Shelf image quality: защо лошата снимка води до лош AI сигнал

Computer vision за рафт често се обсъжда през модела.

Какъв detection engine използваме. Колко SKU-та разпознава. Каква е точността. Колко бързо връща резултат.

Това са важни въпроси, но не са първата причина една система да работи или да се провали.

Първата причина е снимката.

Ако снимката е лоша, AI не започва от “малко по-трудна задача”. Той започва от слаб сигнал. Размазан кадър, лош ъгъл, изрязана секция, отблясък от хладилник или липсващ долен рафт могат да превърнат иначе добър модел в несигурен анализ.

Затова shelf image quality не е техническа подробност. Това е част от retail execution процеса.

Лошата снимка не е просто лоша снимка

Във FMCG снимката на рафта не е галерия.

Тя е вход към измерване:

наличен ли е продуктът;
колко facings има;
правилно ли е позициониран;
има ли празно място;
изпълнена ли е планограмата;
вижда ли се цената;
има ли промоционен материал;
какво действие трябва да се създаде.

Ако входът е слаб, всеки следващ слой страда. Image recognition може да върне по-нисък confidence, да изпрати снимката за human review, да пропусне дребен SKU, да не свърже price label с продукт или да отчете грешен facing count.

Проблемът не е само в точността на модела. Проблемът е в доверието към процеса.

Ако търговецът направи лоша снимка, а системата върне спорен резултат, екипът лесно започва да казва: “AI не работи”. В реалност често capture процесът не е бил достатъчно управляван.

Какво прави една shelf image добра

Добрата shelf image не е непременно красива.

Тя е измерима.

1. Целият релевантен рафт е в кадър

Системата трябва да вижда пълната зона, която ще анализира. Ако долният рафт е изрязан, ако category boundary липсва или ако кадърът хваща само половината блок, резултатът ще бъде непълен.

Това е критично при Planogram compliance, защото сравняваме realogram с договорен стандарт. Ако реалният рафт е частично заснет, сравнението става спорно.

2. Ъгълът не изкривява рафта

Снимка под силен страничен ъгъл може да скрие продукти, да промени видимия размер на facing-ите и да обърка shelf boundaries.

Търговецът не винаги може да застане идеално фронтално. Магазините са тесни, има клиенти, колички, хладилни врати и физически ограничения. Но системата трябва да насочва: още малко назад, по-централно, по-малко наклон.

3. Няма размазване

Motion blur е един от най-подценяваните проблеми.

За човек снимката може да изглежда “достатъчно добра”. За computer vision малък blur може да изтрие разликата между два близки SKU варианта, да направи barcode или shelf label нечетим и да свали confidence-а.

Затова capture UX трябва да засича blur преди снимката да бъде приета.

4. Осветлението е достатъчно равномерно

Тъмни коридори, силни лампи, отражения от хладилни врати и лъскави опаковки създават шум.

При напитки, млечни продукти, козметика и хладилни категории отблясъкът може да скрие етикет, цена или продуктова линия. Това влияе на Share of shelf, на SKU recognition и на price compliance.

5. Няма закриване

Ръка, клиент, количка, отворена врата, ценова лента пред етикета или продукт пред друг продукт могат да създадат occlusion.

AI не може надеждно да разпознае това, което не се вижда.

Това звучи очевидно, но е важно за operational governance: ако проблемът е occlusion, action-ът не трябва да бъде “SKU missing”. Трябва да бъде “retake photo” или “manual review”.

6. Резолюцията е достатъчна за SKU ниво

Да разпознаеш категория не е същото като да разпознаеш SKU.

В FMCG често трябва да различиш вкус, размер, промо вариант, нов дизайн, multipack или локална опаковка. Това изисква достатъчно детайл в кадъра.

Затова едно общо “снимай рафта” не стига. При големи категории може да има нужда от няколко снимки, panorama или ясна логика как се разделя рафтът.

Capture guidance е част от продукта

Добрата система не оставя търговеца сам да гадае дали снимката става.

Тя трябва да дава насоки в момента на снимане:

рамка за целия рафт;
предупреждение за blur;
проверка за светлина;
сигнал за силен ъгъл;
индикация дали shelf boundary е видим;
подсказка за missing zone;
автоматична retake препоръка;
confidence след анализа.

Това не е “допълнителен UX”. Това е quality control.

Ако capture guidance липсва, компанията прехвърля проблема към търговеца, supervisor-а и AI екипа. Всеки следващ спор става по-скъп.

Confidence не е слабост, а контрол

Най-лошият AI резултат не е несигурният.

Най-лошият резултат е грешният, представен като сигурен.

Затова всяка shelf image система трябва да работи с confidence:

high confidence: action може да се създаде автоматично;
medium confidence: резултатът се показва с предупреждение;
low confidence: снимката се връща за retake или human review;
conflicting signal: системата не трябва да наказва търговеца автоматично.

Това е особено важно при Promo compliance и Price compliance. Ако AI грешно прочете цена или пропусне промо етикет, може да създаде фалшив issue към екипа.

Добрата система трябва да знае кога не знае.

Лошата снимка променя бизнес решението

Shelf image quality влияе директно върху:

on-shelf availability;
facing count;
share of shelf;
planogram compliance;
promo execution;
price compliance;
recommended order;
supervisor coaching;
store scorecard.

Ако снимката не показва реалния рафт, AI Order Brain може да получи грешен сигнал за липса или слаб facing. Ако issue е създаден на база несигурна снимка, Workflow orchestration ще движи грешна задача. Ако supervisor dashboard отчита лош compliance без capture quality контрол, coaching-ът може да стане несправедлив.

Това е причината image quality да бъде business KPI, не само технически филтър.

Какво трябва да се мери

Една FMCG платформа трябва да има image quality метрики:

Метрика	Защо има значение
Accepted vs rejected photos	показва дали capture процесът е ясен
Retake rate	показва проблеми по категории, магазини или екипи
Blur rate	влияе на SKU recognition и OCR
Angle/position warnings	влияе на facings и shelf boundaries
Low-confidence analyses	показва къде AI има нужда от review
Manual review rate	показва operational cost
Disputed AI results	показва trust gap

Тези метрики помагат на екипа да разбере дали проблемът е в модела, в снимането, в категорията или в data governance.

Накратко

Shelf image quality е първият слой на shelf intelligence.

Ако снимката е добра, AI може да превърне рафта в reliable business signal. Ако снимката е лоша, дори добър модел ще върне несигурен, непълен или спорен резултат.

Затова правилният подход е:

capture guidance още в мобилното приложение;
автоматична проверка за blur, angle, lighting и boundaries;
confidence към всеки резултат;
retake вместо фалшива сигурност;
human review при ниска увереност;
action loop само когато сигналът е достатъчно надежден.

Снимката не е формалност.

Тя е началото на цялата retail execution логика.

Свързано в Optimasoft

Image recognition превръща shelf image в structured signal за SKU, facings, OSA, цена и промоция.
Computer vision за рафт разглежда целия pipeline от снимка до realogram.
Planogram compliance зависи от ясни shelf boundaries и пълна снимка.
Share of shelf изисква надежден facing count.
Workflow orchestration трябва да създава action само когато сигналът е достатъчно надежден.
AI governance във FMCG поставя confidence, review и ownership в управляем процес.

Източници