NovaScan: كشف الأجسام في الوقت الفعلي لخدمات لوجستيات المستودعات

التحدي

تدير شركة NovaScan Technologies 12 منشأة مستودع عبر الإمارات العربية المتحدة والمملكة العربية السعودية، وتعالج أكثر من 50,000 عنصر مخزون يومياً. كان سير العمل القائم لديهم يتطلب من العمال مسح الرموز الشريطية يدويًا على كل عنصر — وهي عملية أنشأت اختناقات كبيرة خلال ساعات الذروة وكانت عرضة للخطأ البشري.

كانت المشكلة الأساسية ثلاثية الأبعاد: كانت تسميات الرموز الشريطية غالباً تالفة أو غير واضحة، كان المسح يتطلب من العمال التعامل مع كل عنصر على حدة (مما يبطئ الإنتاجية)، ولم تتمكن النظام القائم من تحديد العناصر بدون رمز شريطي. احتاجت NovaScan إلى حل يمكنه تحديد المنتجات بصرياً — حسب الشكل واللون والتغليف ونص التسمية — بدون الاعتماد على الرموز الشريطية.

كانوا قد تحدثوا إلى عدة وكالات واستشارات، لكن معظمها اقترح حلولاً قائمة على السحابة ستتطلب اتصالاً مستمراً بالإنترنت — وهو أمر غير مقبول في بيئات المستودعات ذات الاتصال اللاسلكي غير الموثوق. احتاجوا إلى استدلال على الجهاز يعمل بدون اتصال بالإنترنت، وفي الوقت الفعلي، وعلى أجهزة iPad القياسية المنتشرة بالفعل لدى موظفيهم.

نهجنا

بدأنا بمرحلة اكتشاف مدتها أسبوعان. زار فريقنا منشأتي مستودع في NovaScan، لاحظ سير عمل المسح القائم، وصور أكثر من 3,000 عنصر منتج فريد تحت ظروف إضاءة مختلفة، وأجرى مقابلات مع موظفي المستودع حول نقاط الألم. أثبتت هذه الأعمال الميدانية أنها أخبرت كل قرار تقني جاء بعدها.

بالنسبة لنموذج التعلم الآلي، اخترنا YOLOv8 كبنية أساسية — محسّنة للسرعة بدون المساس بالدقة. قمنا بتدريبها على مجموعة البيانات المجمعة من صور المستودع (معززة إلى 15,000 صورة مع الدورانات وتغييرات الإضاءة والانسدادات الجزئية)، ثم حولنا النموذج إلى تنسيق CoreML للاستدلال على الجهاز على iPad.

تم بناء التطبيق أصلياً في Swift مع SwiftUI. اخترنا الأصلي بدلاً من متعدد المنصات خصيصاً لأداء CoreML: يعمل النموذج على Apple Neural Engine، ومعالجة إطارات الكاميرا بمعدل 30fps مع متوسط وقت استدلال قدره 14ms. يستخدم خط أنابيب الكاميرا AVFoundation للوصول المباشر للأجهزة، مع معالجة إطار مخصصة التي تتخطى الإطارات المكررة لتقليل استهلاك البطارية.

على الجانب الخلفي، بنينا واجهة برمجية Supabase خفيفة الوزن تقوم بمزامنة بيانات المخزون عند توفر الاتصال على جهاز iPad. يعمل التطبيق بالكامل دون اتصال بالإنترنت — المسح والتعرف والتحديثات المحلية للمخزون تحدث دون أي اتصال شبكة. عند توفر اتصال WiFi، يتم مزامنة التغييرات المعلقة في الخلفية.

القرارات التقنية الرئيسية

حجم النموذج مقابل دقة المقارنة: اختبرنا ثلاثة متغيرات من YOLOv8 (nano، small، medium). حققت المتغيرة الصغيرة 96.8% mAP على مجموعة الاختبار الخاصة بنا مع الحفاظ على نموذج CoreML تحت 25MB — وهذا حاسم لبدء التطبيق السريع والبصمة الذاكرة المنخفضة على أجهزة iPad المشتركة في المستودعات.

عتبة الثقة: بدلاً من عرض التنبؤات غير المؤكدة، طبقنا نظام ثقة ثلاثي المستويات. فوق 90%: مطابقة تلقائية (تراكب أخضر). 70-90%: مطابقة مقترحة (تراكب أصفر، اضغط للتأكيد). تحت 70%: بحث يدوي موجه. قلل هذا الأسلوب من الأخطاء في التعرف إلى ما يقرب من الصفر مع الحفاظ على السرعة للمطابقات الواضحة.

تحديثات النموذج المرحلية: بنينا خط أنابيب لتحديث النموذج يسمح لـ NovaScan بإعادة تدريب النموذج شهرياً مع إضافة منتجات جديدة للمخزون. يتم توزيع النماذج المحدثة عبر MDM (إدارة الأجهزة المحمولة) على جميع أجهزة iPad في المستودعات دون الحاجة إلى تحديثات التطبيق من خلال App Store.

النتائج والتأثير

تم إطلاق التطبيق كمشروع تجريبي في مستودعين وحقق نتائج فورية. انخفض وقت المسح اليدوي بنسبة 73% — يستطيع العمال الآن توجيه جهاز iPad نحو رف والتعرف على عدة عناصر في نفس الوقت بدلاً من مسح واحد تلو الآخر. تحسنت دقة المخزون من 94.1% إلى 99.2%، مما قضى على تناقضات المخزون المكلفة.

بعد المشروع التجريبي، طرحت NovaScan التطبيق في جميع المواقع الـ 12 في غضون 60 يوماً. يعالج النظام الآن أكثر من 50,000 تعريف عنصر يومياً عبر شبكتهم. تم تحقيق العائد على الاستثمار في الربع الأول — الانخفاض في تكاليف العمالة للمسح وأخطاء المخزون غطى بالكامل استثمار التطوير.

قامت NovaScan بتعاقدنا لاحقاً للمرحلة الثانية: إضافة رسم خرائط مكاني على مستوى الرف باستخدام تقنية LiDAR على iPad Pro، مما سيتيح الكشف التلقائي عن مستويات المخزون وتنبيهات إعادة الطلب.

الدروس المستفادة

البحث الميداني أمر لا غنى عنه لمشاريع الرؤية الحاسوبية. كشفت زياراتنا لمستودعات العميل عن ظروف الإضاءة واتجاهات العناصر والحالات الحدية التي كان من المستحيل توقعها من المكتب. الأسبوعان اللذان قضيناهما في مرحلة الاكتشاف وفرا ما لا يقل عن شهر من إعادة العمل.

الاعتماد على الوضع غير المتصل بالإنترنت أولاً هو الخيار الافتراضي الصحيح لتطبيقات المؤسسات. حتى في البيئات التي تتمتع بتغطية WiFi، تختلف موثوقية الشبكة. بناء التطبيق مع إعطاء الأولوية للوضع غير المتصل بالإنترنت وإضافة المزامنة لاحقاً أسهل بكثير من إضافة دعم الوضع غير المتصل بالإنترنت لاحقاً إلى تطبيق يعتمد على السحابة.