零售部

越来越多的顾客开始选择自助服务。第二波技术浪潮让这成为可能。前沿的销售点系统具备高度的可用性，可以满足数码原住民和潮人的期望。同时，通过降低运行成本、提高员工效率，零售商也能获得共赢。

计算机视觉、机器学习和开发工具的共同创新带来了这种转变。通过积木式方法，解决方案集成商可以在短短八个星期的时间内完成这些不同类型设备的构建。

这种新流程解放了市场。如今，在物理空间内提供用户体验不再是传统系统集成商的专属。通常制作网站或应用程序的内容代理商和其他类型的公司具备设计技能，了解客户偏好，他们也开始发布构建零售 POS 设备的征求建议书。

AOPEN​​​ 是让其具备可行性的一家公司。AOPEN 的首席执行官 Stephen Borg 说：“我们发现知识差距非常大。” “这是我们构建 meldCX 平台和我们的智能称重解决方案的重要原因。” 两者简化了传统解决方案集成商和其他企业利用构建模块法组装计算机视觉辅助 POS 设备的过程（图 1）。

人工智能和构建模块满足技术需要

基于 meldCX 的 AOPEN Smart Scale 解决方案除相关软件和库之外，还融合了人工智能 (AI)、机器学习和计算机视觉，使解决方案集成商能够为零售 POS 系统构建各种功能。

首先，使用 AOPEN 解决方案构建的设备可以识别零散商品，称重并打印条码标签。它还可以将所有信息直接自动输入 POS 设备，包括价格。但是，如果采用进一步的技术，解决方案集成商及其零售客户可以构建多合一免收银员 POS 系统。

无论是咖啡豆还是罐头汤和肥皂垫，AOPEN 的产品识别系统可以让顾客同时对零散物品和非零散物品进行结算，只需将其放在计算机视觉辅助收银机上即可。付款处理也可以作为设备的一个功能。顾客可以刷信用卡或使用其他付款形式，例如手机应用程序。

采用这种类型的构建流程，即使是没有 JavaScript 开发人员或数据科学家的集成商也可以构建零售用的计算机视觉 POS 设备。有 JS 编程经验的集成商可以使用 meldCX 的代码库。如需了解有关该主题的更多信息，请阅读“JavaScript API 如何为零售中的人工智能赋能”一文。

还有一点值得注意，该解决方案是跨平台的。这意味着集成商可以使用 Windows、Android、Chrome 或 Linux。除了解决操作系统的问题， meldCX 还创建了认证摄像头、外围设备和磅秤库，并对开发环境进行了虚拟化。这样可以模拟硬件和设备响应，加快开发速度。

用计算机视觉进行训练

根据 Borg 所言，训练阶段已成为本行业许多工作的一大障碍。Borg 说：“我们看到了这个机会，付出了很多努力，花费一年半构建了管道系统，并把它用在单一 API 中。”

这次大规模开发简化了产品训练程序，为解决方案集成商和零售商带来了回报。例如，季节性产品是许多杂货店面临的挑战。这可能会导致一个问题，即短季节性商品（如“传家宝”苹果）在上市之前，无法用于构建推理训练模型。Borg 解释说，他们开发了使用数字图像合成模型的训练方法，解决了这个问题。

AOPEN 的解决方案使模型可以随时使用，对用于计算机视觉和机器学习的摄像头进行自动校准。组装之后，可以通过在 JavaScript 中编码，或简单地将资产链接到 Google Sheets 中来调整用户界面。然后就可以开始产品训练了。客户可以在店里或配送中心的 POS 设备上对设备进行商品识别训练。数据会被自动上传到每个端点设备。

英特尔​​​^®​​​​ OpenVINO​^​™ 工具套件用于简化自定义模型制作流程，可以使多个模型同时运行。这样，即使经验有限或缺少数据科学家的解决方案集成商也可以使用预包装 OpenVINO 模型和业务规则实现模型之间的通信。Borg 说：“让精确度从 80% 提高到接近 98% 变得简单得多。”

在生成训练集时（图 2），该解决方案将自动警告用户是否有任何制品或异常破坏模型，例如，是否有人手或其他物品遮挡了镜头。防止这种图像被包含在训练集中，可以节省资源，加快流程。

满足业务需求

Borg 说：“我们已向客户保证，POS 自助结账设备是完全自主运行的。”自助服务的趋势不仅仅关乎成本削减。它还可以吸引喜欢这种购物方式的年轻消费者，零售店工作人员也无需为需要个性化协助的人士提供服务。

另一个问题就是保护隐私。自助零售设备一般要求输入个人信息。数据被上传到云端之前，必须在边缘站点经过处理和加密，因此不会存储到本地。

在租金高昂的人口密集区域，场地是稀缺的。计算机视觉辅助 POS 设备可以加快自助结账，缓解店内拥挤，为摆放更多商品腾出空间。

Borg 说：“但是最大的业务需求可能是加快解决方案集成商的上市速度。”AOPEN Solutions Smart Scale 正是为了达到这个目标而设计的。