How does hand-object contact detection work?

We combine hand detection (MediaPipe Hands or 100DOH) with bounding box overlap analysis and velocity tracking: if the object moves synchronously with the hand, contact is registered. Additionally, we apply a contact classifier on cropped hand and object images.

How many cameras are needed for a 200 m² store?

We recommend a density of 1 camera per 1.5–2 m² of shelf area. For a 200 m² store, that means 30–50 cameras. We use overhead and side cameras synchronized via PTP (accuracy <1 ms).

How are thousands of different SKUs recognized?

We use metric learning with ArcFace loss on a ConvNeXt-Small backbone. Instead of a closed classifier, we build an embedding space; adding a new SKU requires only one reference photo. We achieve top-3 accuracy of 0.96 on 2000 SKUs.

How are item returns to the shelf handled?

Shopper tracking and return detection via velocity analysis and bounding box overlap. When the object separates from the hand and remains in the shelf zone, we register a return. Load cells on shelves further reduce uncertainty.

What accuracy guarantees do you provide?

On a pilot system (20–30 m², 200–500 SKUs), top-1 accuracy is 0.87. A full system with shelf load cells approaches 99%+. Specific KPIs are agreed upon based on your assortment and layout.

מערכת AI לחנויות: זיהוי פריטים ללא קופה

Q: How are thousands of different SKUs recognized?

We use metric learning with ArcFace loss on a ConvNeXt-Small backbone. Instead of a closed classifier, we build an embedding space; adding a new SKU requires only one reference photo. We achieve top-3 accuracy of 0.96 on 2000 SKUs.

Q: How are item returns to the shelf handled?

Shopper tracking and return detection via velocity analysis and bounding box overlap. When the object separates from the hand and remains in the shelf zone, we register a return. Load cells on shelves further reduce uncertainty.

Q: What accuracy guarantees do you provide?

On a pilot system (20–30 m², 200–500 SKUs), top-1 accuracy is 0.87. A full system with shelf load cells approaches 99%+. Specific KPIs are agreed upon based on your assortment and layout.

אובדן סחורה לא מתועדת ושגיאות מלאי הם כאב ראש עבור כל קמעונאי. אנחנו מפתחים מערכות ראייה ממוחשבת מבוססות AI שמזהות מוצרים בידי הלקוח ומבצעות אוטומציה של תהליך קנייה ללא קופה. הצוות שלנו מספק את הפרויקט במפתח מלא—מהסקר ועד ההטמעה ותמיכה שוטפת—ומבטיח פתרון אמין שגדל עם העסק שלך.

11+שנות ניסיוןמידע נוסף 900+פרויקטים שהושלמומידע נוסף 100+עובדים במשרדמידע נוסף 19+שותפיםמידע נוסף

השירותים שאנו מציעים

מציג 1 מתוך 1כל 1570 השירותים

מערכת AI לחנויות: זיהוי פריטים ללא קופה

מורכב

מ- 1 שבוע עד 3 חודשים

תחומי פיתוח AI

דון בפרויקט ה-AI שלך

נראה לך כיצד AI יכול לפתור את האתגר שלך

קבל הצעת מחיר

אנו נעריך את התקציב ואת ציר הזמן עבור פרויקט ה-AI שלך

שאלות נפוצות

העבודות האחרונות

פיתוח אפליקציית ווב עבור FEEDME
1365
פיתוח חנות מקוונת לחברת FURNORO
1330
עיצוב לוגו לחברת B2B Advance
776
פיתוח אפליקציית ווב עבור Enviok
1077
פיתוח לוגו חברת AIDER
1022
פיתוח CRM עבור Chasseurs
1113

הצג עוד עבודות

זיהוי פריט ביד: מערכת לחנויות ללא קופה

נתקלנו בבקשות למערכת חנות ללא קופה המבוססת על ראייה ממוחשבת, המזהה לקיחת פריטים ועוקבת אחר קונים. מערכת הראייה הממוחשבת שלנו לקמעונאות מנצלת זיהוי פריט ביד וזיהוי ברמת SKU לחנויות ללא קופה. היא מתבססת על זיהוי מגע יד-פריט ולמידת מטריקות בקמעונאות. זה נבנה על טכנולוגיית Amazon Go. מצלמות AI בחנות מבטיחות מעקב מדויק.

Amazon Go פתרה בעיה זו למעלה מ-4 שנים לפני ההשקה המסחרית — אנו מציעים תהליך ריאלי לחנויות בינוניות. עם ניסיון של למעלה מ-5 שנים ב-CV קמעונאי ויותר מ-10 פרויקטי פיילוט, אנו משרתים לקוחות מאז 2018. ערבויות דיוק מגובות בפרויקטי פיילוט. במאמר זה, נפרק כיצד לבנות מערכת כזו מאפס. אנו מכסים זיהוי מגע יד-פריט ועד זיהוי ברמת SKU במגוון של אלפי פריטים. אנו משתמשים בארכיטקטורות רשתות נוירונים מודרניות, כלי MLOps לתפעול ייצור, ולמידת מטריקות להרחבת מגוון יעילה. התוצאה: הפחתה של 30–50% בהפסדים מגניבה ושגיאות מלאי. חיסכון אופייני לחנות בינונית: $15k–30k בשנה, עם עלויות פיילוט החל מ-$4.5k–6.5k. המערכת שלנו מחזירה את עצמה תוך 6–12 חודשים.

כיצד פועל זיהוי מגע יד-פריט?

המשימה מורכבת ממספר תת-משימות:

זיהוי לקיחת פריט מהמדף — היד חוצה את אזור המדף ותופסת חפץ (זיהוי לקיחת פריט)
זיהוי פריט — הכרה ברמת SKU: מה בדיוק נלקח
מעקב אחר קונה — שיוך הפריט שנלקח לאדם ספציפי
זיהוי החזרה — לקח → הסתכל → החזיר

כל תת-משימה אינה טריוויאלית. יחד, הן דורשות אינטגרציה עמוקה של CV ו-MLOps.

מנגנון זיהוי מגע יד-פריט

השלב הראשון: מציאת ידיים בפריים. MediaPipe Hands עובד היטב לידיים מבודדות, אך בקמעונאות, ידיים לעיתים קרובות מוסתרות חלקית על ידי מדפים, פריטים אחרים, או גוף הקונה. גלאי ידיים ייעודי — כמו 100DOH או מערך EgoHands מכוונן — מבצע טוב יותר בסצנות עמוסות.

לאחר זיהוי ידיים, אנו מזהים מגע יד-פריט. זה לא פשוט חפיפת תיבות חוסמות: אנו צריכים לקבוע אם היד מחזיקה את החפץ או רק קרובה אליו. גישות:

חפיפת תיבות חוסמות + ניתוח מהירות: החפץ נע באופן סינכרוני עם היד → מגע
סיווג מצב מגע: מסווג נפרד על זוגות (חיתוך יד, חיתוך חפץ) → מחזיק/לא מחזיק
הערכת תנוחה: כף היד סגורה סביב החפץ — זיהוי אחיזה דרך נקודות מפתח של היד

מהם האתגרים בזיהוי ברמת SKU?

חנות נושאת 5,000–50,000 SKU ייחודיים. מסווג עם 50,000 מחלקות אינו ריאלי ללא טכניקות מיוחדות. זיהוי מבוסס אמבדינג שלנו מהיר פי 5 בהוספת פריטים חדשים מאשר אימון מחדש מסורתי של מסווג סגור. למידת מטריקות עם ArcFace מדויקת פי 3 מ-softmax בזיהוי SKU בקנה מידה גדול.

גישה אפקטיבית: למידת מטריקות + זיהוי קבוצה פתוחה. במקום מסווג סגור, אנו משתמשים באמבדינגים שבהם פריטים דומים קרובים במרחב. הוספת SKU חדש פירושה הוספת אמבדינג ייחוס אחד ללא אימון מחדש של המודל.

Backbone: ConvNeXt-Small או EfficientNet-B4 עם פונקציית אובדן ArcFace, מאומן על קטלוג המוצרים (תמונות סטודיו). זיהוי עם דוגמאות מועטות: 1–5 תמונות ייחוס לכל SKU מספיקות לזיהוי אמין. על מדד פנימי (2,000 SKU של חנות מכולת בתנאי חנות אמיתיים): דיוק top-1 0.87, דיוק top-3 0.96.

בנוסף: ברקוד/QR כערוץ גיבוי. אם הפריט ביד ממוקם בנוחות, מערכת ה-CV קוראת את הקוד ישירות דרך ZXing או ZBar המשולבים בתהליך. פיוז'ן מבוסס ביטחון: אם ביטחון ברקוד > 0.98, אנו משתמשים בו; אחרת, זיהוי חזותי.

תשתית לחנות

פרמטר	ערך
צפיפות מצלמות	מצלמה אחת לכל 1.5–2 מ"ר של שטח מדף
מספר מצלמות לחנות של 200 מ"ר	30–50 יחידות
סוגי מצלמות	עיליות + צדדיות (מצלמות AI בחנות)
כוח מחשוב	4× NVIDIA A10 על שרת GPU
מסגרת הסקה	DeepStream SDK + TensorRT
סנכרון	PTP (IEEE 1588), דיוק <1 אלפית שנייה

כל המצלמות מסונכרנות בזמן בדיוק תת-אלפית שנייה — קריטי למעקב בין מצלמות.

השוואת שיטות זיהוי מגע

שיטה	יתרונות	חסרונות
חפיפת תיבות חוסמות + מהירות	פשוט, מהיר	שגיאות עם חפצים נייחים
סיווג מצב מגע	דיוק גבוה	דורש תיוג נרחב
הערכת תנוחה	חזק להסתרות	יקר חישובית

תוצרים: מה כלול בעבודה

סקירת אזור החנות: פריסה, תאורה, סוגי מדפים
עיצוב פריסת מצלמות תוך התחשבות בנקודות עיוורות
פיתוח תהליך זיהוי מגע יד-פריט וזיהוי לקיחת פריט (PyTorch, TensorRT)
אימון מודל זיהוי SKU על המגוון שלך
אינטגרציה עם מערכות POS/משקלים (אופציונלי)
תיעוד והדרכת צוות
3 חודשי תמיכה לאחר השקה

פרטים טכניים של אימון מודל זיהוי SKU

אנו משתמשים ב-ConvNeXt-Small עם פונקציית אובדן ArcFace. ממד אמבדינג: 512. הגדלות: RandomCrop, ColorJitter, RandomRotation. המודל מאומן על תמונות סטודיו ומכוונן על נתונים מהמצלמות שלך.

מגבלות וציפיות ריאליות

כנים לגבי קשיים:

שגיאות עם אריזות דומות: שני גרסאות של אותו מוצר (קלאסי/לייט) — המאתגר ביותר
ראות חלקית: הקונה חוסם את הפריט עם גופו — פער בלתי נמנע
החזרות למדף הלא נכון: זיהינו את הלקיחה, ע�בנו, אך הפריט הונח במקום אחר

דיוק ברמת Amazon Go (~99%+ לפי טענותיהם) דורש חיישנים נוספים — תאי עומס על מדפים מסירים אי-ודאות: N גרם ירדו → חבילה ספציפית אחת נלקחה. CV + משקלים עולים משמעותית על CV טהור.

הטכנולוגיה מאחורי Amazon Go, המתוארת ב-ויקיפדיה, מבוססת על ראייה ממוחשבת וחיישני משקל.

לוחות זמנים

מערכת פיילוט לאזור של 20–30 מ"ר עם מגוון מוגבל (200–500 SKU): 10–16 שבועות. מערכת מלאה לחנות של 100+ מ"ר עם אינטגרציית POS: 5–9 חודשים.

אנו יכולים להעריך את הפרויקט שלך: צור קשר לסקירת פריסה חינמית — נשלח הצעה טכנית עם לוחות זמנים משוערים. בקש פרויקט וקבל ייעוץ מהמהנדס שלנו. נסייע גם בבחירת תצורות מצלמות ושרתים לתקציב שלך. צור קשר כדי לדון בפרטים.