Bilgisayarla görme yöntemlerini kullanarak perakende mağazalarında ürün tanınma ve sayma

Perakende ticaret çok rekabetçi bir endüstridir ve perakendeciler, işletmelerini sürdürmek ve büyütmek için her türlü yolu kullanmaktadır. Öte yandan, bilgisayarlar hemen hemen her perakende mağazasında bulunur ve genellikle satış ve finansal yönetimler gibi geleneksel görevleri yerine getirmek için kullanılırlar. Ayrıca, perakendecilere, karları en üst düzeye çıkarmak için müşterilere daha iyi hizmet sunmalarında yardımcı olacak daha karmaşık yöntemler önerilmektedir. Bu yöntemlerden bazıları perakendecilerin kararlarını desteklemek için kullanılırken, diğer yöntemler bu kararların uygulanmasını izlemek için kullanılır. Bilgisayarla görme kullanımı diğer tekniklere göre maliyet açısından daha verimlidir, ancak bilgisayarla görme tekniklerinden çoğu görüntüyü gri ölçeğe çevirerek renklerden ziyade şekilleri algılamak için kullanıldığı için sınıflanda başarısı sınırlıdır. Bu nedenle, bu teknikler renk körü olarak kabul edilebilirken, pek çok ürün aslında birbirinden renkleri ile ayrılabilir. Bu çalışmada, "Speed Up Robust Features" (SURF) ile renk ortalamasının birlikte kullanılıasıyla bir perakende mağazanın raflarındaki özellikle aynı markaların ürünlerinin yerlerini ve sayısını bulmak için bilgisayarla görme kullanılmıştır. Yapılan deneylerin sonuçunda renk ortalamasının SURF yönteminden kaynaklanan eşleme oranı ile birlikte kullanıldığında ürün tanıma alanında büyük başarı elde edilmiştir. Birinci deneyde, doğruluk sadece ürün tanıma için SURF yöntemi kullanılarak ölçülmüştür. Tespit edilen ürünler görüntülerdeki toplam ürün sayısının% 95'idir, burada tespit edilen ürünlerin% 61'i doğru sınıflandırılmıştır. İkinci deneyde, SURF eşleme sonuçuna renk ortalaması eklenmiştir. Tespit görevi sadece SURF algoritması ile elde edildiğinden renk ortalamasının bir etkisi yoktur, ve bu senaryoda tespit edilen ürün sayısı hala% 95'tir. Öte yandan, tespit edilen ürünün% 88'i bu senaryoda doğru bir şekilde sınıflandırılmıştır; bu, renk ortalamasının kullanılmasının sonuçları% 27 oranında iyileştirdiği anlamına gelmektedir. Üçüncü deneyde, SURF yönteminin tanıma yeteneklerini geliştirmek için, önceki senaryolarda ürün başına bir model görüntüsü yerine, eğitim için ürün başına üç model görüntüsü kullanılır. Bu senaryodaki tespit edilen ürünler, test edilen görüntülerdeki toplam ürün sayısının% 99'udur ve bu ürünlerin% 97'si doğru bir şekilde kendi sınıflarında sınıflandırılmıştır. Bu deneylerin sonuçları, renk ortalaması eşleşen ilgi noktalarının model resimdeki toplam ilgi noktası sayısına oranı ile birlikte kullanıldığında, ürün sınıflamasında büyük gelişme göstermemiştir. Bu gelişme, aynı markanın ürünleri arasındaki temel farklılık genellikle bu ürünlerin renkleri iken, SURF'in o görüntünün renklerinden bağımsız olarak ilgi noktaları tespit etmesine bağlıdır. Ayrıca, eğitim veri setinde ürün başına model görüntülerinin sayısının artması, özellikle de her bir ürün için alınan model görüntülerin farklı aydınlatma ve görüş açılarında olması durumunda daha iyi bir tespitin yanı sıra daha iyi sınıflandırmaya neden olur.