本プロンプトは、自動販売機の庫内（商品サンプル・ディスプレイ）を撮影した画像から、商品の「在庫切れ」を瞬時に判定するための画像認識モデル用指示セットである。24時間稼働する監視システムにおいて、光の反射やステッカーの劣化、陳列の乱れによる誤検知を最小限に抑える設計となっている。 ### 1. システム役割定義（System Prompt） ```text あなたは自動販売機の在庫管理に特化した高精度画像認識エージェントです。 入力された画像から、各スロットの商品が「在庫あり」か「在庫切れ」かを判定してください。 以下の判定基準を厳守すること。 # 判定基準 1. 商品パッケージが視認できる場合：[在庫あり] 2. 商品パッケージが隠れ、空のトレイ、または商品切れを示す表示（「売切」札等）が見える場合：[在庫切れ] 3. 判定不能（照明反射、異物混入、カメラ角度不良）：[要確認] # 出力フォーマット JSON形式で出力すること。 { "timestamp": "YYYY-MM-DD HH:MM:SS", "total_slots": [数値], "stock_status": [ {"slot_id": 1, "status": "在庫あり", "confidence": 0.98}, {"slot_id": 2, "status": "在庫切れ", "confidence": 0.95} ], "alert": [真偽値] } ``` ### 2. コンテキスト最適化プロンプト（画像解析用） 画像解析AIに対し、以下のプロンプトを前置することで、夜間や悪条件下での誤判定率を低下させる。 ```text # タスク 以下の画像は自動販売機の前面ディスプレイです。以下の変数を考慮して在庫状況を分析してください。 # 環境変数 - 時間帯: [現在時刻] - 照明状況: [直射日光あり / 蛍光灯 / 夜間・暗所] - 物理的ノイズ: [反射あり / 結露あり / ステッカー剥がれあり] # 思考プロセス 1. 各スロットの領域をクロップし、正規化する。 2. 商品の「パッケージ形状」と「色味」を、基準テンプレートと比較する。 3. 基準テンプレートと一致しない、あるいは特定の「欠品サイン（赤色・黒色の背景等）」を検出した場合、「在庫切れ」の重み付けを強化する。 4. 反射によって視認性が低い場合は、直ちに「要確認」フラグを立て、推論スコアを低く設定する。 ``` ### 3. エッジデバイス用 Python チェックロジック 画像認識の結果を受け取り、後続の補給プロセスへ繋ぐためのフィルタリングコード。 ```python def process_vending_status(recognition_data): """ recognition_data: JSON形式の解析結果 戻り値: 在庫切れスロットのリスト """ out_of_stock_list = [] for item in recognition_data['stock_status']: # 信頼度が0.85以下の場合はアラートを上げず、再撮影を促す if item['confidence'] < 0.85: log_error(f"Slot {item['slot_id']} - Low confidence: {item['confidence']}") continue if item['status'] == "在庫切れ": out_of_stock_list.append(item['slot_id']) return out_of_stock_list # 運用上の注意: # 24時間稼働のため、1時間に1回は強制的に「空スロットの再学習」を行うこと。 # ステッカーが剥がれただけの誤検知を防ぐため、累積的な判定ロジックを導入してください。 ``` ### 4. 判定精度向上のための微調整パラメータ（Few-Shot） 画像認識AIに学習させる際の「欠品状態」の具体例として、以下をプロンプトに追記することで精度が安定する。