AI-детекція крадіжок у ритейлі: Shrinkage Detection

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):

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

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.

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.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.