零售货架库存智能

解决方案概述

零售商需要准确了解货架库存。在大型设施中，团队经常在连接不一致的区域工作，并依赖手动检查来识别需要补货的产品。

了解如何将单个货架图像转换为结构化库存记录。视觉语言模型可识别产品并对其进行计数，而MongoDB Enterprise Advanced则会存储捕获的图像、商品计数和应用程序程序上下文。

MongoDB为跨网络分发清单状态提供了基础。变更流向 PowerSync 提供实时更新，从而将所选字段同步到客户端设备上的本地 SQLite 数据库。当连接中断时，客户端设备会继续使用本地数据离线工作，并在重新连接时进行同步。

这种以MongoDB为中心的工作流程无缝集成了基于图像的捕获、灵活的文档建模和同步零售应用程序。它将货架观察结果转换为库存数据，团队可以在客户端应用程序中使用该数据。

参考架构

MongoDB Enterprise Advanced充当运营数据层和货架库存的真实来源。

浏览器将架子图像发送到后端应用程序。后端将图像传递给配置的视觉语言模型，验证结构化响应，并将生成的库存文档写入MongoDB。

每个文档都将捕获上下文与检测到的项目一起存储。 MongoDB存储元数据，例如捕获时间、设备、操作符、存储、模型、项目计数、置信度值和生命周期状态。

当您启用媒体持久性时，后端会将原始图像存储在Amazon S3 兼容的对象存储中，并将资产引用保留在MongoDB中。这种设计将大型媒体对象与操作清单记录分开，同时保留它们的关系。

MongoDB变更流会发布 PowerSync 用于将所选清单字段同步到客户端SQLite 数据库的事件。 PowerSync 支持本地应用程序访问权限和连接中断时的同步，而MongoDB仍然是事实来源。

这种架构在保持统一数据基础的同时分离了职责：

• MongoDB管理运营库存记录。

• 后端控制写入操作。

• VLM（视觉语言模型）提取结构化数据。

• 对象存储会保留原始图像。

• PowerSync 将MongoDB支持的状态分发给客户端。

图 1。从货架图像到同步库存：后端使用视觉语言模型创建MongoDB库存文档。 MongoDB存储操作记录，对象存储保留原始映像，变更流将 PowerSync 同步驱动到客户端SQLite。

点击放大

数据模型方法

将每个架子捕获作为文档存储在 inventory_captures集合中。将捕获上下文和模型生成的清单结果放在一起，以便应用程序程序将每次捕获作为一个单元进行处理和同步。

该文档记录的元数据包括：

• 捕获时间戳和位置

• 提交设备和操作符

• 用于图像分析的模型

• 捕获的生命周期状态

将检测到的产品嵌入 items大量。每一项都包含产品名称、检测到的计数和模型置信度：

{
  "_id": "108d020b-9d3c-4b36-a651-0e1be2b1e899",
  "captured_at": "2026-07-02T17:45:08.661249+00:00",
  "device_id": "web-o0its21v",
  "operator_id": "demo-operator",
  "store_id": "store-unknown",
  "cv_model": "qwen2.5",
  "items": [
    {
      "name": "Nissin Cup Noodles",
      "count": 5,
      "confidence": 0.9
    },
    {
      "name": "Popcorn Bag",
      "count": 1,
      "confidence": 0.9
    },
    {
      "name": "Lays Chips",
      "count": 3,
      "confidence": 0.9
    }
  ],
  "status": "ACTIVE",
  "asset": null
}

嵌入检测到的商品可以使模型输出接近生成它的货架捕获。 MongoDB灵活的文档模型使应用程序能够随着模型的发展保留其他项目属性，从而无需为每种可能的产品建立严格的模式。

MongoDB仍然是库存记录的真实来源。当您启用媒体持久性时，PowerSync 将客户端应用程序所需的字段投影到本地 SQLite 数据库中，而原始图像保留在与Amazon S3 兼容的对象存储中。

构建解决方案

使用 Retail-stock-take Github存储库来部署和探索解决方案。

./scripts/setup.sh

./scripts/pull-models.sh

./scripts/verify.sh

关键要点

• 从图像中捕获货架库存：使用视觉语言模型将货架照片转换为MongoDB存储和应用程序程序处理的结构化JSON 。

• 将库存数据建模为MongoDB文档：将捕获的元数据和检测到的商品放在一起，以便每个文档代表一次上架检查。

• 跨客户端设备同步MongoDB支持的状态：使用MongoDB变更流和 PowerSync 分发选定的库存字段，而无需构建自定义轮询逻辑。

• 将操作数据与原始媒体分离：将库存数据和图像引用存储在MongoDB中，同时在启用媒体持久性时将原始帧存储在Amazon S3 兼容的对象存储中。

• 支持断开连接的零售工作流程：使客户端应用程序能够使用本地同步的数据，并在重新连接时协调其状态。

作者

• Timothy Marland， MongoDB

• Alberto Camarena Rodriguez, MongoDB

• Daniel Jamir， MongoDB

了解详情

• MongoDB变更流文档

• 将MongoDB与 SQLite 同步

• PowerSync