零售行业有个长期存在的人力问题：几千家门店的货架陈列需要人工巡检，拍照、上报、总部审核，周期长、口径不一、覆盖不全。视觉巡检系统的目标就是用照片自动判断陈列是否合规。
这篇拆一下这类系统的技术实现。
一、问题定义：巡检到底要判断什么
先明确要识别的内容，这决定了技术方案：
| 巡检任务 | 判断内容 | 技术难点 |
|---|---|---|
| 货架陈列识别 | 商品是否在货架、位置对不对、排面数够不够 | 商品 SKU 多、遮挡、角度变化 |
| 竞品分析 | 竞品是否上架、占比多少 | 竞品识别、与自家商品区分 |
| 地堆面积测算 | 地堆占了多少面积 | 需要空间换算，非纯识别 |
| 价签核对 | 价签与商品是否对应、价格是否一致 | 小目标文字识别 |
这几项的技术基础都是"从照片中定位目标 + 分类 + 计数"，但各自的精度要求差别很大。
二、整体技术链路
门店人员拍照上传
↓
图像质量校验（模糊/过暗/角度）
↓
目标检测（定位货架、商品、地堆）
↓
分类识别（哪个 SKU / 哪个竞品）
↓
合规判定（位置、排面数、占比是否达标）
↓
结果回传 + 异常预警
关键设计原则：把"识别"和"判定"分开。识别模型输出结构化的检测结果（边界框、类别、置信度），判定逻辑用规则引擎做。这样当业务规则变化时（比如排面数要求从 2 个变 3 个），只改规则不改模型。
三、商品识别的难点与对策
难点1：SKU 数量巨大。 一个快消品牌可能有几百个 SKU，外观相近（同系列不同规格的包装几乎一样）。
对策：分层识别。先识别品类（洗发水/牙膏），再识别系列，最后识别规格。逐层缩小候选范围。
难点2：拍摄条件不可控。 店员用手机拍，角度、光照、距离都不同，还有反光和遮挡。
对策：数据增强是关键。训练时加入角度变换、亮度变化、模拟反光、遮挡，让模型见过各种情况。另外加一道"图像质量校验"，太差的照片直接要求重拍，比强行识别更靠谱。
难点3：密集小目标。 货架上商品密集排列，目标检测容易漏检或框重叠。
对策：用高分辨率输入 + 切片检测（把大图切成多块分别检测再合并）。
难点4：排面计数。 同款商品横排几个，需要准确计数。
对策：检测框横向投影 + 间距聚类。简单说就是把同一行的检测框按 x 坐标排序，间隔小于阈值的归为同一排面组。
四、地堆面积测算的特殊性
地堆是堆在通道上的临时陈列，要算它占了多少面积。这和纯图像识别不同，涉及空间换算：
技术上大致这样：
检测地堆的边界框（像素坐标）
↓
找到参照物（地砖、货架立柱、价签等已知尺寸物体）
↓
按参照物换算像素与实际尺寸的比例
↓
计算地堆投影面积
难点在于参照物识别和视角校正。如果是斜角拍摄，还要做透视变换把梯形还原成正视图。
这类任务的精度通常不高（受拍摄角度影响大），所以实践中多用于"粗略判断是否超标"，而不是精确计费。
五、竞品占比分析
竞品的占比分析技术上分两步：
识别阶段：把货架上的商品检测出来并分类（自家/竞品A/竞品B/其他）。
统计阶段：按排面数或面积占比算份额。
竞品占比 = 竞品排面数 / 该品类总排面数
这里的技术风险是分类边界。什么算"竞品"、联名款怎么算、旧包装怎么算，这些业务定义必须先明确，否则模型再准也算不对。
六、落地时的工程问题
1. 拍照规范要前置。 与其用模型修复烂照片，不如给出拍照指引（距离、角度、光照要求），并在 App 端做实时质量检测（模糊度、亮度、目标是否在画面内），不合格不让提交。
2. 置信度分级处理。 高置信度自动通过，中置信度人工复核，低置信度要求重拍。全自动或全人工都不合理。
3. 结果要可解释。 巡检报告要说清"哪张照片、哪个位置、什么问题"，最好在图上标注框。业务方才能认可。
4. 模型迭代机制。 新 SKU 上线、包装换代，模型要能快速更新。设计上把商品库做成可配置的，新增 SKU 只补样本和注册，不重训整个模型。
5. 数据回流。 人工复核的结果要回流成训练数据。这是模型持续变准的唯一途径。
七、适用边界
适合： 标准化程度高的品类（快消、饮料、日化）、有明确陈列规范的场景、门店数量多人工覆盖不过来的情况。
不适合： 陈列高度非标的品类（生鲜、服装）、需要判断"美观度"这类主观标准的场景、拍摄条件极差且无法改善的门店。
一个务实的判断：视觉巡检能替代的是"重复的人工核对"，不能替代"专业的陈列设计判断"。
八、写在最后
零售视觉巡检的技术核心不是单个模型多准，而是整条链路的工程化——拍照规范、质量校验、识别、规则判定、人工复核、数据回流。每一环都弱一点，整体准确率就会崩。
相关的电商 AI 能力与产品方案可以看官方页面——查看电商经营助手的视觉巡检与商品分析能力。具体功能与定价以页面实际展示为准。
你们公司做过货架巡检的数字化吗？准确率能到多少？评论区聊聊。
