Balances et caisses automatiques pour identifier plus rapidement les marchandises pesées

Une équipe de recherche de Skoltech et d’autres institutions ont mis au point un nouveau moyen rapide de distinguer les produits pesés dans un supermarché. Contrairement aux systèmes existants, l’algorithme accélérera la formation des réseaux neuronaux lorsque de nouveaux types de produits arriveront. L’article est publié dans le Accès IEEE journal.

Les magasins continuent d’introduire des technologies visant à améliorer les performances du personnel et à accélérer le processus de pesée des marchandises et de leur paiement. Alors que dans certains supermarchés, les clients doivent mémoriser un code et peser les marchandises dans le rayon, dans d’autres magasins, ce code est généralement fourni par les caissiers à la caisse : ils doivent soit identifier eux-mêmes le type de fruits ou de légumes, soit le demander au client.

Aux caisses automatiques équipées de balances, les consommateurs doivent également mémoriser les codes. En outre, il est difficile de garantir que les clients pèsent le bon type de produit. Les chercheurs de Skoltech suggèrent de simplifier le processus grâce au système de vision par ordinateur.

Selon l’équipe de recherche, les instruments existants présentent un certain nombre d’inconvénients. « La difficulté est qu’il existe de nombreux fruits ou légumes visuellement similaires au supermarché et que de nouveaux types apparaissent souvent. Les systèmes de vision par ordinateur classiques doivent être recyclés à chaque fois qu’une nouvelle variété est livrée. Cela prend du temps car nous devons collecter un beaucoup de données et ensuite les étiqueter manuellement », explique l’auteur principal de l’étude, ingénieur logiciel et titulaire d’un doctorat. étudiant du Wireless Center de Skoltech Sergey Nesteruk.

L’approche PseudoAugment permet d’ajuster le réseau neuronal pour de nouvelles classes sans le processus approfondi de collecte et d’étiquetage des données. Le système peut être configuré avant même que de nouveaux produits n’apparaissent dans les rayons d’un magasin.

« Une boîte avec le nouveau type peut être placée sous l’appareil photo et photographiée. Ensuite, sur la base de quelques photos seulement, l’algorithme identifie des objets particuliers sans étiquetage manuel. Plus tard, nous augmentons les images qui seront utilisées pour recycler le modèle. Nous avons révélé que, lors de l’ajout de nouvelles classes, la dégradation de la qualité de détection est bien inférieure à celle sans PseudoAugment. Si nous ajoutons de nombreuses nouvelles classes, la dégradation aura toujours lieu, mais le système peut être recyclé toutes les deux semaines. Plus important encore, il fonctionnera dès que le nouveau type arrive au magasin », commente Sergey Nesteruk.

L’augmentation d’image complète les photos avec des images générées, ce qui constitue une transformation visuelle des données brutes. Parmi ces transformations figurent, par exemple, la rotation des images, la modification de leur luminosité, l’ajout de bruit. Alors que l’augmentation augmente la variabilité des données, le modèle devient plus robuste.

L’étude, comme le soutiennent les chercheurs, contribue à l’approche centrée sur les données, qui se concentre sur l’amélioration des données et leur application dans des modèles prêts à l’emploi. La portée du nouvel algorithme ne se limite pas aux supermarchés. Il peut également être utilisé pour la formation à la détection d’objets homogènes, par exemple sur des convoyeurs de céréales ou de déchets solides.