零售行业的货架战争
为了在庞大的线下终端赢得消费者的选择，争夺产品在货架上的露出位置和比例，跟哪些竞品在一起露出，以及如何通过货架陈列，使产品的视觉呈现更能吸引消费者购买，目前成为快消企业终端执行的重中之重。
然而在门店实际执行过程中经常会出现的情况：生动化陈列执行不到位，如缺少必销品，重点商品、新品陈列没有占据醒目位置，排面靠后或被竞品压制，摆放不整齐、生动化物料没有展示出来等情况屡见不鲜。当货架缺货的情况发生时，品牌商可能会失去 46% 的购买者，而零售商可能会失去 30% 的购买者。
因此，要实现线下终端的高效管控，可以从两个角度入手：
- 超强且庞大的线下执行团队；
- 利用 AI 物品识别技术辅助人工完成陈列审查这件事。
AI 亿览通技术难点及解题思路
品览旗下主要产品 AI 亿览通，以商品识别引擎为核心，基于自身前沿的结合弱监督与细粒度识别算法，商品识别准确度高达 97% 以上，目前可实现商品 SKU 种类、在货架上的陈列位置、价签及生动化物料识别检测等功能。
算法难点
- 在货架场景中，商品通常会摆放的非常密集，要想准确无误的统计排面识别每个 SKU，需要超高准确率和召回率的商品检测；
- 商品种类繁多，一般商品的 SKU 种类数量上万，甚至高达几十万，单一模型无法完全支持；
- 同品牌 SKU 之间非常相似，特征看上去没有明显的差异，需要攻克细粒度分类难题；
- 同一款商品可能有不同的规格，比如可乐，可能会有 330 毫升、500 毫升，或一升的，它更像是等比例缩放，因为计算机视觉天然是要求有尺度不变性的，这种情况通常是很难区分的。
解题思路
商品识别的流程
解决货架倾斜
高质量完成商品识别的前提是拥有完美的数据，巡店员为了快速完成任务多数情况下一张照片拍上整个货架，导致在图片数据中货架倾斜严重，这对后续的商品检测识别十分不利，采用 TF 框架搭建的 Mask R-CNN 实例分割算法对图片中的货架层进行分割
根据分割的货架线，使用仿射变换进行货架的倾斜矫正，完美解决货架倾斜的问题
复杂场景下的商品检测
针对零售行业复杂的场景，便利店/超市/小卖店等物品的摆放及巡店人员的拍摄习惯等，我们采用 RetinaNet 目标检测模型进行商品检测，该目标检测模型创新性提出了 Focal loss（如图 1 所示）作为训练的损失函数，可以有效的解决训练过程中正负样本不平衡的问题
结合 Focal Loss 该模型设计了一个简单的 one-stage detector 来进行检测，网络结构名为 RetinaNet（如下图 2）：
该模型采用了 FPN 结构进行多层网络特征的融合，可以有效的兼容不同尺度训练数据，优化小目标的检测效果。使用 TensorFlow 的内置函数来构建 FPN 结构和计算 Focal Loss，模型训练速度快，可在短时间内进行多次模型迭代，提高了模型的训练效率，并在训练过程中使用 tensorflow.summary 记录 loss 和 accuracy，可以实时监测模型的收敛情况。随着 TensorFlow 的发展完善，搭建新模型时很多结构可以从 TensorFlow 的官方复现中直接提取使用，当成固定的模块，加速了模型构建速度。
- RetinaNet 请参考：https://github.com/fizyr/tf-retinanet
商品识别
面对海量 SKU，采用 Resnet50 深度学习网络进行模型训练，该网络结构由何凯明团队在 2015 年提出，一经问世就引起轰动，成为近年来最经典的特征提取网络结构之一，其亮点在于残差网络结构（如下图所示）：
对于同一品牌包装十分相似的商品，在特征提取网络中加入 Attention 机制，进行细粒度区分，利用 TensorFlow 框架完成模型的搭建，进行 SKU 分类模型的训练，方便快捷。使用 TensorBoard 进行训练过程可视化，不仅可以监测模型训练过程中 loss 的下降趋势，方便训练调参，并可以可视化搭建的网络模型结构，方便更好的学习和理解深度神经网络。
- Resnet 参考：https://github.com/ry/tensorflow-resnet
TF Serving 完成模型部署高效服务
训练完成的模型需要配合高性能的部署服务才能更快更好的实现模型调用，AI 亿览通使用 TF Serving 进行模型部署，TF Serving 具有如下明显的优势：
- 持 docker 部署：常用的部署方式是使用 docker 部署，将宿主机的模型目录挂载在 docker 的虚拟目录下，拉取的 docker 镜像可选择支持 CPU 或 GPU，也提供了版本选择，方便调试。
- 支持多种通信方式：目前 TF Serving 的客户端和服务端支持的的通信方式为：gRPC 和 REST API，前者端口为 8500，后者为 8501，两种方式分别对应了不同的传输方法。
- 挂载模型简单：使用 TF Serving 部署模型，不需要部署代码，但需要必要的客户端代码。因为模型使用挂载的方式，对同一模型的不同版本，Serving 会自动刷新选择最新的模型版本，更新版本也不需要重启服务。同时 TF Serving 也支持多模型部署，因而使用起来比较方便
应用效果展示
以欣和集团为例，旗下拥有 11 个调味品牌，商品覆盖全国 1400 个县区，门店数量极其庞大。在使用 AI 亿览通服务之前，通常采取的是人工抽检的方式，每周需要一天 20 人次投入审核工作，使用品览的服务进行 AI 自动化后，仅需 1 人督导即可完成审核。
由于欣和的海量产品和门店，拥有十分复杂的陈列场景。亿览通不仅支持货架、端架、冰箱、堆头、地龙等丰富场景，货架插卡、贴条、价格签、爆炸牌、跳跳卡、颈标、商品贴等多种生动化陈列物料，还能检测图片质量是否过于倾斜、模糊，通过图像/视频拼接呈现品类完整货架陈列，并具备分秒级批量审核数万张货架照片的能力。
使用 AI 亿览通后，欣和实现了生动化陈列审核自动化，从抽检改为全面审核每家门店的陈列；检核周期从每周缩短为每天；在释放了人力资源的情况下，整体工作效率提升 95%。
总结
- 本文从零售品牌商普遍存在的门店执行痛点出发，分析了赢得“货架战争”的关键点——利用AI物品识别技术替代人工完成陈列审查，提高货架数据准确度和效率。
- 在商品识别的技术实践中，我们进行了多角度的检测模型实验和数据优化方法。从检测到分类到可视化调参，TensorFlow 都起到了不可替代的作用和帮助。
