Система маркировки «Честный знак» расширяется: с 2025 года обязательная маркировка затронула строительные материалы (цемент, сухие смеси с октября 2025; прочие стройматериалы в индивидуальной упаковке — с мая 2026), с декабря 2025 — сладости и кондитерские изделия (печенье, вафли, конфеты, затем хлебобулочные, шоколад). Планируется маркировка растворимых и завариваемых напитков. На кассах с 2026 года внедряются модули ТС ПИоТ — технические средства получения информации о товаре: они проверяют корректность распознавания кодов и передают данные в систему. В таких условиях надёжное считывание DataMatrix становится критичным и на производстве, и в ритейле. Разбираемся, где классические алгоритмы дают сбой, как искусственный интеллект помогает повысить процент распознавания и как встроить такое решение в ваши процессы.
Подробнее про автоматическую проверку документов по 152-ФЗ и маркировке — в материале «Автоматическая проверка документов по 152-ФЗ и Честный Знак». О пайплайне работы с ЧЗ и месте мультиагентов — Честный Знак: пайплайн и где нужен ИИ; о штрафах и комплаенсе УПД — Комплаенс Честного Знака. Здесь фокус — именно на распознавании кодов маркировки на сложных поверхностях и интеграции с производственными и торговыми контурами.
Почему код «Честный знак» не читается с первого раза
DataMatrix изначально проектировался для нанесения на твёрдые поверхности: металл, бирки, корпуса. Алгоритм распознавания опирается на L-образную границу кода, ровную сетку модулей и однозначное преобразование в битовую матрицу. На мягкой упаковке (плёнка, БОПП, творог, мороженое, сырки) код деформируется: смятия, складки, поворот под углом к камере. Плюс блики на глянцевой плёнке. В итоге классический декодер «видит» что-то похожее на DataMatrix, но не может построить сетку и прочитать данные — растёт процент отбраковки, ручного пересканирования и затрат на операторов.
Как ИИ помогает распознавать маркировку
Нейросеть не заменяет декодер DataMatrix «в лоб»: изменение одного символа в коде сильно меняет расположение точек, и предсказывать битовую матрицу напрямую для ИИ непродуктивно. Другой подход — использовать ИИ как подготовительный этап: нейросеть класса семантической сегментации выделяет границы кода на искажённом изображении. По этому контуру затем выполняется геометрическое выравнивание (полиномиальные преобразования, «разворот» четырёхугольника в квадрат). Выровненное изображение подаётся в классический алгоритм чтения DataMatrix — и процент успешного распознавания заметно растёт даже на сильно деформированной упаковке.
Такие решения уже применяются на конвейерах: камеры машинного зрения, подобранная подсветка (в том числе туннельная для устранения бликов), синхронизация с энкодером конвейера. Нейросеть дообучается на ваших данных — снимках с производства, что повышает устойчивость к конкретным типам упаковки и дефектам печати. Результат — снижение доли ручного сканирования и отбраковки при сохранении скорости обработки.
Встраивание в процессы: производство и ритейл
На производстве: участок групповой упаковки (например, короб с несколькими единицами) — типичное место внедрения. Камеры над конвейером, фотодатчик или энкодер для синхронизации кадров, отбраковщик для нераспознанных единиц. Данные по считанным кодам передаются в учётную систему и в «Честный знак» для агрегации и отчётности. Развёртывание возможно на промышленном ПК в вашем контуре; модели и видео не обязаны уходить в облако — это важно для конфиденциальности и соответствия отраслевым требованиям. О том, как мы строим решения на вашем периметре, см. Архитектура и Безопасность.
В ритейле: с 2026 года кассы оснащаются модулями ТС ПИоТ: проверка кода при продаже, передача в ЦРПТ, блокировка продажи запрещённых товаров. Надёжное распознавание кодов на мягкой упаковке напрямую влияет на скорость обслуживания и количество повторных попыток сканирования — те же подходы с предобработкой изображения нейросетью применимы и к сканерам на кассе, если есть доступ к аппаратной части и интеграция с ПО.
Что учесть при внедрении
Ключевые моменты: качество подсветки и устранение бликов, достаточный объём размеченных данных для дообучения, интеграция с вашей WMS/1С и API «Честный знак». Развёртывание в периметре заказчика (on-premise) исключает передачу снимков и кодов во внешние облака — это совпадает с требованиями к обработке персональных данных и коммерческой тайне. Решение по комплаенсу документов и маркировке в одном контуре описано в разделе Решения: комплаенс. Условия пилота и внедрения (сроки 1–2 месяца, привязка к KPI и оплата за результат) — на странице Партнёрство. Если нужно обсудить пилот по распознаванию маркировки под ваше производство или ритейл — оставьте заявку в Контактах.