Inteligentne technologie zwiększające wiarygodność i efektywność audytów zdjęciowych

• Autorzy: Szyjewski Kamil

Warianty tytułu

EN

Smart technologies which increase reliability and efficiency of photo audit

• Języki publikacji: PL

Abstrakty

PL

Potrzeba weryfikacji wdrażania standardów biznesowych klientów w terenie, skierowała zainteresowanie w kierunku audytów zdjęciowych, które okazały się najbardziej wiarygodną i klarowną metodą weryfikacji. Wdrożenie opracowanych standardów w docelowych miejscach sprzedaży stanowi kluczowy punkt optymalizujący wyniki sprzedażowe. Budowanie systemów autorskich, korzystających z koncepcji audytu zdjęciowego, stanowiło odpowiedź na palącą potrzebę rynku. Zdjęcia, przesyłane do systemu ze sklepów są weryfikowane przez system pod kątem zgodności z parametrami, zadanymi przez klienta, zob. (Rosebrock, 2016). Szczególnym wyzwaniem jest stworzenie docelowo takiego systemu, który maksymalnie zautomatyzuje proces weryfikacji zdjęć, minimalizując udział operatora w jego weryfikacji, zob. (Liu, Anguelov, 2016). Badania przeprowadzone przez PRO Business Solutions IT od września 2017 do grudnia 2018, w ramach projektu R+D miały kilka zamierzonych celów: po pierwsze zebranie dostępnej w organizacji i poza nią wiedzy o audytach zdjęciowych, a następnie stworzenie z niej efektywnych metod działania. (Inteligentne raportowanie); po drugie sprawdzenie doświadczalne koncepcji, które mogłyby przyczynić się do zwiększenia efektywności i jakości przeprowadzanych audytów (Podwójna weryfikacja, system uczący, rozpoznawanie obrazów); po trzecie sprawdzenie doświadczalne nowych metod świadczenia usługi (crowdsourcing, automatyczne porady eksperta). Niniejszy dokument jest syntezą wyników tych prac i najważniejszych spostrzeżeń.

EN

The need for implementation of the business standards for patrons throughout the area focused our interests on photo audit as the most reliable and lucid verification method. The implementation of established standards at final selling point is the main factor in optimization of sales. Constructing of authorial systems utilizing the concept of photo audit satisfies a burning of the market. The system analyzes photographs obtained from selling points and checks if they meet parameters given by patrons, see (Rosebrock, 2016). To create the final system with maximal possible automatization of the analyzing of photographs and minimal human participation in the process of analyzing is a particular challenge, see (Liu, Anguelov, 2016). Research done by PRO Business Solutions IT in the period September 2017 – December 2018, as a part of R+D Project had had several intended objectives: first-to collect knowledge on photo audit, accumulated inside and outside the organization, and re-forging it into efficient method of operation (smart reporting); second-experimental testing of the ideas for possible increasing efficiency and quality of audits (double verification, teaching system, image recognition); third-experimental testing of the new methods of service (crowdsourcing, automated expert advice). This paper summarizes results of the research and its main conclusions.

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Techniczny : Gazeta Inżynierska
• Rocznik: 2020
• Tom: nr 12-13
• Strony: 16--25
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Szyjewski Kamil

Bibliografia

• Brownlee, J., 6 Aug 2019, How To Improve Deep Learning Performance, https://machinelearningmastery.com/improve-deep-learning-performance/(25.01.2020)
• Bug Labs. Inc., freeboard – Dashboards For the Internet Of Things, https://freeboard.io (25.01.2020)
• Coursera Inc., https://www.coursera.org/lecture/convolutional-neural-networks/object-localization-nEeJM (25.01.2020)
• DbFace, https://www.dbface.com/ (25.01.2020)
• GitHub, GitHub – Apereo-Learning-Analitics-Initiative, https://github.com/Apereo-Learning-Analytics-Initiative/OpenDashboard(25.01.2020)
• Hello! I’m Data Ninja – Author at Codecanyon.net, https://dataninjaatcodecanyon.wordpress.com/ (25.01.2020)
• Hian-Kun Tenn, 14 Nov 2014, OpenCV ORB feature matching, https://www.youtube.com/watch?v=j2fLqKvbgpM (25.01.2020)
• https://towardsdatascience.com/understanding-random-forest-58381e0602d2 (25.01.2020)
• Metricio, Metricio – Dashboards for teams built with React and Node,https://metricio.co/ (25.01.2020)
• Microsoft, https://powerbi.microsoft.com/en-us/ (25.01.2020)
• Olafenwa, J., 26 Feb 2018, Components of convolutional neural networks,https://towardsdatascience.com/components-of-convolutional-neural-networks-6ff66296b456 (25.01.2020)
• 1 Apr 2013, OPENCV: SURF detection against a database of 20000 images, https://www.youtube.com/watch?v=kbYDjBa3Lyk (25.01.2020)
• Rosebrock, A., 7 Nov 2016, Intersection over Union (IoU) for object detection, https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection (25.01.2020)
• Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun, 6 Jan 2016, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, https://arxiv.org/abs/1506.01497 (25.01.2020)
• Stack Overflow, 10 Aug 2018, SSD anchors in Tensorflow detection API, https://stackoverflow.com/questions/51742805/ssd-anchors-in-tensorflow-detection-api (25.01.2020)
• Tong Yang, Xiangyu Zhang, Zeming Li, Wenqiang Zhang, Jian Sun, MetaAnchor: Learning to Detect Objects with Customized Anchors
• Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg 29 Dec 2016, SSD: Single Shot MultiBox Detector, https://arxiv.org/abs/1512.02325

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).