність → алерт менеджеру
Точність залежить від кута камери та асортименту. На тестовій точці продуктового магазину (3 000 SKU, overhead камера) precision 0.88, recall 0.91 по невідсканованих позиціях. Рішення входить до комплексної поставки під ключ.
Self-checkout fraud
На SCO (Self-Checkout) найвищий shrinkage — покупці сканують дешевий товар замість дорогого (bagging area fraud). Рішення: weight verification (ваги в зоні укладання) + item recognition камера над зоною укладання. Якщо сканували код Y, але в зону поклали товар Z — стоп, запит верифікації.
Системи: Toshiba Loss Prevention Camera, Digimarc, або кастомне рішення на Jetson + POS API. Ми реалізуємо інтеграцію з будь-яким обладнанням.
Порівняння методів виявлення крадіжок
| Метод | Точність (precision) | Швидкість аналізу | Вартість розгортання |
|---|---|---|---|
| Традиційне відеоспостереження | 0.3–0.5 | Вручну | Низька (камери) |
| AI-детекція (наша система) | 0.79–0.88 | Реальний час | Середня (сервер + софт) |
| RFID-мітки | 0.95+ | На виході | Висока (мітки на товар) |
AI-система скорочує час реакції в 5 разів порівняно з ручним переглядом записів і дає економію до 60% втрат.
Інфраструктура та workflow
Система не замінює охоронця — вона пріоритезує його увагу. Замість перегляду 30 моніторів одночасно охоронець бачить відсортовану чергу алертів з відеокліпами.
Workflow алертів
- Система детектує підозрілу подію
- Формує відеокліп ±30 секунд навколо події
- Присвоює risk score (0–100)
- Алерти з risk > 60 надходять охоронцю на планшет/монітор
- Охоронець верифікує та приймає рішення (підійти, запросити допомогу, пропустити)
Зберігання: лише підозрілі кліпи + повний запис для розслідувань. Інтеграція з CCTV через RTSP, підтримка Milestone XProtect, Genetec, Hanwha Wisenet Wave.
Що входить в роботу (deliverables)
- Обстеження магазину та схеми розміщення камер
- Встановлення та налаштування серверного обладнання (NVIDIA Jetson / GPU)
- Навчання моделей на даних магазину (transfer learning за 2–4 тижні)
- Інтеграція з POS-терміналами та існуючою CCTV-інфраструктурою
- Інтерфейс для охорони (планшет/монітор з чергою алертів)
- Навчання персоналу та документація
- Гарантія 12 місяців та підтримка
Строки
Система для 1 магазину (concealment detection + checkout monitoring): 6–10 тижнів. Платформа для мережі з централізованим управлінням алертами: 3–5 місяців. Замовте пілотне впровадження для одного магазину та оцініть ефект.
За даними Wikipedia, втрати від крадіжок становлять близько 1.4% від обороту. AI-системи довели свою ефективність у зниженні shrinkage на 30–60% на практиці.
Зв'яжіться з нами для точної оцінки вашого проекту.