# Cash AI: la cassa che riconosce i prodotti guardandoli > Caso reale di computer vision applicata al POS: riconoscimento prodotti senza codice a barre, su hardware standard. Come funziona il modello, il confidence score e cosa è cambiato in cassa. - **URL**: https://www.spsproject.net/cash-ai-la-cassa-che-riconosce-i-prodotti-guardandoli/ - **Autore**: Anna De Carolis - **Pubblicato**: 10/09/2026 - **Categorie**: Sviluppo Software --- Chi sta alla cassa di un self-service passa la giornata a fare una cosa sola: guarda un vassoio e ricopia quello che vede su uno schermo pieno di pulsanti. Nel 2022 quel passaggio l’abbiamo tolto, con un sistema di **riconoscimento prodotti tramite computer vision** montato su una cassa normale. Il cliente appoggia il vassoio, la telecamera guarda, il totale compare. Nessun codice a barre, nessuna ricerca a mano. Il progetto si chiama Cash AI ed è del 2022, qualche mese prima che ChatGPT trasformasse l’intelligenza artificiale in un argomento da telegiornale. Lo raccontiamo adesso perché il meccanismo che c’è sotto vale ben oltre una mensa. ## Il problema non è la cassa: è il barcode che non c’è Il codice a barre dà per scontate due cose: che il prodotto ce l’abbia, e che qualcuno riesca a leggerlo. In un self-service non è vero quasi mai. Un piatto di pasta non ha un’etichetta. La frutta a peso nemmeno. Il pane sfuso, la teglia porzionata, il dolce del giorno: nessuno di questi passa sotto uno scanner. E quando l’etichetta c’è, spesso è rovinata: confezione ammaccata, film di plastica che riflette, codice piegato sull’angolo. Lo scanner non legge, l’addetto digita le cifre a mano, la fila cresce. Con dieci persone in coda ogni secondo per vassoio diventa attesa. > Ogni prodotto battuto al posto di un altro conta doppio: sbaglia lo scontrino e sbaglia il magazzino. A fine giornata i conti non tornano e nessuno sa più dove sia successo. ## Come funziona il riconoscimento prodotti con computer vision La parte difficile non è la telecamera. È insegnare alla macchina che aspetto hanno *quei* prodotti, non dei prodotti in generale. Abbiamo costruito il dataset sul catalogo reale del cliente: i piatti fotografati nelle stoviglie di quella sala, con la luce di quella sala, nelle posizioni in cui la gente appoggia davvero il vassoio, storto compreso. Un modello addestrato su immagini generiche di lasagne riconosce le lasagne dello stock fotografico; qui serviva che riconoscesse quelle del banco, in un vassoio insieme ad altre tre cose. Da lì in poi il sistema fa tre cose, tutte in tempo reale sul flusso della telecamera: - **Riconoscimento simultaneo**: nello stesso fotogramma ci sono più prodotti, e vanno identificati tutti insieme, non uno alla volta. - **Confidence score**: per ogni prodotto il modello dichiara quanto è sicuro. Sopra la soglia procede; sotto, chiede conferma invece di indovinare. - **Totale immediato**: i prodotti riconosciuti diventano righe di scontrino e si paga con la carta sullo stesso apparecchio. ## Il confidence score è la parte che rende il sistema usabile Un modello di visione artificiale non risponde mai «sì» o «no»: risponde con una probabilità. È una differenza che sembra teorica e invece decide se il sistema è utilizzabile in produzione o no. Senza soglia, il modello tira a indovinare anche quando non ha capito, e l’errore finisce sullo scontrino del cliente. Con la soglia, i casi incerti — un piatto nuovo, una porzione strana, un riflesso — si fermano e passano alla persona. Il risultato pratico è che l’operatore non controlla tutto: controlla solo quel poco che il sistema gli segnala. ![Vassoio appoggiato sul piano di una cassa con computer vision per il riconoscimento prodotti](https://www.spsproject.net/wp-content/uploads/2026/09/corpo-computer-vision-riconoscimento-prodotti-cassa.jpg) ## Il catalogo cambia ogni settimana, il modello deve stare al passo In una mensa il menù ruota. Arriva il piatto del giorno, cambia il fornitore, cambia il packaging di una bibita. Se ogni variazione costringesse a rifare il dataset da zero, il sistema morirebbe dopo tre mesi. Per questo l’addestramento è incrementale: le correzioni fatte in cassa diventano nuovi esempi, e il modello viene riaddestrato sul delta invece che sull’intero catalogo. Il sistema migliora usandolo, e chi lo usa non deve saperne niente di machine learning. ## Hardware standard: una telecamera sopra il piano, niente di esotico Nessuno scanner 3D, nessuna bilancia intelligente, nessun sensore speciale. Una telecamera normale sopra il piano d’appoggio e la macchina della cassa, quella che il locale aveva già. Il costo del progetto è finito quasi tutto nel software e nel dataset, non nella ferramenta — che è anche il motivo per cui una cosa del genere si poteva fare nel 2022 e non era fantascienza. ## Cosa è cambiato dopo l’installazione I numeri li ha misurati il cliente sul campo, non un foglio di calcolo di preventivo: - **Un dipendente segue quattro casse.** Prima ogni cassa aveva il suo addetto. - **Ottanta per cento di tempo in meno** per battere un vassoio. - **Fra l’ottanta e il novanta per cento in meno** di differenze di fine giornata fra venduto e magazzino. Quel sistema è arrivato in fiera a Düsseldorf. Nella nostra stessa categoria espositiva c’erano Microsoft e altri due colossi americani: noi eravamo cinque persone di una software house in provincia di Verona. Non abbiamo vinto niente, ma il nostro software stava lì in mezzo, acceso, e funzionava. La scheda completa è nel [progetto Cash AI del nostro portfolio](https://www.spsproject.net/portfolio/cash-ai-sistema-pos-con-riconoscimento-prodotti/). ## Perché una mensa c’entra con la tua azienda Poco, se guardi il totem. Molto, se guardi cosa fa. Quella cassa risolve un problema che non è della ristorazione: **una persona guarda degli oggetti e li ricopia dentro un computer**. È lo stesso identico gesto del magazziniere che legge la bolla del fornitore e la ribatte nel gestionale, dell’operatore che trascrive le misure dal calibro a un foglio Excel, di chi conta i pezzi nel cassone e scrive il numero su un cartellino che poi qualcun altro digiterà. Cambia l’oggetto guardato, non il meccanismo. E il meccanismo nel 2022 funzionava già. Oggi i modelli sono migliori e costano meno: la domanda non è più «si può fare», ma «vale la pena farlo per questo passaggio qui». La risposta dipende da tre cose molto concrete: quante volte al giorno succede, quanto costa l’errore quando succede, e quanto è variabile quello che va riconosciuto. Se sono tante volte, l’errore pesa e la variabilità è governabile, il conto torna quasi sempre. Se succede due volte a settimana, no — e te lo diciamo prima, come raccontiamo nel post sul perché [l’AI utile è noiosa](https://www.spsproject.net/casi-uso-ai-azienda/). Se nella tua azienda c’è un passaggio così, raccontaci com’è fatto: guardiamo insieme se ha senso automatizzarlo prima di parlare di preventivi. Trovi il perimetro completo di quello che facciamo nella pagina [servizi di sviluppo software su misura](https://www.spsproject.net/servizi/), e i progetti dove la macchina si collega al mondo fisico nelle [soluzioni IoT e Industria 4.0](https://www.spsproject.net/soluzioni-iot/). ## Domande frequenti ### Come fa una cassa a riconoscere i prodotti senza codice a barre? Una telecamera inquadra il piano d'appoggio e un modello di computer vision identifica i prodotti dall'immagine, in tempo reale. Il modello viene addestrato sul catalogo reale del cliente, cioè sui prodotti fotografati come si presentano davvero in quel locale, non su immagini generiche. I prodotti riconosciuti diventano righe di scontrino senza che nessuno digiti nulla. ### Serve hardware speciale, tipo scanner 3D o bilance intelligenti? No. In Cash AI abbiamo usato una telecamera normale sopra il piano d'appoggio e la macchina della cassa che il locale aveva già. Il grosso dell'investimento sta nel software e nella costruzione del dataset, non nei dispositivi. È anche il motivo per cui il progetto era sostenibile già nel 2022. ### Cosa succede se il sistema non riconosce un prodotto o sbaglia? Il modello non risponde sì o no: per ogni prodotto dichiara un livello di confidenza. Sopra la soglia procede da solo, sotto la soglia si ferma e chiede conferma all'operatore invece di indovinare. In pratica la persona non controlla tutto lo scontrino, ma solo i pochi casi incerti che il sistema segnala. ### Cosa succede quando cambia il catalogo prodotti? L'addestramento è incrementale: le correzioni fatte in cassa diventano nuovi esempi e il modello viene riaddestrato solo sulle novità, non sull'intero catalogo. Così un menù che ruota ogni settimana o un packaging che cambia non obbligano a rifare il progetto da capo. ### Il riconoscimento prodotti con computer vision funziona solo nella ristorazione? No, la ristorazione è solo il posto dove l'abbiamo installato. Il problema che risolve è più generale: una persona guarda degli oggetti e li ricopia dentro un computer. Vale per il magazziniere che ribatte la bolla nel gestionale, per chi trascrive misure o conta pezzi. Se il gesto si ripete tante volte al giorno e l'errore costa, il conto in genere torna. --- Fonte: https://www.spsproject.net/cash-ai-la-cassa-che-riconosce-i-prodotti-guardandoli/ — SpsProject