Организации оптовой торговли алкогольной продукцией обязаны вести помарочный учет в Единой государственной автоматизированной информационной системе (ЕГАИС) в соответствии с Федеральным законом № 171-ФЗ [1]. На каждой единице продукции размещается акцизная или федеральная специальная марка с двумерным кодом DataMatrix или PDF417, который фиксируется при приемке и отгрузке. На складах крупных дистрибьюторов через участки приемки и отгрузки проходят десятки тысяч единиц продукции в смену, поэтому способ считывания марок напрямую влияет на производительность склада и количество ошибок учета.

Сегодня применяются два основных способа. Ручное сканирование терминалами сбора данных гибко, но трудоемко и зависит от внимательности персонала. Стационарные промышленные системы машинного зрения обеспечивают производительность до 12 000 бутылок в час [9], однако являются дорогостоящими закрытыми решениями, требующими специально оборудованного конвейера. Промежуточным вариантом может стать недорогое встраиваемое устройство с камерой и нейросетевым ускорителем, выполняющее распознавание непосредственно на месте, без передачи видеопотока на сервер.

Развитие методов глубокого обучения [2] привело к появлению нескольких классов детекторов объектов. Двухстадийные детекторы, например, Faster R-CNN [3], обладают высокой точностью, но недостаточной скоростью для встраиваемых устройств. Одностадийные детекторы, в том числе семейство YOLO [4], выполняют локализацию и классификацию за один проход сети и обеспечивают обработку видеопотока в реальном времени. Трансформерные детекторы реального времени (RT-DETR) показывают высокую точность, но предъявляют повышенные требования к вычислительным ресурсам. Для встраиваемых применений наиболее подходят компактные версии YOLO и детекторы на основе облегченных архитектур MobileNet [5].

Перенос модели на встраиваемое устройство требует ее оптимизации. Квантование весов и активаций в 8-битные целые числа [6] сокращает объем модели примерно в четыре раза и позволяет задействовать целочисленные нейросетевые ускорители при незначительной потере точности. Дополнительно применяются прунинг [7] и дистилляция знаний. Для исполнения оптимизированных моделей используются среды TensorRT, OpenVINO, LiteRT (TensorFlow Lite), ONNX Runtime и RKNN Toolkit.

Предлагается двухэтапный подход к распознаванию маркировки. На первом этапе легковесный детектор класса YOLO, дообученный на изображениях продукции в складских условиях, находит в кадре бутылки и марки, а также выявляет поврежденные марки. На втором этапе специализированный декодер (например, libdmtx или ZXing) считывает двумерный код только в найденной области интереса, что многократно сокращает объем вычислений по сравнению с поиском кода во всем кадре. Алгоритм многообъектного трекинга ByteTrack [8] связывает обнаружения между кадрами и исключает повторный учет одной и той же единицы. Считанные коды сверяются с документом в учетной системе; единицы, марку которых не удалось прочитать, передаются оператору для ручной проверки.

Для реализации подхода были рассмотрены четыре класса аппаратных платформ. Модуль NVIDIA Jetson Orin Nano обеспечивает до 40 TOPS (до 67 TOPS в режиме Super) при энергопотреблении 7–25 Вт и имеет наиболее зрелую программную экосистему. Одноплатный компьютер Raspberry Pi 5 с ускорителем Hailo-8L или Hailo-8 обеспечивает 13 или 26 TOPS при низком энергопотреблении. Платы на процессоре Rockchip RK3588 со встроенным нейропроцессором производительностью 6 TOPS отличаются низкой стоимостью и доступностью поставок. Ускоритель Google Coral Edge TPU (4 TOPS, около 2 Вт) наиболее экономичен, но поддерживает ограниченный набор операций. Для пилотного внедрения наиболее целесообразны Jetson Orin Nano и платы на RK3588.

Для оценки системы предлагается использовать следующие показатели: среднюю точность детекции mAP@0.5, долю верно считанных марок (целевое значение не ниже 99,5 %), частоту обработки кадров (не менее 25 кадров/с), задержку обработки (не более 40 мс), энергопотребление и стоимость комплекта оборудования.

Таким образом, сочетание легковесного нейросетевого детектора, оптимизированного для встраиваемого ускорителя, с классическим декодером двумерных кодов позволяет построить недорогую систему контроля маркировки, работающую в реальном времени. Такая система может дополнить существующие терминалы сбора данных и систему управления складом без замены учетного контура предприятия. Дальнейшие исследования будут направлены на формирование набора данных в реальных складских условиях, обучение модели и экспериментальную оценку прототипа.

Литература:

1. Федеральный закон от 22.11.1995 № 171-ФЗ «О государственном регулировании производства и оборота этилового спирта, алкогольной и спиртосодержащей продукции и об ограничении потребления (распития) алкогольной продукции».
2. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. — М.: ДМК Пресс, 2018. — 652 с.
3. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // Advances in Neural Information Processing Systems. — 2015.
4. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2016. — P. 779–788.
5. Howard A. G. et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv:1704.04861. — 2017.
6. Jacob B. et al. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2018. — P. 2704–2713.
7. Han S., Mao H., Dally W. J. Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding // International Conference on Learning Representations. — 2016.
8. Zhang Y. et al. ByteTrack: Multi-Object Tracking by Associating Every Detection Box // European Conference on Computer Vision. — 2022. — P. 1–21.
9. Помарочный учет алкогольной продукции в системе ЕГАИС на базе машинного зрения COGNEX // Control Engineering Россия. — URL: https://controlengrussia.com/tehnicheskoe-zrenie/uchet-egais/ (дата обращения: 22.09.2026).