ИИ-система обнаружения краж и контроля потерь в ретейле
Shrinkage в ретейле — 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. Большую часть традиционно списывают как «неизбежные потери». AI-системы позволяют сократить shrinkage на 30–60%.
Что такое кража с точки зрения CV
Это не «человек с плохим лицом» — визуально честный и нечестный покупатель неотличимы. Детекция краж работает через поведенческие паттерны и 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.
Глубокий разбор: детекция concealment (сокрытие товара)
Concealment — основной паттерн кражи: человек берёт товар с полки и прячет, не направляясь к кассе. Это одна из наиболее изученных задач retail CV.
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 для этой зоны (например, 120 секунд при медиане 15 секунд) — повышенный риск. Не алерт сам по себе, но вход в приоритетный мониторинг.
Оглядывание поведение (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 |
Sweethearting на кассе
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 ассортиментe магазина)
- Сопоставляет список детектированных товаров 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 над лентой) precision 0.88, recall 0.91 по несканированным позициям.
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.
Инфраструктура и workflow
Система не заменяет охранника — она приоритизирует его внимание. Вместо просмотра 30 мониторов одновременно охранник видит отсортированную очередь алертов с видеоклипами.
Workflow:
- 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. Integration с CCTV-системами через RTSP, поддержка Milestone XProtect, Genetec, Hanwha Wisenet Wave.
Сроки
Система для 1 магазина (concealment detection + checkout monitoring): 6–10 недель. Платформа для сети с централизованным управлением алертами: 3–5 месяцев.