Domů/Blog/Automatická kontrola objednávek a dodacích listů pomocí strojového vidění
Computer Vision8 min

Automatická kontrola objednávek a dodacích listů pomocí strojového vidění

Computer vision dokáže zkontrolovat shodu objednávky s dodacím listem za sekundy a zachytit nesrovnalosti dřív, než způsobí problémy.

Problém: Manuální kontrola je zdlouhavá a chybová

V každé firmě s fyzickým zbožím je nutné kontrolovat:

  • ✓ Dodané množství vs. objednané
  • ✓ Správnost položek (kódy, názvy)
  • ✓ Kvalita zboží
  • ✓ Kompletnost dodávky

Manuální proces:

  1. Vytištění objednávky
  2. Porovnání s dodacím listem
  3. Fyzická kontrola zboží
  4. Zápis do systému

Problémy:

  • ⏱️ Časová náročnost (10-30 min na dodávku)
  • ❌ Lidské chyby (únava, nepozornost)
  • 📦 Zpoždění při naskladnění
  • 💰 Reklamace až po objevení problému

Řešení: AI + Computer Vision

Co strojové vidění umí

1. OCR dokumentů

  • Skenování dodacího listu
  • Extrakce položek, množství, cen
  • Rozpoznání různých formátů

2. Vizuální kontrola zboží

  • Počítání kusů (krabice, palety)
  • Detekce poškození
  • Kontrola štítků a čárových kódů
  • Měření rozměrů

3. Porovnání s objednávkou

  • Automatické matching položek
  • Detekce rozdílů
  • Generování reportů
  • Alert na nesrovnalosti

Workflow v praxi

┌──────────────┐
│ Objednávka   │
│   (ERP)      │
└──────┬───────┘
       │
       ↓
┌──────────────┐       ┌──────────────┐
│ Dodací list  │───────│ AI Computer  │
│   (Scan/PDF) │       │    Vision    │
└──────────────┘       └──────┬───────┘
                              │
       ┌──────────────────────┴────────────────┐
       │                                       │
       ↓                                       ↓
┌──────────────┐                       ┌──────────────┐
│  OK: Auto    │                       │  ERROR:      │
│  naskladnit  │                       │  Notifikace  │
└──────────────┘                       └──────────────┘

Případová studie: Velkoobchod s elektronikou

Firma: 200 zaměstnanců, 150+ dodávek denně

Před implementací

  • 3 FTE na příjemku
  • Průměrný čas: 15 min/dodávka
  • Chybovost: 2-3%
  • Pozdní naskladnění = zdržení expedice

Po implementaci AI

Hardware:

  • Skener dokumentů
  • Kamera nad příjemkovým pultem
  • Tablet pro schvalování
  • Propojení s ERP

Software:

  • OCR engine (Tesseract + custom model)
  • Object detection (YOLO v8)
  • Matching algorithm
  • Dashboard

Proces v akci

Krok 1: Sken dodacího listu (5 sec)

Dodací list #2024-5678
Dodavatel: ABC Electronics
Datum: 15.1.2025

Položka              | Množství | Cena
---------------------|----------|--------
Notebook HP 15      | 10 ks    | 15 000
Myš Logitech M185   | 50 ks    | 250
Klávesnice Dell KB   | 25 ks    | 450

Krok 2: Načtení objednávky z ERP (1 sec)

SELECT * FROM Objednavky
WHERE cislo_objednavky = 'PO-2024-1234'

Krok 3: AI matching (2 sec)

✅ Notebook HP 15: 10 ks (OK)
❌ Myš Logitech M185: 50 ks → Objednáno 60 ks (ROZDÍL -10)
✅ Klávesnice Dell KB: 25 ks (OK)
⚠️  Chybí: HDMI kabel 2m (objednáno 30 ks)

Krok 4: Vizuální kontrola (10 sec)

  • Kamera nasnímá paletu
  • AI spočítá krabice: 10 + 50 + 25 = 85 ks
  • Detekce poškození: OK
  • QR kódy: Všechny čitelné

Krok 5: Report a akce (5 sec)

NESROVNALOST DETEKOVÁNA:

1. Nedodáno 10 ks myší
2. Zcela chybí HDMI kabely (30 ks)

Akce:
→ Email dodavateli (automaticky)
→ Úprava příjemky v ERP
→ Vytvoření reklamace
→ Naskladnění dostupného zboží

Výsledky po 6 měsících

  • ✅ Čas na dodávku: 2-3 minuty (vs. 15 min)
  • ✅ Chybovost: 0,1% (vs. 2-3%)
  • ✅ Úspora: 2 FTE = 100k Kč/měsíc
  • ✅ Rychlejší reklamace = lepší vztahy s dodavateli
  • ✅ ROI za 8 měsíců

Technické detaily

OCR engine

Preprocessing:

- Deskew (narovnání)
- Binarizace (čb konverze)
- Noise removal
- Contrast enhancement

Extractive AI:

- Layout analysis (tabulky)
- Text recognition (99% přesnost)
- Number parsing (částky, množství)
- Date parsing

Post-processing:

- Validace formátu (regex)
- Mapping na databázi produktů
- Fuzzy matching (podobné názvy)

Computer Vision model

Object Detection:

Model: YOLO v8
Training data: 5000+ fotek palet
Classes: [krabice, paleta, poškození, štítek]
Přesnost: 96%

Counting algorithm:

def count_boxes(image):
    detections = model.detect(image)
    boxes = [d for d in detections if d.class == 'krabice']
    return len(boxes)

Damage detection:

def detect_damage(image):
    # Klasifikace: OK, minor_damage, severe_damage
    damage_score = damage_model.predict(image)
    return damage_score > threshold

Další use cases

1. Výrobní kontrola

  • Kontrola sestavených produktů
  • Detekce vad a nedokonalostí
  • Měření rozměrů
  • Kontrola kompletnosti

2. Inventura skladu

  • Počítání palet a krabic
  • Kontrola umístění (je zboží na správném místě?)
  • Detekce expirovaného zboží
  • Automatický reporting

3. Expedice

  • Kontrola před odesláním
  • Správnost štítků a dokumentů
  • Kompletnost balíčku
  • Fotodokumentace pro případné reklamace

ROI kalkulace

Investice

Hardware (jednorázově):

  • Skener dokumentů: 15k
  • Průmyslová kamera: 40k
  • Tablet: 20k
  • Server/edge device: 50k Celkem: 125k Kč

Software (setup):

  • Custom AI model: 300k
  • Integrace s ERP: 150k
  • Dashboard: 80k Celkem: 530k Kč

Celková investice: 655k Kč

Úspory (měsíčně)

  • Časová úspora: 2 FTE × 50k = 100k
  • Snížení chyb: 20k
  • Rychlejší reklamace: 10k Celkem: 130k Kč/měsíc

ROI: 5 měsíců

Implementace krok za krokem

Fáze 1: Příprava (týden 1-2)

  1. Analýza procesů
  2. Výběr pilotních dodavatelů
  3. Sběr sample dat (50-100 dodacích listů)
  4. Definice kritérií kontroly

Fáze 2: Development (týden 2-6)

  1. Trénink OCR modelu
  2. Trénink vision modelu
  3. Vývoj matching algoritmu
  4. API integrace s ERP

Fáze 3: Testing (týden 6-8)

  1. Testování na historických datech
  2. Paralelní běh s manuální kontrolou
  3. Fine-tuning modelů
  4. Školení uživatelů

Fáze 4: Produkce (týden 8+)

  1. Soft launch (20% dodávek)
  2. Monitoring a bugfixing
  3. Postupné navyšování (100% za 2 měsíce)
  4. Průběžné učení modelů

Best practices

1. Kvalita fotek je klíčová

  • Dobré osvětlení
  • Stabilní kamera
  • Správný úhel
  • Dostatečné rozlišení (min. 1080p)

2. Feedback loop

  • Uživatel může opravit chyby
  • Systém se učí z korekcí
  • Průběžné zlepšování přesnosti

3. Gradual rollout

  • Začít s jednoduchými dodávkami
  • Postupně přidávat složitější případy
  • Vždy mít možnost manuální kontroly

4. Integrace s procesy

  • Nepřidávat extra kroky
  • Automatizovat co nejvíc
  • Minimalizovat čekání na výsledky

Závěr

Computer vision pro kontrolu dodávek není sci-fi, ale fungující řešení s rychlým ROI. Klíčem je kvalitní implementace, dobré trénovací data a postupné zavádění.

Zajímá vás pilot projekt? Rádi vám připravíme demo na vašich reálných dodacích listech a ukážeme, co AI dokáže.

Technologie:

  • Python + OpenCV + PyTorch
  • YOLO v8 + Tesseract OCR
  • REST API integrace
  • Real-time processing (<5 sec)

Hardware requirements:

  • NVIDIA GPU (doporučeno)
  • Průmyslová kamera 1080p+
  • Edge device nebo cloud

Zajímá vás implementace AI ve vaší firmě?

Nabízíme bezplatnou konzultaci a analýzu vašich procesů. Pojďme společně najít, kde AI přinese největší přidanou hodnotu.

Kontaktujte nás
← Zpět na všechny články