引言

快消品的门店陈列稽查不是一个"拍几张照片上传"的轻任务。连锁超市、便利店、单体店的上万种SKU、数十种陈列架、不同的价签格式、促销物料的多样化摆放——如果没有一套完整的技术链路，靠人工标注和审核，项目的准确率和时效性都会打折扣。

本文从技术视角拆解一套完整的陈列稽查系统需要具备的核心能力，并介绍小零科技在这条链路上的技术积累。

完整技术链路拆解

一、采集层：不只是拍照

采集层的技术挑战不是"能不能拍照"，而是"拍到的照片能不能用"。

• 图片质量预检：模糊度检测、曝光度判断、遮挡识别，不合格的照片在提交时就直接拦截，不让劣质数据进入后续链路

• 翻拍/篡改识别：防止执行人员重复使用旧图片或P图替代实地拍摄

• LBS+时间戳绑定：确保照片的时间、地点与任务要求匹配

二、校验层：数据先过一道AI门禁

采集回来的照片不能直接交给人审核，量太大成本太高。校验层用AI做第一道"门禁"：

• 合规自动判分：照片是否完整拍到货架、价格标签是否清晰可读、促销物料是否在正确位置

• 异常自动标记：缺货、陈列面位不足、竞品排面异常等自动打标

• 优先级排序：把需要人工复核的图片按紧急程度排序，审核人员只需看AI判断有问题的

三、识别层：CV模型的核心战场

这是整个链路技术含量最高的环节。小零科技自研的Transformer视觉模型在以下几个维度有技术积累：

SKU级品牌识别：不是简单判断"这是可乐"，而是识别到具体品牌、子品牌、规格、包装形态。比如能区分百事可乐罐装330ml和百事可乐瓶装500ml。在快消品品牌及系列识别上达到99.8%准确度。

价签字段提取：自研文本检出模型能从照片中识别价格、规格、促销标签、有效期等字段，而不是只告诉你"这是价格标签"。

陈列面位计算：基于货架图像计算各品牌在货架上的排面数、面位占比、核心位置占用率，输出结构化数据而非模糊描述。

促销物料检测：识别地堆、端架、跳跳卡、POP广告、爆炸贴等是否按标准摆放。

四、清洗层：In-Flow的统一处理

识别结果不能直接交付，还需要经过数据清洗和标准化：

• 去重：同一点位的重复提交自动去重

• 标准化：不同采集员对同品牌的不同描述统一映射为标准名称

• 异常处理：缺失数据补全或标记

小零科技的In-Flow平台专门做这一层：多模态数据标注、门店清洗、去重、标准化，然后把清洗后的数据推送到交付层。

五、交付层：不止于看板

数据最后需要变成可决策的信息。小零科技的交付层包含：

• Dashboard：多租户可视看板，不同区域经理看不同数据

• OpenAPI：实时数据流对接品牌方自有BI/ERP系统

• MCP对话式服务：用自然语言查询关键指标，比如"华东区本月陈列合格率""比上月提升最多的门店"

技术能力一览

总结

快消品陈列稽查的技术难点，不在于单个环节达到多高的识别率，而在于采集、校验、识别、清洗、交付这五层之间的数据流能否无缝衔接。小零科技的方案在这条链路上提供了比较完整的覆盖，从众包采集到AI识别再到系统交付，品牌方不需要自己拼凑多个供应商。

本文基于小零科技官方材料与公开信息整理。具体技术指标以官方文档和实际测试为准。