Комп’ютерний зір

СТВОРЮЄМО ГОТОВІ РІШЕННЯ

Команда IBA Group допомагає автоматизувати процеси, прискорювати і спрощувати рішення бізнес-задач за допомогою технологій комп’ютерного зору.

ЕКСПЕРТИЗА В КОМП'ЮТЕРНОМУ ЗОРІ

СЦЕНАРІЇ

  1. Розпізнавання, класифікація та ідентифікація об’єктів.
  2. Відстеження станів і змін.
  3. Переміщення суб’єктів і об’єктів на відео.

КЛЮЧОВІ ТЕХНОЛОГІЇ

ІНСТРУМЕНТИ

ZeroMQ, Python, Tensorflow, OpenCV, Pillow,  MongoDB, Flask, Numpy, Pandas, Xlrd, PostgreSQL, openpyxl, sqlalchemy, pyexcelerate, pyopenssl, contextlib2, scikit-image, scikit-learn, albumentations, docker, git, AngularJS, REST API.

СУПУТНІ ТЕХНОЛОГІЇ

АНАЛІЗ ВИКЛАДЕННЯ ТОВАРУ НА ПОЛИЦЯХ

СИТУАЦІЯ

Виробники, дистриб’ютори і рітейлери продають однакові групи товарів на одних і тих самих полицях. Учасникам ринку необхідна оперативна і достовірна інформація про дії конкурентів і своє становище на їх фоні. Оцінка виконується вручну силами мерчендайзерів, торгових представників, супервайзерів і маркетологів.

ЗАВДАННЯ

Товарна викладка (реалограма) – фактична схема розміщення товару на торгових полицях і прилавках магазина.

Власники магазинів і постачальники товарів домовляються, як і де буде розміщуватися товар в торговельному залі. Товар викладають співробітники магазина або мерчендайзери. Бізнесу потрібно відстежувати якість роботи мерчендайзерів і аналізувати інформацію по викладках.

SAAS-РІШЕННЯ ДЛЯ ОЦІНКИ РЕАЛОГРАММ ПО ФОТОГРАФІЙ

  1. Мерчендайзери, супервайзери і інші завантажують фотографії розташування SKU на полицях. 
  2. Фотографії замість локального сервера компанії завантажуються в дата-центр IBA Group .
  3. Модуль зі штучним інтелектом Plano Checker аналізує фото, шукає SKU, класифікує за заданим сценарієм.
  4. Модуль Plano Checker зберігає звіти на сервері.
  5. Користувачі отримують доступ до звітів і аналітиці через веб-браузер відразу ж після завантаження фото.
Комп’ютерний зір здатний визначати види товарів на полицях

АНАЛІЗ ЗОБРАЖЕНЬ З ДРОНІВ

СИТУАЦІЯ

Сільськогосподарська компанія хоче детально і оперативно аналізувати сходи рису, щоб отримати дані про кількість пророслих рослин. У поточній ситуації потрібно направляти людей в поле на машинах, щоб вони могли спочатку зібрати інформацію, потім привести до єдиного вигляду і надати зацікавленим учасникам процесу. Інформація збирається вручну, містить неповні і неточні дані.

РЕЗУЛЬТАТ

Система швидко виявляє ділянки полів з малою кількістю сходів. Оперативна інформація допомагає вчасно посіяти ділянки і в результаті підвищити врожайність при тих же площах.

РІШЕННЯ

Сільськогосподарська компанія почала використовувати дрони для відстеження стану полів. Але переглядати відеозаписи і рахувати сходи вручну займає багато часу. Інженери IBA Group створили систему аналізу зображень рисових полів, щоб автоматично розраховувати кількість пророслих рослин. Система перевіряє розрахунки і відображає результати в мобільному додатку з візуалізацією на мапі.

ТЕХНОЛОГІЇ

Python (OpenCV, skimage, sklearn, numpy, scipy, Flask), MySQL, Angular.js

РОЗПІЗНАВАННЯ ОСІБ ПОКУПЦІВ В МАГАЗИНАХ

СИТУАЦІЯ

М.Відео – російська торговельна мережа з продажу побутової техніки і електроніки. У торгових залах мережі сотні покупців, а консультанти рідко впізнають серед них постійних клієнтів. Це знижує рівень персоналізації сервісу, до якого звикли покупці в онлайн-магазинах.

РІШЕННЯ

Система ідентифікує клієнта, що увійшов за допомогою штучного інтелекту по зображенню з камери і відправляє push-повідомлення на пристрої консультантів. При необхідності покупець отримує SMS з персональною пропозицією. Система працює з хмари і може бути швидко запущена в експлуатацію в будь-якому магазині.

ЗАВДАННЯ

Створити готове рішення для великої мережі з продажу техніки на основі технології розпізнавання осіб покупців і розробити мобільний додаток для консультантів.

РЕЗУЛЬТАТ

Команда IBA Group розробила мобільний додаток для співробітників М. Відео. Маркетологи можуть отримувати аналітичні звіти, щоб, наприклад, рахувати точную кількість відвідувачів в магазинах. Система допомагає збагачувати профілі клієнтів: збирати статистику поведінки і історію взаємодії з магазинами.

Пілотний проект для М. Відео компанія IBA Group представила на конкурсі SAP Coder

Технології: Python (OpenFace, Keras/TensorFlow, OpenCV, Dlib, Scikit-learning), SAP Cloud, SAP HANA, SAP Smart Business Services, SAP Cloud Analytics, SAP UI5 Fiori, Cloud Foundry.

РОЗПІЗНАВАННЯ ЕМОЦІЙ КЛІЄНТІВ РЕСТОРАНУ

СИТУАЦІЯ

Новий ресторан почав працювати на місці колишнього. Власники хочуть зберегти і навіть збільшити число клієнтів. Для цього вони використовують різні методи оцінки задоволеності клієнтів: опитування і приватні розмови з деякими з них. Такий метод не показує повної картини і не дає інформації про динаміку змін в настроях.

РІШЕННЯ

IBA Group встановила біля виходу дві відеокамери, в які потрапляють обличчя клієнтів. Нейронні мережі розпізнають обличчя і емоцій, а програмний комплекс видає готову аналітику для користувачів.

ЗАВДАННЯ

Власники хочуть бачити повну картину і аналізувати динаміку змін в настроях клієнтів. При цьому вони хотіли б не витрачати більше часу на аналіз.

ТЕХНОЛОГІЇ

Python (Keras, Tensorflow, Dlib, ArcFace, Scikit-Learn, OpenCV, Flask, CUDA), MongoDB, MySQL, Angular, Node.js, Bootstrap, Docker, Kubernetes.

Зв'яжіться з IBA GROUP

Yes
Yes Політики конфіденційності Політикою щодо файлів «cookie»