מה אם ספירת 200 קרטונים על משטח היתה לוקחת 3 שניות במקום 10 דקות? זו ההבטחה מאחורי זיהוי תמונות מבוסס בינה מלאכותית בתחום המלאי. מכוונים מצלמה, מצלמים תמונה, ומודל שאומן על מיליוני פריטים מחזיר ספירה עם שכבת סימון חזותית שמראה בדיוק מה זוהה.
זה נשמע עתידני, אבל הטכנולוגיה כבר פועלת במחסנים, חנויות קמעונאיות ומגרשי בנייה. הפער בין ביצועי ספירה ידנית לספירה בסיוע בינה מלאכותית רחב יותר ממה שרוב צוותי התפעול מצפים.
שוק מעקב המלאי מבוסס ראייה ממוחשבת צומח בקצב שנתי של כ-18% (CAGR) וצפוי להגיע ל-14 עד 16 מיליארד דולר עד 2033, מונע על ידי ביקוש מסחר אלקטרוני והתקדמות בלמידה עמוקה.
העלות האמיתית של ספירה ביד
ספירה ידנית היא ברירת המחדל במחסנים כבר עשורים, והחולשות שלה מתועדות היטב. סופר אנושי בקצב רגיל מגיע לדיוק של כ-91%, כלומר כטעות אחת לכל 10 פריטים. אם מוסיפים הזנת נתונים לגיליון אלקטרוני, שיעור השגיאה עולה ב-1 עד 3 אחוזים נוספים.
מעבר לשגיאות, עלות הזמן כואבת. ספירה מלאה של מחסן יכולה לקחת 16 עד 20 שעות ובדרך כלל מחייבת השבתת פעילות ליום שלם. גם מחזורי ספירה חלקיים צורכים 5 עד 10 שעות שבועיות בעבודה, בעלות של כ-500 עד 1,000 דולר לחודש לאתר בעבודה בלבד. עבור עסק קטן או בינוני, זה כסף אמיתי שהולך למשימה שכולם מפחדים ממנה.
אם אתם עדיין מסתמכים על ספירות שנתיות מלאות, המדריך שלנו לספירה מחזורית מסביר איך לעבור לקצב פחות כואב. אבל גם ספירה מחזורית מגיעה לתקרה כשכל יחידה נספרת ביד.
כיצד זיהוי תמונות סופר מלאי
ברמה הכללית, התהליך פשוט. מצלמה - בין אם סמארטפון, מצלמת מדף קבועה או רחפן - לוכדת תמונה של הפריטים. מודל למידה עמוקה מנתח את התמונה, מזהה כל פריט בנפרד ומחזיר סכום כולל יחד עם שכבת סימון חזותית שמסמנת כל פריט שנמצא.
רוב המערכות המודרניות משתמשות בארכיטקטורות זיהוי אובייקטים כמו YOLO (מסתכלים רק פעם אחת), שיכולות לזהות ולאתר אובייקטים במעבר יחיד על התמונה. מחקר מ-2026 שפורסם ב-Multimedia Tools and Applications של Springer הראה שמודל YOLOv11 מכוונן השיג 97% דיוק ספירה בתנאי מחסן, כולל תרחישים מאתגרים כמו צילומי CCTV ברזולוציה נמוכה וגלילי בד לבן שקשה להבדיל ביניהם.
היתרון הוא לא רק מהירות, אלא אימותיות. ספירה מבוססת תמונות מייצרת ראיות: אפשר לראות מה המודל זיהה, לבדוק את עבודתו ולהשוות תוצאות לאורך זמן. ספירה ידנית מייצרת מספר על לוח כתיבה. המאמר שלנו על כיצד למידת מכונה שינתה סריקת ברקודים כיסה שינוי דומה: מעבר מתהליכים תלויי חומרה לאינטליגנציה תוכנתית שמשתפרת עם כל עדכון.
איפה צוותים משתמשים בזה היום
פלטפורמת הסריקה בבינה מלאכותית של Vimaan לוכדת נתוני מלאי בפחות מ-20 שניות למיקום, ולקוחות מדווחים על ספירות מחזוריות מהירות פי 40 משיטות ידניות, עם חיסכון של 150,000 עד 200,000 דולר בשנה בעבודה מופחתת ומשלוחים שגויים שנמנעו (Vimaan).
Southern Glazer's Wine and Spirits פרסה מעל 40 רחפני Corvus One בתשעה מרכזי הפצה. הרחפנים השלימו 5,000 טיסות, זיהו מעל 35,000 פערים מאומתים ושחררו 60 עד 70 שעות עבודה בשבוע לאתר. הפעילות עברה מספירות רבעוניות למחזורים דו-שבועיים (Dronelife, מרץ 2026).
Focal Systems פורסת מצלמות בקצה המדף ברשתות מזון וקמעונאות, סורקת 200 מיליון מוצרים ביום ברמת דיוק מעל 95% ומזהה כמיליון אירועי חוסר מלאי יומיים. Walmart קנדה הרחיבה את המערכת לחנויות ברחבי המדינה לאחר פיילוטים מוצלחים (Focal Systems).
יצרני צינורות משתמשים בבינה מלאכותית לספירת קצוות צינורות על משאיות ובחבילות, במקום ספירות ידניות איטיות. אתרי בנייה עוקבים אחר עצים, ברזל זיון וחומרים מוערמים עם מודלים לזיהוי אובייקטים שאומנו על צורות ספציפיות (Intelgic; MDPI Buildings, 2024).
מה עובד ומה לא
ספירה בבינה מלאכותית מצטיינת בתנאים ספציפיים: סוג אובייקט אחד, תאורה סבירה ופריטים הנראים מזווית המצלמה. משטח של קרטונים זהים, מדף בקבוקים, מתקן צינורות או שורת ארגזים הם יעדים אידיאליים.
אבל לטכנולוגיה יש מגבלות ברורות. הסתרה, כשפריטים מוסתרים מאחורי או מתחת לאחרים, היא האתגר הגדול ביותר. מחקר מ-2025 מאוניברסיטת אדלייד מצא שמודלים נוכחיים מתקשים כשאובייקטים מוסתרים חלקית, כי הרשת מקודדת את המשטח המסתיר במקום את היעד. במונחים מעשיים: אם 30% מהקרטונים על משטח חסומים מהעין, הספירה תהיה נמוכה מהמציאות.
אתגרי שטח נוספים כוללים ערימות מעורבות עם סוגי אובייקטים מרובים, סצנות צפופות בהן פריטים חופפים בצורה חזקה, וזוויות או תאורה משתנים ששוברים את ההנחות של המודל. כשצוותים לא יכולים לאמת למה הופק מספר מסוים, הם חוזרים לבדיקות ידניות, והכלי מוסיף חיכוך במקום להסיר אותו.
המסקנה הכנה: ספירה בבינה מלאכותית היא כלי בדיקה נקודתי חזק ותחליף הולך וגדל לספירות שגרתיות בתנאים מבוקרים. היא לא תחליף אוניברסלי לכל תרחיש ספירה, לפחות עדיין לא.
דרך חינמית לנסות את זה
אם רוצים לראות איך ספירה מבוססת תמונות עובדת לפני התחייבות לפלטפורמה, ZapCount הוא כלי חינמי מבוסס דפדפן שסופר אובייקטים מתמונה אחת. מעלים תמונה והבינה המלאכותית מזהה וסופרת את האובייקטים הבולטים ביותר בסצנה, ומחזירה סכום עם שכבת סימון חזותית שמסמנת כל פריט שזוהה. בלי הגדרה, בלי חשבון, תוצאות בשניות.
הכלי עובד הכי טוב עם סוג אובייקט אחד בכל פעם (קרטונים, בקבוקים, צינורות, משטחים) ומטפל בעד כ-900 אובייקטים לתמונה. פריטים מוסתרים או חסומים עלולים להתפספס, מה שעקבי עם המגבלות של כל מערכת מבוססת ראייה. אבל לבדיקה מהירה במחסן או ספירה באתר בנייה, זו דרך מעשית לבדוק אם ספירה בתמונות מתאימה לזרימת העבודה שלכם.
התחילו עם תמונה אחת
לא צריך לשנות את כל תהליך הספירה כדי לבדוק את זה. צלמו תמונה של משטח אחד, מדף אחד או ערימה אחת היום. העבירו אותה דרך כלי ספירה בבינה מלאכותית והשוו את התוצאה לספירה ידנית. הבדיקה היחידה הזו תספר לכם יותר על המקום של הטכנולוגיה הזו בפעילות שלכם מכל תחזית שוק.
הטכנולוגיה לא מושלמת, אבל למקרים המתאימים, היא הופכת משימה של 10 דקות למשימה של 3 שניות עם קבלה מצולמת. זה שווה ניסיון אחד.