生鲜零售视觉结算：水果蔬菜识别的落地实践

超市生鲜区最影响体验的环节之一是散装果蔬结算：顾客要在秤上从几百个 PLU 码里找到"红富士苹果"，老人不会用、年轻人没耐心，错选直接造成损耗与账实不符。视觉识别把这个动作变成"放上去就认"。本文记录我们在生鲜零售场景的落地实践。

散装果蔬的结算痛点

• PLU 码体系庞大且不直观，顾客检索耗时平均 20 秒以上；
• 错选与故意低选（把贵的选成便宜的）直接造成损耗，生鲜本就是损耗率最高的品类；
• 新员工培训成本高，高峰期秤前排队。

视觉识别怎么接入结算

称台上方加一路俯拍相机，商品放上秤面即抓拍识别：模型输出品类 + 置信度，收银侧自动带出单价并完成称重计价；高置信直接出票，低置信给出前三个候选让顾客确认。识别延迟控制在数百毫秒内，不打断结算节奏。

品类体系与扩展策略

识别模型的类别体系不需要一次性对齐门店的全部 SKU，正确的做法是分层：第一层覆盖销量 Top 的 30~50 个散卖品类（苹果、香蕉、橙子、西红柿、黄瓜、土豆、叶菜等），这一层用成品模型起步；第二层按门店销售数据逐步补充长尾品类，每个新品类采集 200~300 张实拍图增量训练；第三层是 SKU 级细分（品种、产地、规格），按客户需求定制。分层让项目第一周就能上线，而不是等"全品类模型"遥遥无期。

准确率保障三件事

1. 实拍训练数据：用目标门店的真实相机、真实灯光、真实秤面背景采集，而不是网图——分布一致是精度的前提；
2. 置信度分流：高置信自动出票、低置信人工确认，把不可避免的少数疑难放进兜底流程而不是硬扛；
3. 错例回流：顾客改选的行为（识别候选与最终选择不一致）自动记录为新训练样本，模型随经营持续变准。

与收银系统的对接

识别服务以独立进程部署在收银机或本地小主机上，输出"品类 + 置信度"的简单接口；与收银系统的对接只需要在称重流程里加一步"获取识别结果"。我们交付 ONNX/TorchScript 模型文件与对接说明，也提供与主流收银软件的适配协助。

结算之外的价值

同一套路由能力可以自然延伸：果蔬新鲜度分级（辅助定价与上架排序）、损耗监控（下架前识别）、自动盘点（闭店后巡拍对账）。识别是入口，数据是资产——这也是我们建议客户从第一天就把识别结果落库的原因。

关于摄像头与顾客

秤台相机只拍摄秤面区域，画面构图不包含顾客面部，这一约束在部署时就要锁定：取景框下压、安装角度固定，并在秤台张贴视觉识别提示标识。这样做有两个好处：合规上把个人信息采集范围降到最小（符合个保法的最小必要原则）；体验上顾客不会对"被拍脸"产生反感。识别的对象是商品，不是人——把这句话写进对客沟通话术，是生鲜场景落地顺利与否的细节分水岭。

相关页面：模型货架 中的水果蔬菜识别 ｜ 延伸阅读：分类还是检测。