Ученые из России и США создали гибкую систему ИИ для распознавания товаров на кассах
![](https://tv-nano.ru/wp-content/uploads/2023/09/ii-na-kassah-sajt.jpg)
Нейросеть отличается способностью учиться на небольших массивах данных, что позволяет ускорить процесс её адаптации для разных задач.
Исследователи разработали гибкую систему машинного обучения, способную самостоятельно распознавать товары на магазинных кассах или на весах в системах самообслуживания, а также быстро обучаться на небольших исходных наборах изображений.
На кассах самообслуживания со встроенными весами покупателю нужно запоминать все коды, а проконтролировать, правильно ли покупатель взвешивает товар, достаточно сложно. Исследователи из Сколтеха предлагают упростить этот процесс с помощью системы компьютерного зрения PseudoAugment. Эту систему можно настроить даже до того, как новые сорта окажутся на полке магазина.
Систему разработала группа исследователей под руководством старшего преподавателя Сколтеха Андрея Сомова. Эта нейросеть анализирует снимки и ищет на них псевдообъекты: обособленные структуры, похожие на отдельные фрукты и другие товары, которые продаются в магазине.
Эти объекты вырезают из оригинального изображения и модифицируют, получая множество разных псевдообъектов. Это позволяет использовать их для обучения нейросети распознавать предметы с любого ракурса и при любых размерах и вариациях их формы. Подобный подход повышает качество работы нейросети и позволяет обучать ее без вмешательства человека на небольших наборах изображений, что выгодно отличает разработку российских ученых от конкурентов.
Работу системы проверили на прототипе кассы самообслуживания со встроенными весами и подключенной к ней компьютерной системой, позволяющей дообучать и переобучать нейросети. Используя этот набор, исследователи успешно обучили кассу распознавать ранее неизвестные сорта яблок с точностью 92% на основе небольшого числа фотографий ящиков с яблоками.
По словам ученых, сфера применения созданного ими алгоритма не ограничивается супермаркетами. Его можно использовать для обучения распознавания однородных объектов, в частности, на конвейерах для сортировки семян или твердых бытовых отходов. Это позволит повысить эффективность сортировочных промышленных установок, подытожили исследователи.
Источник: nauka.tass.ru