JP2021189598A - 発注管理装置及び発注管理方法 - Google Patents

Abstract

【課題】物品の組み合わせに対する画像認識の誤認識率を低減する。【解決手段】発注管理装置は、発注候補の物品を含み、前記発注候補の物品の発注後に画像認識の対象となる複数の物品の情報を取得する入力回路と、複数の物品に含まれる２以上の異なる物品について、画像認識が行われる際に同一の物品であると誤認識される可能性を示す指標を、前記画像認識における前記複数の物品の類似度に関する情報に基づいて決定する決定回路と、決定した前記指標に関する情報を出力する出力回路と、を具備する。【選択図】図１

Description

本開示は、発注管理装置及び発注管理方法に関する。

スーパーマーケット又はコンビニエンスストアといった小売店の店舗において、画像認識によって商品を特定し、精算する方法が検討されている（例えば、特許文献１又は２を参照）。

特開２０１３−１０９５３９号公報 特開２０１８−０５５７１６号公報

しかしながら、物品の組み合わせに対する画像認識の誤認識率を低減する方法については改善の余地がある。特に、物品を発注しようとする時点から誤認識を予防する方法については、従来は検討されてきていない。

本開示の非限定的な実施例は、物品の組み合わせに対する画像認識の誤認識率を低減できる発注管理装置及び商品管理方法の提供に資する。

本開示の一実施例に係る発注管理装置は、発注候補の物品を含み、前記発注候補の物品の発注後に画像認識の対象となる複数の物品の情報を取得する入力回路と、前記複数の物品に含まれる２以上の異なる物品について、前記画像認識が行われる際に同一の物品であると誤認識される可能性を示す指標を、前記画像認識における前記複数の物品の類似度に関する情報に基づいて決定する制御回路と、決定した前記指標に関する情報を、前記発注候補の物品の発注前に出力する出力回路と、を具備する。

なお、これらの包括的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム、または、記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。

本開示の一実施例によれば、物品の組み合わせに対する画像認識の誤認識率を低減できる。

本開示の一実施例における更なる利点および効果は、明細書および図面から明らかにされる。かかる利点および／または効果は、いくつかの実施形態並びに明細書および図面に記載された特徴によってそれぞれ提供されるが、１つまたはそれ以上の同一の特徴を得るために必ずしも全てが提供される必要はない。

商品管理システムの構成例を示す図 類似度の算出例を示す図 商品管理システムの動作例を示すフローチャート 商品選択処理に関する表示画面の一例を示す図 誤認識リスクの表示例を示す図 誤認識リスクの表示例を示す図 商品変更処理に関する表示例を示す図 商品変更処理に関する表示例を示す図 商品変更前後における誤認識リスクの表示例を示す図 最適化学習処理に関する表示例を示す図 コンピュータのハードウェア構成例を示す図

以下、本開示の各実施の形態について図面を参照して詳細に説明する。

例えば、小売店の店舗に設置される精算台（又は、レジスタ）において、画像認識によって商品を認識し、認識した商品に対する精算を自動的に行うシステムが検討されている。画像認識による商品精算の自動化により、例えば、客の回転率の増加、又は、店員の作業量の低減によってコストカットの効果が期待される。

その一方で、精算時の画像認識において商品の誤認識が発生する可能性がある。精算時に商品の誤認識が発生すると、例えば、客又は店員による手作業の処理が発生し得るため、上述したコストカット効果が低減する可能性がある。また、例えば、客が精算する商品の価格よりも、誤認識された別の商品の価格が低い場合、客が商品の誤認識を修正せずにそのまま精算すると、店舗の売上げに影響を与え得る。

例えば、精算時における商品の誤認識発生を抑制する方法として、誤認識が発生した精算場所（例えば、店舗の精算台）の画像データ（例えば、商品画像又は背景画像を含む）に基づく商品の画像認識モデル（以下、「認識モデル」とも呼ぶ）を再構築し、テストデータによる認識モデルの評価を行う方法が挙げられる。この方法により、例えば、店舗の環境に応じた認識モデルが構築され、画像認識の精度を向上し得る。

しかしながら、店舗において取り扱う商品数は、例えば、数千、数万点といった膨大な数が想定され得る。また、画像認識において商品の誤認識が発生するリスク（以下、「誤認識リスク」と呼ぶ）は、商品の組み合わせによって異なり得る。そのため、例えば、認識モデルの再構築及び評価におけるテストデータの収集及び作成には長時間を要する可能性が高く、認識モデルの評価が完了するまでの間は、精算時の商品の誤認識リスクを低減できない可能性がある。

また、例えば、店員又は店舗のオーナーといった人が商品の画像に基づいて誤認識リスクを判断する方法もあり得る。しかしながら、人の目で見た商品画像の感覚と、画像認識の結果とが一致するとは限らない。また、店員又は店舗のオーナーといった画像認識の技術知識を十分に有さない人が画像認識における誤認識リスクを判定できない可能性がある。

そこで、本開示の一実施例では、商品の誤認識リスクを判定し、精算時の商品の誤認識を抑制する方法について説明する。

（実施の形態１）
［商品管理システムの構成］
図１は、本実施の形態に係る商品管理システム１の構成例を示す図である。

図１に示す商品管理システム１は、例えば、サーバ１０、及び、店舗システム２０を含む。店舗システム２０は、例えば、店舗毎に構成されてよい。

サーバ１０と店舗システム２０とは、例えば、無線ネットワーク又は有線ネットワークといった通信ネットワークを介して接続されてよい。サーバ１０は、店舗内に設置されてもよいし、店舗外に設置されてもよい。

［サーバの構成例］
図１に示すサーバ１０は、例えば、商品データベース（DB：Database）１０１、モデル学習部１０２、類似度算出部１０３、背景合成部１０４、及び、記憶部１０５を備えてよい。

商品ＤＢ１０１は、例えば、店舗において取り扱い得る商品に関する情報を記憶する。商品に関する情報には、例えば、商品を識別する情報（例えば、商品名又は商品ＩＤ）、商品の価格に関する情報、及び、商品画像データが含まれてよい。

モデル学習部１０２は、例えば、商品ＤＢ１０１に記憶された商品に関する情報に基づいて、商品のモデル学習を行ってよい。また、モデル学習部１０２は、例えば、背景合成部１０４から入力される商品画像データ（例えば、背景画像データが合成された商品画像データ）に基づいて、商品モデルの学習を行ってよい。モデル学習部１０２は、例えば、モデル学習によって得られる認識モデル（以下、学習済みモデルとも呼ぶ）を記憶部１０５へ出力してよい。

類似度算出部１０３は、例えば、商品ＤＢ１０１に記憶された商品画像データに基づいて、異なる商品間の類似度を算出（又は決定）してよい。類似度算出部１０３は、例えば、算出した類似度に関する情報（以下、類似度モデルとも呼ぶ）を記憶部１０５へ出力してよい。

ここで、類似度算出部１０３において算出される商品の類似度には、例えば、商品に関する特徴ベクトル間の類似度（例えば、コサイン類似度）が適用されてよい。なお、商品の類似度は、コサイン類似度に限定されず、他の類似度が適用されてもよい。商品の類似度は、例えば、０〜１の範囲で表されてよく、商品が類似するほど、類似度がより大きくてよい。

また、例えば、類似度算出部１０３は、図２に示すように、商品ＤＢ１０１に記憶された複数の商品のうち、同様のカテゴリ（例えば、お弁当、パン、ドリンク、日用品、又は、雑誌といったカテゴリ）に属する商品間の類似度を算出してもよい。換言すると、類似度算出部１０３は、例えば、商品ＤＢ１０１に記憶された複数の商品のうち、異なるカテゴリに属する商品間の類似度を算出せずに、類似度を０に設定してよい。この類似度の算出方法により、類似度の算出処理を低減できる。

背景合成部１０４は、例えば、商品ＤＢ１０１に記憶された商品画像データと、記憶部１０５から入力される背景画像データとを合成してよい。背景合成部１０４は、背景合成後の商品画像データをモデル学習部１０２へ出力してよい。

記憶部１０５は、例えば、モデル学習部１０２から入力される学習済みモデル、類似度算出部１０３から入力される類似度モデル、及び、店舗システム２０から送信される背景画像データを記憶してよい。

［店舗システムの構成例］
図１に示す店舗システム２０は、例えば、在庫ＤＢ２０１、記憶部２０２、発注商品選択部２０３、誤認識リスク判定部２０４、誤認識リスク表示部２０５、商品認識部２０６、及び、背景取得部２０７を備えてよい。

なお、図１において、発注商品選択部２０３、誤認識リスク判定部２０４（例えば、制御回路に相当）、及び、誤認識リスク表示部２０５（例えば、出力回路に相当）は、例えば、商品の発注処理を行う商品発注システムに含まれてよい。また、発注商品選択部２０３、誤認識リスク判定部２０４、及び、誤認識リスク表示部２０５は、例えば、発注管理装置３０を構成してよい。

また、図１において、商品認識部２０６、及び、背景取得部２０７は、例えば、精算時における商品の認識処理を行う商品認識システムに含まれてよい。

在庫ＤＢ２０１は、例えば、店舗システム２０を備える店舗における商品の在庫に関する情報を記憶してよい。

記憶部２０２は、例えば、発注商品選択部２０３から入力される、発注商品に関する情報（以下、発注リストとも呼ぶ）、及び、在庫商品に関する情報（以下、在庫リストとも呼ぶ）を記憶してよい。

発注商品選択部２０３は、例えば、商品ＤＢ１０１に記憶された商品に関する情報、及び、在庫ＤＢ２０１に記憶された在庫商品に関する情報に基づいて、発注商品（発注候補の商品）を選択してよい。発注商品選択部２０３は、例えば、発注担当者又は店舗のオーナーといったユーザの操作によって、発注商品及び発注数を決定してもよい。または、発注商品選択部２０３は、例えば、商品の在庫数（または、欠品数）に応じて発注商品及び発注数を決定してもよい。

発注商品選択部２０３は、例えば、選択した発注商品に基づいて、発注リスト及び在庫リストを記憶部２０２に出力してよい。また、発注商品選択部２０３は、例えば、後述する誤認識リスクの判定結果に基づいて、発注商品を変更してよい。換言すると、発注商品選択部２０３は、記憶部２０２に記憶された発注リスト及び在庫リストを更新してよい。

誤認識リスク判定部２０４は、例えば、記憶部２０２に記憶された発注リストに含まれる商品（例えば、発注候補の商品（以下、発注商品候補と呼ぶ））に対する誤認識リスクを判定（又は決定）してよい。例えば、誤認識リスク判定部２０４は、サーバ１０に記憶された類似度モデルに基づいて、複数の商品（例えば、発注リスト及び在庫リストそれぞれに含まれる商品）において、少なくとも一つの発注商品候補を含む商品ペア（又は、商品の組み合わせ）に対する画像認識の精度に関する指標（以下、単に「誤認識リスク」と呼ぶ）を判定してよい。

誤認識リスク表示部（又は出力部）２０５は、例えば、誤認識リスク判定部２０４において判定された誤認識リスクに関する情報を表示（又は出力）してよい。誤認識リスク表示部２０５における誤認識リスクの表示方法の一例については後述する。

商品認識部２０６は、例えば、店舗の客が精算（例えば、購入）する商品を画像認識してよい。例えば、商品認識部２０６は、例えば、精算台といった精算時に画像認識が行われる場所に存在する商品をカメラ（図示せず）によって撮像される商品画像データを取得してよい。そして、商品認識部２０６は、例えば、サーバ１０に記憶された商品の学習済みモデルに基づいて、商品画像データに対応する商品を認識してよい。

背景取得部２０７は、例えば、商品認識部２０６による画像認識が行われる場所（例えば、精算台）における商品を含まない画像データ（例えば、背景画像データ）を取得する。例えば、背景取得部２０７は、発注管理装置３０からの指示に基づいて背景画像データを取得してよい。そして、背景取得部２０７は、取得した背景画像データをサーバ１０へ送信する。

［商品管理システムにおける動作例］
次に、上述した商品管理システム１における動作の一例について説明する。

図３は、商品管理システム１の動作例を示すフローチャートを示す図である。

図３において、発注管理装置３０は、例えば、発注商品（例えば、発注商品候補を選択してよい（Ｓ１０１）。発注商品候補は、例えば、ユーザ（例えば、発注担当者）によって選択されてよい。この場合、発注管理装置３０は、例えば、発注可能な商品に関する情報を示す画像を表示部（図１において図示せず）に表示し、ユーザの選択を待機してよい。

図４は、発注商品選択時の表示画面の一例を示す図である。図４に示す画面には、例えば、商品画像、商品名、在庫数、及び、発注数が示されてよい。ユーザは、例えば、図４に示す商品画像、商品名および在庫数に基づいて、新規発注数を入力してよい。なお、発注商品の選択において表示される商品に関する情報は、図４に示す情報に限らず、他の情報でもよい。

また、図４に示す画面には、例えば、発注処理を開始するボタン（例えば、「発注ボタン」と呼ぶ）が含まれてよい。発注管理装置３０は、例えば、ユーザによる発注ボタンの押下を検知すると、選択された発注商品の発注処理を開始してよい。

また、図４に示す画面には、例えば、発注商品候補に対する誤認識リスクの判定処理を開始するボタン（例えば、「誤認識リスク確認ボタン」と呼ぶ）が含まれてよい。発注管理装置３０は、例えば、ユーザによる誤認識リスク確認ボタンの押下を検知すると、発注商品候補に対する誤認識リスクの判定処理を行ってよい。

例えば、図３において、発注管理装置３０は、誤認識リスク確認を実施するか否かを判断する（Ｓ１０２）。例えば、発注管理装置３０は、上述した図４に示す誤認識リスク確認ボタンがユーザによって押下されたか否かに基づいて、誤認識リスク確認を実施するか否かを判断してよい。

誤認識リスク確認を実施する場合（Ｓ１０２：Ｙｅｓ）、発注管理装置３０は、例えば、誤認識リスクに関する処理（例えば、提示、商品変更）を行ってよい（例えば、Ｓ１０３〜Ｓ１０５の処理）。また、誤認識リスク確認を実施しない場合（Ｓ１０２：Ｎｏ）、発注管理装置３０は、例えば、最適化学習に関する処理を行ってよい（例えば、Ｓ１０６〜Ｓ１１０の処理）。詳細は後述するが、最適化学習とは、実環境に合わせて、特定の商品の認識精度を向上させる学習を行う処理である。なお、誤認識リスク確認を実施しない場合とは、例えば、図４に示すように、発注管理装置３０が、発注リストの表示画面において、ユーザによる「発注」ボタンの押下を検知した場合でもよい。

［誤認識リスクに関する処理］
発注管理装置３０は、例えば、発注商品候補と他の商品との間の類似度を取得してよい（Ｓ１０３）。発注管理装置３０は、例えば、発注商品候補及び在庫商品を含む複数の商品において、発注商品候補を少なくとも一つ含む商品ペアの類似度を、サーバ１０から取得してよい。

図３において、発注管理装置３０は、例えば、誤認識リスクを判定し、誤認識リスクの判定結果を表示してよい（Ｓ１０４）。

発注管理装置３０は、例えば、取得した商品の類似度に基づいて、誤認識リスクを判定してよい。例えば、発注管理装置３０は、０〜１の範囲の類似度に１００を乗算した値を誤認識リスク（［％］）に設定してよい。なお、誤認識リスクの判定方法は、この方法に限定されない。

図５（ａ）、図５（ｂ）及び図５（ｃ）は、誤認識リスクの表示方法の一例を示す図である。

図５（ａ）は、誤認識リスクをリスト形式で表示する例（例えば、「リスト型」と呼ぶ）である。図５（ａ）に示すように、各発注商品候補（例えば、商品XXXX及び商品1234）に対して、他の商品との誤認識リスクがそれぞれ表示されてよい。

図５（ｂ）は、誤認識リスクをマトリクス形式で表示する例（例えば、「マトリクス型」と呼ぶ）である。ここで、図５（ｂ）では、縦軸と横軸それぞれの目盛りに商品を対応付け、その交点において各商品の組み合わせの誤認識リスクを表示している。すなわち、マトリクス型では、各発注商品候補と他の商品とのペアがマトリクスにおける各セルとして表されてよい。

図５（ｃ）は、誤認識リスクをグラフ形式で表示する例（例えば、「グラフ型」と呼ぶ）である。図５（ｃ）に示すように、発注商品候補を含む複数の商品（図５（ｃ）では、例えば、商品A〜F）を示すノード（円状の部分）について、例えば、誤認識リスクが閾値以上の商品間を線で接続して表されてよい。また、誤認識リスクが閾値以上の商品に限らず、全ての商品の間を線で接続して表示してもよい。この場合、誤認識リスクの高低を線の態様（色、太さ、形状など）を変えることで区別して表してもよい。

なお、図５（ａ）、図５（ｂ）及び図５（ｃ）において、規定された閾値以上の誤認識リスクが算出された商品ペアは、強調表示されてもよい。また、例えば、図５（ａ）に示すように、発注商品候補との誤認識リスクが高い類似商品ほど、表示順序が早くてもよい。また、文字の色を類似度に応じて変更することで直感的に類似度の高低を把握し易くしてもよい。また、例えば、図５（ｂ）又は図５（ｃ）に示すように、誤認識リスクに応じて、表示形態（例えば、色、形状、線の太さ、又は、サイズ）を変更してもよい。図５（ｂ）では、横軸の商品と縦軸の商品との交点に位置するセルに、その商品の組み合わせの誤認識リスクが色として表示されている。また、図５（ｃ）では、各商品を示すノードについて、接続されている商品との間の誤認識リスクの合計値の大きさに応じて色を変えて表示している。これにより、変更または削除が、誤認識リスクの低減に繋がり易い商品を視覚的に認識できる。

なお、各商品を示すノードに、各商品それぞれから見た他の商品との誤認識リスクのうち、最も高い誤認識リスクを反映したり、ノード間を繋ぐ線の態様（色、太さ、形状など）を変更したりする形で誤認識リスクを強調してもよい。この場合、誤認識リスクの高い商品の組み合わせを認識し易くなるため、複数の商品の除外または変更を検討する場合に有益である。また、リスト型、マトリクス型、グラフ型のどれを使用するかを切り換え可能にしたり、同一の表示形態の中で強調表示の態様を切り換え可能にしたりしてもよい。

図５（ａ）、図５（ｂ）又は図５（ｃ）に示す誤認識リスクの表示により、ユーザは、例えば、誤認識リスクの高い商品ペア（例えば、誤認識リスクが閾値以上の商品ペア）を網羅的に確認可能である。

また、図５（ａ）に示すリスト型の表示では、図５（ａ）に示すように各商品についての誤認識リスクを詳細に表示することができる。また、結果を文字列として列挙するため、出力結果が得られるまでの時間も短くて済む。

また、図５（ｂ）に示す誤認識リスクのマトリクス型の表示により、ユーザは、例えば、後述する商品変更処理における変更対象の商品を選択しやすくなる。また、マトリクス型の表示では、誤認識リスクが高い商品から比較的低い商品まで各誤認識リスクを網羅的に確認することができる。

また、図５（ｃ）に示す誤認識リスクのグラフ型の表示により、誤認識リスクの高い商品間の関連性を容易に確認することができる。また、グラフ型の表示により、ユーザは、例えば、店舗に陳列される商品群（例えば、発注商品及び在庫商品）のうち、他の商品と誤認識されやすい商品（換言すると、認識精度のボトルネックになる商品）を直感的に確認できる。例えば、図５（ｃ）の例では、商品Ａは、４個の他の商品Ｂ，Ｃ，Ｄ及びＥ（例えば、在庫商品）との間の誤認識リスクが閾値以上であり、商品Ｆは、２個の他の商品Ｄ及びＥとの間の誤認識リスクが閾値以上である例を示す。例えば、図５（ｃ）では、ユーザは、商品Ａがボトルネックになる商品になり得ると判断可能になる。

また、誤認識リスクの表示において、発注管理装置３０は、例えば、誤認識リスクが閾値以上の商品ペアを表示してもよい。換言すると、発注管理装置３０は、例えば、誤認識リスクが閾値未満の商品ペアを非表示としてもよい。または、発注管理装置３０は、例えば、誤認識リスクが閾値未満の商品ペアを弱表示してもよい。弱表示の例としては、表示の色を薄くしたり、表示に線が含まれていれば弱表示すべき部分を破線等にしたりすることが考えられる。

図６（ａ）、図６（ｂ）及び図６（ｃ）は、一例として、リスト型、マトリクス型及びグラフ型のそれぞれの表示形式において、誤認識リスクが４０％以上（換言すると、閾値=４０％）の商品ペアを表示する場合を示す図である。これにより、発注管理装置３０は、例えば、店舗で取り扱う商品数が多い場合でも、誤認識リスクが閾値未満の商品を表示せずに、誤認識リスクが閾値以上の商品を表示するので、誤認識リスクの表示におけるユーザの視認性を向上できる。なお、この閾値はユーザの選択に応じて設定可能としたり、全商品ペアの誤認識リスクの平均値や中央値などを用いたりしてもよい。前者の場合は、ユーザの意図を正確に把握することができ、後者の場合は各商品ペアの誤認識リスクが相対的に高いか否かを把握することができる。

図３において、発注管理装置３０は、例えば、誤認識リスクが閾値以上の商品ペアに含まれる発注商品候補に対する発注を制御してよい（Ｓ１０５）。発注制御には、例えば、複数の商品の類似度に基づく商品変更処理、又は、発注とりやめ処理が含まれてよい。発注管理装置３０は、例えば、商品変更処理を、ユーザの選択操作に基づいて行ってもよく（換言すると、手動処理）、自動的に行ってもよい（換言すると、自動処理）。

以下、発注管理装置３０における商品変更処理の一例について説明する。

例えば、商品変更の手動処理の例について説明する。図７（ａ）、図７（ｂ）及び図７（ｃ）は、商品変更処理に関する表示画面の一例を示す図である。

例えば、ユーザは、図７（ａ）に示す誤認識リスクの表示画面（一例として、グラフ型）において、商品Ａを選択する。この場合、発注管理装置３０は、例えば、図７（ｂ）に示すように、商品Ａに関する情報（例えば、商品名、在庫数、及び、新規発注数）、及び、商品変更に関する処理を開始するボタン（例えば、類似商品検索ボタン、及び、とりやめボタン）を表示してよい。

図７（ｂ）において、発注管理装置３０は、例えば、ユーザによる類似商品検索ボタンの押下を検知すると、商品Ａに類似する商品（以下、類似商品と呼ぶ）に関する情報を表示してよい。類似商品は、例えば、発注商品候補との類似度が閾値以上の商品でよい。また、類似商品（図７（ｃ）では、商品ＡＡ、商品ＡＢ、商品Ａ’）に関する情報には、例えば、商品名、在庫数、新規発注数、及び、誤認識リスクを示す情報が含まれてよい。また、図７（ｃ）には、変更対象の商品Ａに関する情報も表示されてよい。

ユーザは、例えば、商品Ａ、及び、商品Ａの類似商品の中から、発注する商品を選択してよい。図７（ｃ）に示す例では、商品Ａの代わりに、誤認識リスクが２０（例えば、図７（ｃ）において最小の誤認識リスク）である商品ＡＡが選択される。発注管理装置３０は、例えば、図７（ｃ）において、ユーザによる選択に基づいて、商品Ａから、商品Ａに類似する商品ＡＡへの発注商品候補の変更を決定する。

また、図７（ｂ）において、発注管理装置３０は、ユーザによるとりやめボタンの押下を検知すると、例えば、商品Ａの発注とりやめの処理を行ってよい（図示せず）。例えば、発注管理装置３０は、発注商品候補（例えば、発注リスト）から、とりやめ対象の商品を除いてよい。

なお、図７（ｂ）において、発注管理装置３０は、ユーザによるとりやめボタンの押下を検知した場合、例えば、とりやめ対象の商品と異なる他の発注商品候補における誤認識リスク（例えば、最も高い誤認識リスク）を表示してもよい。

このように、発注管理装置３０は、誤認識リスクが閾値以上の商品、及び、当該商品の類似商品それぞれの誤認識リスクを表示する。誤認識リスクの表示により、ユーザは、例えば、誤認識リスクがより低い商品への変更、又は、発注のとりやめを選択できる。これにより、店舗に陳列される商品群の発注において、誤認識リスクの高い商品の発注を抑制できる。換言すると、精算時の画像認識における誤認識リスクの低い商品群の提供が可能になる。よって、例えば、客による精算時における商品の誤認識を低減できる。

次に、例えば、商品変更の自動処理の例について説明する。図８（ａ）及び図８（ｂ）は、商品変更の自動処理の一例を示す図である。

例えば、発注管理装置３０は、図８（ａ）に示すように、誤認識リスクの表示画面（一例として、グラフ型）において、変更対象商品に対する類似商品の自動選択における優先事項をユーザに選択させるボタンを表示してよい。図８（ａ）では、一例として、誤認識リスクを優先的に低減する類似商品の選択を行う「誤認識リスク優先」ボタン、商品の売り上げを優先的に向上する類似商品の選択を行う「売上優先」ボタン、及び、在庫がある商品を優先的に選択する類似商品の選択を行う「在庫優先」ボタンが表示される。なお、類似商品の自動選択における優先事項は、図８（ａ）に示す事項に限定されず、他の事項でもよい。

例えば、発注管理装置３０は、発注商品候補のうち、変更する商品と、変更しない商品とを特定してよい。例えば、ユーザは、発注する商品（換言すると、発注リストに残したい商品）を選択してよい。図８（ａ）では、一例として、ユーザは、商品Ａ、Ｃ及びＦを発注する商品に選択する。換言すると、図８（ａ）では、ユーザは、商品Ｂ，Ｄ及びＥの変更を選択する。

また、ユーザは、例えば、図８（ａ）において、３つの優先事項に関するボタンの何れかを選択してよい。

発注管理装置３０は、ユーザの選択内容に基づいて、商品変更を行ってよい。例えば、図８（ａ）において、発注商品に、商品Ａ、Ｃ及びＦが選択された場合、発注管理装置３０は、選択されない商品Ｂ、Ｄ及びＥの変更処理を行ってよい。例えば、図８（ｂ）では、発注管理装置３０は、商品Ｂ、Ｄ及びＥそれぞれを、類似商品Ｂ’、ｄ及びＥ２に変更する。

一例として、発注管理装置３０における、上述した商品Ｅから商品Ｅ２への変更処理の例について説明する。発注管理装置３０は、例えば、複数の商品から、商品Ｅの類似商品を少なくとも一つ抽出してよい。また、発注管理装置３０は、例えば、抽出した類似商品のうち、商品Ｅとの間で誤認識リスクが閾値以上の発注商品候補（図８（ａ）では商品Ａ及びＦ）と、抽出した類似商品との間の誤認識リスクが閾値未満の類似商品を抽出してよい。また、発注管理装置３０は、類似商品として、誤認識リスクが閾値未満になるか否かにかかわらず、商品Ｅより誤認識リスクが下がる商品を抽出してよい。閾値の設定が厳しすぎる場合など、実用上は、閾値以上の誤認識リスクがあっても問題が少ない場合もあるためである。また、発注管理装置３０は、誤認識リスクが商品Ｅより下がる商品すべてを抽出した上で、誤認識リスクが閾値以上のものと閾値未満のものを区別して表示してもよい。

そして、発注管理装置３０は、例えば、抽出した類似商品の中から、ユーザが選択した優先事項に基づいて、変更後の商品Ｅ２を決定してよい。例えば、「誤認識リスク優先」の場合、発注管理装置３０は、抽出した類似商品のうち、誤認識リスクが最小の類似商品を変更後の商品に決定してよい。また、例えば、「売上優先」の場合、発注管理装置３０は、抽出した類似商品のうち、売り上げ（例えば、販売価格又は利益）が最大となる類似商品を変更後の商品に決定してよい。また、例えば、「在庫優先」の場合、発注管理装置３０は、抽出した類似商品のうち、店舗の在庫に含まれる類似商品を変更後の商品に決定してよい。

また、発注管理装置３０は、例えば、誤認識リスクが閾値以上の発注商品候補に対する発注変更前後における誤認識リスクの変化を表示してよい。図９は、商品変更前後における誤認識リスクに関する情報を表示する画面の一例を示す図である。

図９に示すように、発注管理装置３０は、例えば、商品変更前後の商品群における誤認識リスクが閾値以上の商品ペアを表示してよい。図９に示すグラフ型の誤認識リスク表示には、例えば、商品変更前後の双方で選択された商品（例えば、「共通商品」と呼ぶ）、商品変更処理において発注リストから除かれた商品（例えば、「変更前に採用の商品」と呼ぶ）、及び、商品変更処理において発注リストに加えられた商品（例えば、「変更後に採用の商品」と呼ぶ）が含まれてよい。なお、この場合、発注管理装置３０は、共通商品と変更後に採用の商品とを区別可能な表示形態で表示してもよい。具体的には、色、形状、線の太さ、又は、サイズなどのうち、誤認識リスクの表示に用いているもの以外のいずれかについて、差を設ければよい。このようにすることで、発注リストの変更によって変わった商品およびその変更に伴う誤認識リスクの変化を容易に認識することができる。

また、本実施の形態では、最適化学習を行うか否かはユーザの選択に応じて決定しているが、誤認識リスクが閾値以上の商品を発注しようとする場合には、最適化学習を行った後でなくては発注できないように制御してもよい。このようにすることで、誤認識リスクをより確実に低減することができる。

また、図９に示すように、発注管理装置３０は、例えば、商品変更前後それぞれにおける誤認識リスクの総和（例えば、「総リスク」と呼ぶ）、及び、統計（例えば、誤認識リスクの値と頻度との関係）を表示してよい。

図９に示す表示画面により、商品変更前後における誤認識リスクの低減が可視化され、ユーザは、商品変更による誤認識リスクの低減を確認可能になる。

なお、図９は、商品変更前及び商品変更後の双方の誤認識リスクを表示する例を示すが、これに限定されず、例えば、商品変更前及び商品変更後の何れか一方の誤認識リスクが表示されてもよい。例えば、商品変更前の誤認識リスクの表示画面と、商品変更後の誤認識リスクの表示画面とを切り替え可能なボタンが表示されてもよい。

また、図９に示す、複数の商品間の誤認識リスクに関する表示（図９ではグラフ型）、及び、誤認識リスクの総和又は統計値の表示の何れか一方が表示されてもよい。

また、複数の商品間の誤認識リスクに関する表示（図９ではグラフ型）、及び、誤認識リスクの総和又は統計値の表示は、図９に示す例に限定されない。

［最適化学習に関する処理］
上述したように、発注管理装置３０は、例えば、図１０（ａ）に示すように、発注リストの表示画面において、ユーザによる「発注」ボタンの押下を検知した場合に、最適化学習に関する処理を行ってよい。

図３において、発注管理装置３０は、例えば、発注商品と、他の商品との間の類似度を取得してよい（Ｓ１０６）。発注管理装置３０は、例えば、発注商品及び在庫商品を含む複数の商品において、発注商品を含む商品ペアの類似度を、サーバ１０から取得してよい。

発注管理装置３０は、例えば、取得した類似度が閾値以上の商品ペアが存在するか否かを判断する（Ｓ１０７）。類似度が閾値以上の商品ペアが存在しない場合（Ｓ１０７：Ｎｏ）、発注管理装置３０は、例えば、後述するＳ１１０の処理を行う。

その一方で、類似度が閾値以上の商品ペアが存在する場合（Ｓ１０７：Ｙｅｓ）、発注管理装置３０は、類似度が閾値以上の商品ペアに含まれる発注商品に対して最適化学習を実施するか否かを判断する（Ｓ１０８）。発注管理装置３０は、例えば、図１０（ｂ）に示すように、最適化学習を実施するか否かをユーザが選択可能な画面を表示し、検知したユーザの選択（図１０（ｂ）では、最適化学習の実施を選択）に基づいて、最適化学習を実施するか否かを判断してよい。

最適化学習を実施しない場合（Ｓ１０８：Ｎｏ）、発注管理装置３０は、例えば、後述するＳ１１０の処理を行う。その一方で、最適化学習を実施する場合（Ｓ１０８：Ｙｅｓ）、発注管理装置３０は、例えば、商品（例えば、前景に相当）に対する背景画像データに関する情報をサーバ１０へ送信する（Ｓ１０９）。

背景画像データは、例えば、店舗に設置された精算台の商品が置かれていない状態の画像データでもよい。また、背景画像データは、例えば、店舗に設置された複数の精算台それぞれの画像データでもよい。

また、例えば、背景画像データに関する情報には、背景画像データ、及び、最適化学習の対象である発注商品を識別する情報（例えば、商品名又は商品ＩＤ）が含まれてよい。また、例えば、背景画像データに関する情報には、背景画像データに対応する場所（例えば、店舗又は精算台）を識別する情報が含まれてよい。

サーバ１０は、例えば、最適化学習の対象商品の画像データと、発注管理装置３０から送信される背景画像データとを合成して、合成後の商品画像データに基づいて最適化学習（例えば、モデル学習）を行ってよい。

このように、発注管理装置３０は、例えば、誤認識リスクに基づいて、商品ペアに対する画像認識が行われる場所（例えば、精算台）において用いられる背景画像データに基づく商品ペアの最適化学習（例えば、認識モデル学習）を行うか否かを決定してよい。例えば、発注管理装置３０は、誤認識リスクが閾値以上の商品ペアに含まれる発注商品候補を発注する場合、画像認識が行われる場所における商品の何れも含まない背景画像データを取得する。そして、サーバ１０は、背景画像データを用いて、発注商品に対する最適化学習を行ってよい。

最適化学習では、例えば、商品認識システムが商品認識処理を行う店舗の実環境（例えば、商品及び背景を含む画像）に基づく認識モデルが構築されるので、背景を含まない商品の画像による認識モデルと比較して、商品の認識精度を向上できる。また、店舗の背景画像データに基づく認識モデルは、商品の発注時に再構築されるので、客による精算時には、認識精度を向上した認識モデルによって商品の画像認識が可能になるので、商品の誤認識を低減できる。また、背景画像データに対応する場所を識別する情報が併せて記憶されているのであれば、再構築した認識モデルを、その再構築に用いた背景画像データに対応する場所でのみ使用するようにしてよい。再構築した認識モデルは再構築に使ったデータに対応する背景における商品の画像認識に特に良好な結果を示すことが期待されるためである。

なお、サーバ１０は、例えば、店舗の精算台毎の背景画像に基づいて最適化学習を行ってもよく、店舗内の或る精算台の背景画像に基づいた学習済みモデルを、店舗内の上記或る精算台と同様の環境に設置された他の精算台に対する最適化学習に使用（換言すると、流用）してもよい。また、このような条件が満たされる場合、精算台の陰影や照明環境等が類似している傾向があるため、商品の画像認識の結果も、再構築前の認識モデルよりも良好になると期待されるためである。

また、最適化学習の態様は背景画像データを用いるものには限らない。例えば、精算台に置いた物品の背景無しの画像を学習させる形であっても、再構築した認識モデルにその精算台に置いた場合の商品の陰影の情報等が反映されるため、誤認識リスクを低減することができる。すなわち、最適化学習は、画像認識が行われる場所（上記の例では精算台）における画像データを反映した学習を行う形であれば、他の手法であっても構わない。

以上、商品管理システム１の動作例について説明した。

上述したように、発注管理装置３０は、例えば、商品発注のタイミングにおいて、発注商品及び在庫商品を含む店舗の商品群について、誤認識リスクが高い（例えば、閾値以上）の商品ペアをユーザに提示する。これにより、例えば、画像認識の技術知識を十分に有さないユーザでも、発注商品候補の誤認識リスクを確認し、誤認識リスクを低減する商品群を発注可能になる。

よって、本実施の形態によれば、例えば、画像認識の誤認識リスクが低減された商品群を店舗に陳列可能となるので、客による精算時の誤認識を低減できる。また、本実施の形態によれば、例えば、店舗において誤認識リスクが低い商品群の陳列が可能であるので、商品精算のタイミングにおいて認識モデルの再構築及びテストデータによる評価といった処理を行うことなく、精算時の誤認識を低減できる。

なお、商品管理システム１の構成は、図１に示す構成に限定されない。例えば、図１に示すサーバ１０に含まれる構成部の少なくとも一つが発注管理装置３０に備えられてもよい。又は、例えば、図１に示す発注管理装置３０に含まれる構成部の少なくとも一つがサーバ１０に備えられてもよい。例えば、誤認識リスクの判定処理、誤認識リスクの表示画面の生成処理、及び、商品変更処理の少なくとも一つは、サーバ１０において行われてよい。

また、上述した実施の形態では、発注管理装置３０が、誤認識リスクを表示する場合について説明したが、誤認識リスクの出力方法はこれに限定されない。例えば、誤認識リスクに関する情報は、音（例えば、音声）によって出力されてもよく、紙に印刷されてもよい。

また、上述した実施の形態では、誤認識リスクの判定対象（または、画像認識対象）の物品の一例として、店舗に陳列される商品について説明したが、誤認識リスクの判定対象の物品は商品に限定されない。すなわち、本実施の形態の開示内容は、後で画像認識される複数の物品の誤認識リスクを事前に低減することが有益な状況であれば、店舗以外の施設または商品以外の物品にも適用できる。例えば、画像認識によって貸し出す図書を管理する無人図書館などで、貸し出し対象とする本の集合を決定する場合などが想定される。

また、上述した実施の形態では、最適化学習において、店舗における背景画像データがサーバ１０へ送信される場合について説明したが、これに限定されない。例えば、複数の店舗において商品の精算時の背景（例えば、精算台周辺のレイアウト）が同様の場合、各店舗における背景画像データには、或る店舗における背景画像データが流用されてもよい。または、サーバ１０は、背景画像データ（例えば、固定の背景データ）を予め記憶してもよい。この場合、各店舗における背景画像データの取得に関する構成部（例えば、背景取得部２０７）は備えられなくてもよい。また、最適化学習において、店舗で実際の商品が利用できる場合には、実際の精算台に商品を置いた画像画像を撮影し、最適化学習に用いてもよい。この場合、背景画像データと商品画像の合成は省略できる。

以上、本開示に係る実施の形態について図面を参照して詳述してきたが、上述した商品管理システム１の機能は、コンピュータプログラムにより実現され得る。

図１１は、各装置の機能をプログラムにより実現するコンピュータのハードウェア構成を示す図である。このコンピュータ１１００は、キーボード又はマウス、タッチパッド等の入力装置１１０１、ディスプレイ又はスピーカー等の出力装置１１０２、ＣＰＵ（Central Processing Unit）１１０３、ＧＰＵ（Graphics Processing Unit）１１０４、ＲＯＭ（Read Only Memory）１１０５、ＲＡＭ（Random Access Memory）１１０６、ハードディスク装置又はＳＳＤ（Solid State Drive）等の記憶装置１１０７、ＤＶＤ−ＲＯＭ（Digital Versatile Disk Read Only Memory）又はＵＳＢ（Universal Serial Bus）メモリ等の記録媒体から情報を読み取る読取装置１１０８、ネットワークを介して通信を行う送受信装置１１０９を備え、各部はバス１１１０により接続される。

そして、読取装置１１０８は、上記各装置の機能を実現するためのプログラムを記録した記録媒体からそのプログラムを読み取り、記憶装置１１０７に記憶させる。あるいは、送受信装置１１０９が、ネットワークに接続されたサーバ装置と通信を行い、サーバ装置からダウンロードした上記各装置の機能を実現するためのプログラムを記憶装置１１０７に記憶させる。

そして、ＣＰＵ１１０３が、記憶装置１１０７に記憶されたプログラムをＲＡＭ１１０６にコピーし、そのプログラムに含まれる命令をＲＡＭ１１０６から順次読み出して実行することにより、上記各装置の機能が実現される。

上記の実施の形態の説明に用いた各機能ブロックは、典型的には集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。

また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Field Programmable Gate Array）、又は、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。

さらには、半導体技術の進歩又は派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。

また、近年、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）技術において、フィジカル空間とサイバー空間の情報連携により新たな付加価値を作りだすという新しいコンセプトであるＣＰＳ（Ｃｙｂｅｒ Ｐｈｙｓｉｃａｌ Ｓｙｓｔｅｍｓ）が注目されている。上記の実施の形態においても、このＣＰＳコンセプトを採用することができる。

すなわち、ＣＰＳの基本構成として、例えば、フィジカル空間に配置されるエッジサーバと、サイバー空間に配置されるクラウドサーバとを、ネットワークを介して接続し、双方のサーバに搭載されたプロセッサにより、処理を分散して処理することが可能である。ここで、エッジサーバまたはクラウドサーバにおいて生成される各処理データは、標準化されたプラットフォーム上で生成されることが好ましく、このような標準化プラットフォームを用いることで、各種多様なセンサ群やＩｏＴアプリケーションソフトウェアを含むシステムを構築する際の効率化を図ることができる。

上記の実施の形態においては、例えば、エッジサーバは店舗に配置され、商品発注処理、及び、商品の誤認識リスク判定処理を行ってもよい。クラウドサーバは、例えば、ネットワークを介してエッジサーバより受信したデータを用いて、モデル学習を行ってもよい。

また、上記の実施の形態において、例えば、エッジサーバは、商品発注処理を行い、クラウドサーバは、商品の誤認識リスク判定処理を行ってもよい。

本開示の一実施例に係る発注管理装置は、発注候補の物品を含み、前記発注候補の物品の発注後に画像認識の対象となる複数の物品の情報を取得する入力回路と、前記複数の物品に含まれる２以上の異なる物品について、前記画像認識が行われる際に同一の物品であると誤認識される可能性を示す指標を、前記画像認識における前記複数の物品の類似度に関する情報に基づいて決定する制御回路と、決定した前記指標に関する情報を、前記発注候補の物品の発注前に出力する出力回路と、を具備するを具備する。

本開示の一実施例において、前記出力回路は、前記複数の物品それぞれに対応するノードと、前記誤認識される可能性のある物品に対応するノードとを接続したグラフを表示する。

本開示の一実施例において、前記出力回路は、前記複数の物品それぞれについて、他の物品を示す情報と前記他の物品との関係における前記指標の値とを列挙して表示する。

本開示の一実施例において、前記出力回路は、前記複数の物品それぞれを１つの軸に配置し、前記複数の物品それぞれと前記誤認識される可能性のある物品を他の軸に配置し、記複数の物品それぞれと前記誤認識される可能性のある物品に対応するセルに前記指標の値が反映された情報が表示される表を表示する。

本開示の一実施例において、前記出力回路は、複数の前記組み合わせのうち、前記指標が閾値以上の組み合わせを強調表示する。

本開示の一実施例において、前記出力回路は、複数の前記組み合わせのうち、前記指標が閾値以上の組み合わせを表示し、かつ、前記指標が前記閾値未満の組み合わせを非表示あるいは弱調表示とする。

本開示の一実施例において、前記出力回路は、前記発注候補に含まれる第１の物品を、前記第１の物品に類似する第２の物品へ変更した場合における前記指標に関する情報を出力する。

本開示の一実施例において、前記制御回路は、前記類似度に関する情報に基づいて、前記指標が前記第１の物品が自発注候補に含まれている場合よりも下がる前記第２の物品を選択する。

本開示の一実施例において、前記出力回路は、前記第１の物品を前記第２の物品に変更する前における前記指標に関する情報、及び、前記第１の物品を第２の物品へ変更した場合における前記指標に関する情報を出力する。

本開示の一実施例において、前記制御回路は、前記指標、及び、ユーザによる選択の何れかに基づいて、前記第２の商品を決定する。

本開示の一実施例において、前記出力回路は、前記発注候補から、前記発注候補に含まれる第１の物品を除いた場合における前記指標に関する情報を出力する。

本開示の一実施例において、前記出力回路は、前記第１の物品を除く前における前記指標に関する情報、及び、前記第１の物品を除いた場合における前記指標に関する情報を出力する。

本開示の一実施例において、前記出力回路は、前記指標が閾値以上の組み合わせに含まれる物品について、前記物品を発注対象から変更または削除せずに前記発注を行う場合、前記組み合わせに対する画像認識が行われる場所における画像データを基づいて前記組み合わせのモデル学習を行うか否かの決定を求める表示を出力する。

本開示の一実施例において、前記制御回路は、前記モデル学習を行う場合、前記画像認識が行われる場所において用いられる背景画像データを用いて前記組み合わせのモデル学習を行う。

本開示の一実施例に係る発注管理方法において、発注管理装置は、発注候補の物品を含み、前記発注候補の物品の発注後に画像認識の対象となる複数の物品の情報を取得し、前記複数の物品に含まれる２以上の異なる物品について、前記画像認識が行われる際に同一の物品であると誤認識される可能性を示す指標を、前記画像認識における前記複数の物品の類似度に関する情報に基づいて決定し、決定した前記指標に関する情報を、前記発注候補の物品の発注前に出力する。

本開示の一実施例は、商品管理システムに有用である。

１ 商品管理システム
１０ サーバ
２０ 店舗システム
３０ 発注管理装置
１０１ 商品ＤＢ
１０２ モデル学習部
１０３ 類似度算出部
１０４ 背景合成部
１０５，２０２ 記憶部
２０１ 在庫ＤＢ
２０３ 発注商品選択部
２０４ 誤認識リスク判定部
２０５ 誤認識リスク表示部
２０６ 商品認識部
２０７ 背景取得部

Claims (15)

1. 発注候補の物品を含み、前記発注候補の物品の発注後に画像認識の対象となる複数の物品の情報を取得する入力回路と、
   前記複数の物品に含まれる２以上の異なる物品について、前記画像認識が行われる際に同一の物品であると誤認識される可能性を示す指標を、前記画像認識における前記複数の物品の類似度に関する情報に基づいて決定する制御回路と、
   決定した前記指標に関する情報を、前記発注候補の物品の発注前に出力する出力回路と、
   を具備する発注管理装置。
2. 前記出力回路は、前記複数の物品それぞれに対応するノードと、前記誤認識される可能性のある物品に対応するノードとを接続したグラフを表示する、
   請求項１に記載の発注管理装置。
3. 前記出力回路は、前記複数の物品それぞれについて、他の物品を示す情報と前記他の物品との関係における前記指標の値とを列挙して表示する、
   請求項１に記載の発注管理装置。
4. 前記出力回路は、前記複数の物品それぞれを１つの軸に配置し、前記複数の物品それぞれと前記誤認識される可能性のある物品を他の軸に配置し、記複数の物品それぞれと前記誤認識される可能性のある物品に対応するセルに前記指標の値が反映された情報が表示される表を表示する、
   請求項１に記載の発注管理装置。
5. 前記出力回路は、複数の前記組み合わせのうち、前記指標が閾値以上の組み合わせを強調表示する、
   請求項２から請求項４のいずれか一項に記載の発注管理装置。
6. 前記出力回路は、複数の前記組み合わせのうち、前記指標が閾値以上の組み合わせを表示し、かつ、前記指標が前記閾値未満の組み合わせを非表示あるいは弱調表示とする、
   請求項２から請求項５のいずれか一項に記載の発注管理装置。
7. 前記出力回路は、前記発注候補に含まれる第１の物品を、前記第１の物品に類似する第２の物品へ変更した場合における前記指標に関する情報を出力する、
   請求項１に記載の発注管理装置。
8. 前記制御回路は、前記類似度に関する情報に基づいて、前記指標が前記第１の物品が前記発注候補に含まれている場合よりも下がる前記第２の物品を選択する、
   請求項７に記載の発注管理装置。
9. 前記出力回路は、前記第１の物品を前記第２の物品に変更する前における前記指標に関する情報、及び、前記第１の物品を第２の物品へ変更した場合における前記指標に関する情報を出力する、
   請求項８に記載の発注管理装置。
10. 前記制御回路は、前記指標、及び、ユーザによる選択の少なくとも１つに基づいて、前記第２の物品を決定する、
    請求項７に記載の発注管理装置。
11. 前記出力回路は、前記発注候補から、前記発注候補に含まれる第１の物品を除いた場合における前記指標に関する情報を出力する、
    請求項１に記載の発注管理装置。
12. 前記出力回路は、前記第１の物品を除く前における前記指標に関する情報、及び、前記第１の物品を除いた場合における前記指標に関する情報を出力する、
    請求項１１に記載の発注管理装置。
13. 前記出力回路は、
    前記指標が閾値以上の組み合わせに含まれる物品について、前記物品を発注対象から変更または削除せずに前記発注を行う場合、
    前記組み合わせに対する画像認識が行われる場所における画像データを基づいて前記組み合わせのモデル学習を行うか否かの決定を求める表示を出力する、
    請求項１に記載の発注管理装置。
14. 前記制御回路は、前記モデル学習を行う場合、前記画像認識が行われる場所において用いられる背景画像データを用いて前記組み合わせのモデル学習を行う、
    請求項１３に記載の発注管理装置。
15. 発注管理装置は、
    発注候補の物品を含み、前記発注候補の物品の発注後に画像認識の対象となる複数の物品の情報を取得し、
    前記複数の物品に含まれる２以上の異なる物品について、前記画像認識が行われる際に同一の物品であると誤認識される可能性を示す指標を、前記画像認識における前記複数の物品の類似度に関する情報に基づいて決定し、
    決定した前記指標に関する情報を、前記発注候補の物品の発注前に出力する、
    発注管理方法。

Images