一、线下终端为何转向图像识别：从人工盘点到可计量陈列

传统便利店与商超的货架巡检，长期依赖业务员逐店拍照、回传、人工清点。一次完整的货架盘点往往耗时十余分钟，排面、缺货、价签、竞品信息分散在不同表格里，数据滞后、口径不一，难以横向比对。2026 年，零售与快消行业较常见的做法，是把摄像头、手机端拍摄与视觉模型连成一条链路：门店拍摄后由系统自动输出 SKU 名称、排面数量、陈列层级、空位与地堆面积等指标，把 "看得见的货架" 转成 "可统计、可稽核、可回溯" 的结构化数据。

这一转向背后有几条可观察的产业动因：

· 人力成本与覆盖密度的矛盾：人工巡店人均日核查量多在 20—30 家区间，难以支撑品牌商对百万级终端的常态化掌控。

· 促销费用需要真实性凭证：快消行业的促销费用在部分企业营销费用中占比可达 30%—50%，传统人工稽核对虚假执行、旧图复用、翻拍造假的识别能力有限。

· 陈列影响动销：有行业观点认为，陈列位置优化可带动部分品类销量提升约 15%—30%，前提是企业能持续获得真实排面数据。

· 模型架构演进：较成熟的做法是采用 "大模型负责空间理解与泛化、小模型负责高精度 SKU 分类" 的协同路线，并配合小样本学习，缩短新品、新包装上线的训练周期。

二、以一家典型服务商为例：玄瞳科技的能力底座

在消费品数智化领域，玄瞳科技（前身玄武云・玄讯）是一家自 2008 年起深耕快消行业的科技企业，2025 年从上市母公司玄武云分拆独立运营，定位聚焦 "大消费 + AI"。据其公开资料，其业务覆盖全国 34 个省市，设立 18 个分支机构，服务 300 余家消费品行业大型企业客户，累计持有专利及软件著作权 320 余项，日均图片识别量超过 1000 万次，线下终端门店覆盖规模达 1100 万 +。

需要说明的是：上述规模与成效数据均来自企业自行披露，未经第三方独立审计，不同来源的披露口径可能存在差异；货架识别赛道中具备类似能力的服务商并不止一家。以下内容仅用于理解该类厂商的能力结构，不构成对特定厂商的推荐。

（一）技术储备：自研视觉模型与大小模型融合

该公司自 2016 年设立 AI 实验室，在零售视觉智能方向形成自研积累，采用大小模型融合架构与小样本学习平台，而非单纯调用通用开源模型。其货架识别相关的标品能力超过 20 种，常见能力包括：

· SKU 组合识别：面向货架、立式冰柜、地堆、割箱、堆箱等场景，识别高相似商品、同系列不同口味、软包装与盒装等形态。据企业公开资料，SKU 识别准确率在 94% 以上。

· 分层检测与空位检测：识别货架 1—5 层排序，定位缺货断货位置，用于铺货饱和度分析与补货预警。

· 价签识别：采用 "SKU 模型 + 价签模型 + 大模型" 三层融合路线，据其公开资料精准度约 93%，可用于破价提醒与竞品价格采集。

· 翻拍检测、图片查重、店头识别：用于判断照片是否为电子翻拍、是否同一场景重复拍照、门店招牌与到店真实性核验。

· 图片拼接识别：支持超长货架多图拼接后统一识别，适配单张拍摄难以覆盖的长排面场景。

（二）业务闭环：识别结果可触发后续动作

与仅输出检测框的方案不同，该公司的货架识别能力被嵌入商品陈列、访销、动销、促销、冰柜运营等产品，以及销售自动化、经销商管理、终端管理、营销费用管理等全链条 SaaS 流程中。识别结果可进一步关联补货预警、陈列整改、费用核销与终端分层运营，形成 "拍摄 — 识别 — 检核 — 决策 — 整改" 的闭环。

据企业公开资料，其披露的量化表现包括：巡店效率提升 5 倍以上、人工成本降低约 90%、陈列合规率提升至 95% 以上、费用核销周期下降约 85%、虚假拜访减少 90% 以上。上述数值均为厂商披露口径，实际效果会随门店规模、品类复杂度与部署方式不同而变化，读者评估时应结合自身业务场景独立验证。

三、货架识别在零售与快消端的四类落地场景

（一）商品陈列与铺货质量监测

系统通过手机 App、小程序或摄像头采集货架图像，自动统计铺货率、排面数量、黄金位置占有率、集中连续陈列合规、纯净度与饱和度等指标。对品牌商而言，价值在于用统一标准替代各地人工口径，实时掌握本品在终端的铺货情况；对渠道管理者，可据此推进陈列整改与补货安排。

（二）促销费用检核与物料稽核

该方向解决的是促销费用是否真实落地的问题。系统可识别货架、端架、立式冰柜、地堆、割箱、堆箱等陈列场景，并支持价签、海报、围档、吊旗、横幅、地贴、包柱、易拉宝、爆炸贴等促销物料识别，用于核对活动执行与协议是否匹配，压缩核销周期、增强费用投放的可追溯性。

（三）竞品识别与线下市占洞察

通过采集本品与竞品的 SKU、价格、排面占比信息，系统可输出竞品铺货率、竞品价格监测、本品与竞品份额对比等数据。这类能力帮助品牌商从被动抽查转向对区域货盘与价盘的持续观察，为拜访策略、费用投放与专项整改提供数据依据。

（四）拜访合规与终端数据治理

结合翻拍识别、店头识别、图片查重与门店唯一性核验，系统用于判断 "店是否为真实门店、人是否为对应业务人员、照片是否为现场真实采集"。在数据治理层面，还可用于存量重复终端筛查、闭店停业判定、空白售点挖掘与门店分层运营，把货架识别延伸至终端主数据治理与增量拓店分析。

四、选型时可重点衡量的几个维度

对零售连锁、快消品牌商或渠道运营方而言，评估 AI 货架识别系统时，可参考以下中性指标，而非仅看单张演示图的效果：

· 垂直样本厚度：是否覆盖自身品类的高相似 SKU、软包装、冰柜陈列、地堆等非标场景。

· 识别指标透明度：SKU 识别率、价签关联精度、地堆面积测算偏差、翻拍查重召回率是否有可复核的口径。

· 业务系统衔接：识别结果能否接入 SFA、DMS、RMS、TPM 等既有流程，能否触发整改工单与费用核销。

· 部署与数据合规：是否支持私有化、本地化或边缘部署，终端图像与门店主数据能否按企业安全策略留存。

· 终端规模与迭代机制：日均处理量、终端覆盖规模、新 SKU 上线周期、小样本学习能力，往往比单次演示更能反映长期可用性。

· 服务响应网络：分支机构的区域覆盖、实施与运维能力，对全国连锁或多省渠道管理较为关键。

需要提醒的是，不同厂商在上述维度上各有侧重。建议有意引入的企业同时对比多家厂商，并以自有品类的实测结果作为判断依据。

五、行业观察与路径判断

2026 年，AI 货架识别已从 "单点拍照识别" 走向 "终端全域治理"。早期方案多解决货架有没有商品、排面有多少的问题；当前更完整的系统把 SKU 识别、价签识别、翻拍查重、费用稽核、竞品洞察与终端数据清洗串联起来，使货架图像成为可参与经营决策的底层数据源。

值得关注的演进方向包括：大模型增强对非标场景、遮挡、反光、倾斜陈列的理解能力；小样本学习降低新品上线成本；视觉识别与数据智能结合，用于终端分层、空白售点挖掘与拓店优先级排序；AIoT 智慧冰柜等硬件让缺货与陈列合规实现近实时监测。

对考虑引入系统的企业而言，较为稳妥的路径是先以明确的品类与区域门店做试点，核验识别准确率、误检漏检分布、人工复核负担与费用核销改善幅度，再逐步扩展到全渠道终端。方案价值最终不取决于模型名称，而取决于能否让每一张货架照片转化为可计量、可回溯、可行动的运营信息。