Кейс по внедрению нейросетевой видеоаналитики в логистическом центре

Со стороны заказчика по этому кейсу с нами взаимодействовал департамент развития. В департамент входили профильные сотрудники разных служб компании, в том числе логистики. Задача таких сотрудников заключалась в озвучивании потенциальных болей работы своих отделов. После чего на плечи специалистов департамента ложились задачи по внедрению разработанных технологий, реализации пилотных проектов и, как следствие, подтверждение того, что выбранная технология способна такие боли локализовать или полностью устранить.

Пилотный проект был запущен на объекте со следующими характеристиками:

• наличие камер: 2 400 шт;
• количество ворот для приемки отгрузки: 120 шт.

Нейросетевые роботы должны были точно определять, какое количество мест грузится на тех или иных воротах, сопоставлять полученные данные с учетной системой и выявлять отклонения.

Первая особенность задачи
— Наличие "обратной выгрузки" на объекте

Представьте ситуацию: на объект заехала машина, в которой находится 20 паллет. Однако для склада требуется только 15. При этом первые 5 блокируют разгрузку нужных 15... Это совершенно не страшно, просто вынужденно выгружают первые 5 мест, чтобы освободить возможность отгрузки последующих 15.

Но в этот момент может произойти следующее: не все 5 загрузили обратно или загрузили обратно 6 из 5, захватив что-то лишнее. Данные ошибки могут допускаться без злого умысла, но в случае "ручного" контроля появляется необходимость в многочасовом поиске того или иного груза. И это действительно может занимать часы, т.к. оператору приходится лично пересматривать многочисленные видео, при этом не понимая, где и как искать потерянный паллет. А учитывая количество камер и ворот на объекте, такая мелкая задача может занимать от нескольких часов до нескольких дней.

Задача же роботов в данном случае не в том, чтобы предотвратить ошибку, а в том, чтобы оперативно сообщить, на каких воротах и с какой поставкой произошла некорректная обратная загрузка. Таким образом поиск груза занимал не дни, а несколько секунд, т.к. робот моментально показывал видео с фиксацией сбоя: что не так загрузилось и куда оно поехало.

Проблема появляется в ситуациях, когда товары готовятся к упаковке. От нас требовалось состыковать все эти процессы с различными системами видеонаблюдения клиента.

Помимо специфичности самих систем учета, важно и то, что таких систем была не одна, не две и даже не три. Заметим, что это совершенно нормально для компании, которые осуществляют сложную логистику и сложносоставные процессы. Рискнем предположить, что это была главная проблема, с которой не могли справиться другие подрядчики. В результате чего они завысили ценник, а кто и вовсе отказался от данного проекта.

Обратим внимание, что на складе, как правило, уже стоит какая-то система видеонаблюдения (какая именно, для нас не имеет значение). В случае же с этим заказчиком стояло все сразу и в разных частях. При этом на разных процессах находятся разные типы оборудования и разные типы софта, которые с этими видео работают. Задача для нашей системы заключалась в моментальной (по запросу) демонстрации всего пути прохождения товара внутри логистического объекта.

В результате, если поступит информация от покупателя, что какой-то товар раздавило, для нашего заказчика не составит труда выяснить, где произошла данная проблема с товаром.

Для этого не потребуется как раньше вручную заходить в каждую систему и искать этот товар в разные моменты времени в архиве видеозаписей. Теперь достаточно ввести номер коробки или номер паллета (любой сущности, которая существует на складе) и получить мгновенный доступ к видеоистории движения этой сущности по складу, где происходил любой контакт с персоналом.

Речь идет об особой части склада, где, как правило, находится мелкий и дорогой товар. Работая на этом участке склада, сотрудники получают задание на свой ТСД (WMS компании), в котором описано, в какую секцию склада и в какую ячейку должен отправиться сотрудник для выполнения задания.

С точки зрения обывателя, тут не должно быть проблем, но на практике все не так просто.

Специалист отправился не в ту секцию и, соответственно, начинает выполнять не те действия. По-хорошему, об этом сотруднику должна подсказать сама ТСД, которая сразу заблокирует доступ. Но это произойдет только при условии, что этой системе своевременно сообщили обо всех манипуляциях (что достали, куда положили).

Специалист получает задачу в одной секции, но умышленно отправляется в другую, в которой совершает противоправные действия (например, цепляет под свою одежду пару десятков айфонов или съедает килограмм дорогих орехов).

Для решения этой группы задач мы использовали свой основной козырь, а именно — нейросетевые роботы. Они получают информацию из учетной системы и понимают, у каких сотрудников какие задания. При этом моментально происходит сопоставление — где находятся такие сотрудники, не находятся ли они в секциях, в которых заданий у них нет…

Более того, если сотрудник задерживается в какой-то секции, то робот запускает сигнал тревоги (разумеется, на своем языке) для последующего разбора. Ну, а далее соответствующее должностное лицо изучает видео, вызывает на "допрос" такого сотрудника и, владея полной информацией, принимает управленческое решение.

Наш заказчик, как и ряд других компаний такого уровня, пользуется услугами аутсорсинговых организаций по "поставке" персонала. Каждый день на объекты приезжает различное количество соответствующего персонала. Закрывать таким образом кадровые вопросы вполне разумно, но вот со справедливым расчетом заработной платы могут возникнуть сложности.

Дело в том, что стоимость услуг аутсорсинговой компании определяется количеством человеко-часов. Но по факту количество людей и отработанных часов может быть гораздо меньше, чем было согласовано. На практике это происходит сплошь и рядом. Например, один человек регистрируется по несколько раз (в результате компания считает, что на смену вышло 100 сотрудников, а по факту работает 90). Может быть и иная ситуация, когда человек заходит на территорию объекта, а затем выходит из нее по своим делам. Аутсорсинговые сотрудники далеко не всегда заинтересованы в полноценном рабочем дне и частенько по возможности отлынивают. Отследить же несколько тысячный персонал с помощью простых видеокамер на практике нереализуемо.

В качестве решения данной задачи использовалось наше боевое распознавание лиц. Нейросетевые роботы фиксировали абсолютно всех входящих и выходящих людей, определяя количество уникальных лиц. Каждое лицо было привязано к конкретной аутсорсинговой компании. Отдельно фиксировалось продуктивное время работы каждого сотрудника на объекте. Таким образом, если кто-то покидал объект, не дорабатывал, уходил с работы раньше — все это справедливо уменьшало чек аутсорсинговой компании.

Любая компания имеет свои особенные бизнес-процессы. Поэтому с нашей стороны вникать в процессы заказчика не только нужно, но и важно. Заказчик по данному кейсу был максимально готов к этому. В результате третья группа задач, связанная с аутсорсинговыми компаниями, возникла уже в ходе работы, когда на одном из совещаний мы узнали о данной проблеме и предложили ее решить.

Иногда согласование может занимать год, а иногда проходить быстро. У любой, особенно крупной компании вся информация закрыта и, как правило, к ней очень неохотно предоставляются доступы сторонним компаниям. Именно этот момент всегда требует объяснения с нашей стороны.

По данному кейсу согласование длилось квартал. Главный вопрос — как на пилоте будут организованы доступы к видео (кто выгружает, какие есть каналы и т.д.).

Работая с теми ракурсами камер, которые уже были у заказчика, мы подготовили модели, провели стыковку. Первая же стыковка выявила странности в формировании базы данных заказчика. Несколько недель потратили, чтобы разобраться в том, где теряется часть данных и почему это происходит.

Пилотный проект был реализован в ограниченном функционале (программа работала на двух воротах). Этого результата было достаточно, чтобы заказчик увидел то, что мы договорились показать изначально.