15 de noviembre de 2024
Acompáñenos en este repaso al funcionamiento de Vision AI en la prevención de robos con ejemplos reales, detección basada en IA y perspectivas sobre el futuro de la seguridad.
Si alguna vez ha pasado por delante de unas puertas altas a la salida de una tienda que pitan cuando pasa un artículo sin pagar, habrá visto cómo funcionan los sistemas de vigilancia electrónica de artículos (EAS). Estos sistemas se utilizan habitualmente en la seguridad de los comercios. Están diseñados para detectar artículos con etiquetas de seguridad que no se han desactivado en la caja. Aunque son útiles para la prevención básica de hurtos, los sistemas EAS se limitan a detectar artículos etiquetados y a menudo pasan por alto otros tipos de hurto.
La inteligencia artificial (IA) puede ofrecer una solución más avanzada en forma de visión por ordenador, una rama de la IA que permite a las máquinas interpretar y analizar la información visual del mundo que las rodea. La visión por ordenador puede utilizarse para analizar el comportamiento de los clientes, hacer un seguimiento del inventario e incluso reconocer actividades sospechosas en tiempo real. En lugar de basarse únicamente en los artículos etiquetados, los sistemas de visión por ordenador pueden detectar patrones que indiquen posibles robos, como alguien que permanece en zonas restringidas, oculta artículos o evita pasar por caja.
Los sistemas de seguridad con visión pueden ayudar a los equipos de seguridad a responder instantáneamente a comportamientos sospechosos, reduciendo las pérdidas y mejorando la seguridad de las tiendas. La visión por ordenador también puede adaptarse a diversos entornos comerciales, desde pequeñas tiendas a grandes almacenes.
En este artículo veremos cómo la visión por ordenador está cambiando la prevención de robos en comercios y almacenes. Comencemos.
En primer lugar, exploremos las distintas técnicas de visión por ordenador que pueden utilizarse para evitar robos y comprendamos cómo funcionan.
Mediante el uso de modelos de visión por ordenador como Ultralytics YOLO11, las tiendas minoristas pueden mejorar significativamente sus esfuerzos de seguridad a través de la detección y seguimiento de objetos en tiempo real. La detección de objetos puede ayudar a identificar objetos, personas o artículos específicos en una secuencia de vídeo, mientras que el seguimiento de objetos puede utilizarse para seguir estos objetos identificados a través de múltiples fotogramas, controlando su movimiento por toda la tienda. Juntas, estas técnicas pueden ofrecer una visión completa y en tiempo real de la actividad que tiene lugar en la tienda.
Por ejemplo, supongamos que un cliente coge un artículo de gran valor, como un bolso de diseño, y se pasea por diferentes secciones de la tienda. Las imágenes de vigilancia pueden analizarse mediante detección de objetos para identificar el bolso y marcarlo como objeto de interés. A medida que el cliente se desplaza, se puede utilizar el seguimiento de objetos para seguir continuamente tanto el bolso como a la persona que lo lleva. Basándose en zonas predefinidas, como una salida, cualquier comportamiento inusual, como desplazarse hacia la salida sin pasar por la zona de cajas, puede activar una alerta.
El análisis del comportamiento y el reconocimiento de patrones pueden llevar la prevención de robos un paso más allá, centrándose en cómo se comportan los clientes en la tienda. Proporcionan información que va más allá de por dónde se mueven los clientes o qué artículos cogen. Mientras que la detección y el seguimiento de objetos son útiles para seguir objetos específicos de interés, el análisis del comportamiento puede controlar patrones en las acciones de los clientes que podrían sugerir intenciones sospechosas.
Por ejemplo, Vision AI puede utilizarse para identificar si un cliente coge y deja repetidamente el mismo artículo, se demora en un pasillo concreto o se acerca inusualmente a zonas restringidas. La investigación en este campo avanza, con técnicas cada vez más sofisticadas para mejorar la precisión de la detección. Un enfoque prometedor combina dos tipos de modelos de IA: Las redes neuronales convolucionales (CNN) y las redes de memoria a largo plazo ( LSTM).
Las CNN, que constituyen la base de la detección de objetos, están diseñadas para analizar datos visuales como imágenes y fotogramas de vídeo, ayudando al sistema a reconocer artículos específicos o zonas de la tienda. Las LSTM, en cambio, están diseñadas para retener información a lo largo del tiempo, lo que permite al sistema detectar patrones en las acciones de los clientes. Esto significa que las LSTM pueden rastrear comportamientos repetidos, como el de un cliente que manipula con frecuencia el mismo artículo.
Combinando CNN y LSTM, los sistemas Vision AI pueden captar tanto el "qué" (los objetos o personas implicados) como el "cuándo" (el momento y la secuencia de las acciones). Este enfoque integrado es muy útil para identificar comportamientos sutiles de hurto en tiendas.
Existen otras técnicas de visión por ordenador que pueden complementar las innovaciones de Vision AI diseñadas específicamente para la prevención de robos. El reconocimiento facial es una de estas herramientas, que se utiliza para identificar a las personas mediante el análisis de los rasgos faciales, lo que puede ayudar a detectar a delincuentes conocidos o a aquellos que muestran un comportamiento sospechoso. Algunas tiendas utilizan esta tecnología para alertar a seguridad cuando entran ladrones señalados. Sin embargo, los clientes tendrían que ser conscientes de este uso para abordar los problemas de privacidad.
La estimación de poses puede añadir otra capa de seguridad analizando la posición y el movimiento del cuerpo para detectar acciones como la ocultación de objetos o posturas inusuales relacionadas con el robo. Esta técnica ayuda al sistema a interpretar el lenguaje corporal y emitir alertas tempranas para que la seguridad intervenga en caso necesario.
La IA puede parecer una tecnología futurista, pero ya se está utilizando de muchas formas prácticas en la actualidad. En particular, la IA para la prevención de robos se está adoptando de forma generalizada en tiendas de todo el mundo, ayudando a los minoristas a hacer frente a los hurtos en tiempo real.
Un estudio de caso de JJ Liquors en Washington, D.C., es un gran ejemplo de cómo los sistemas de vigilancia por IA pueden ayudar a detectar robos en tiempo real. A pesar de tener varias cámaras de seguridad, el propietario de la tienda, KJ Singh, sufría pérdidas diarias por hurtos.
Para resolver este problema, instaló un sistema de vigilancia basado en inteligencia artificial que funciona con las cámaras que ya tenía. La IA analiza el lenguaje corporal y los movimientos de los clientes e identifica acciones sospechosas, como esconder objetos en bolsillos o bolsas. Cuando detecta algo inusual, Singh recibe una alerta instantánea en su teléfono, junto con un vídeo de la actividad.
Las pruebas de vídeo le permiten responder antes de que el cliente abandone la tienda. Esta respuesta en tiempo real ayuda a prevenir los hurtos y facilita a Singh enfrentarse a los ladrones con confianza. Desde que incorporó el sistema de IA, ha podido detener con éxito varios robos, lo que demuestra lo eficaz que puede ser la vigilancia con IA en la prevención de robos en comercios.
La IA aporta muchas ventajas a la prevención de robos, proporcionando a los equipos de venta al por menor y de seguridad herramientas fiables para detectar y reducir las pérdidas con mayor eficacia. Estas son algunas de las principales ventajas de la IA en la prevención de hurtos:
Sin embargo, también existen limitaciones a la hora de confiar en la IA para la prevención de robos. Estos son algunos de los principales retos:
La comunidad de la IA y la sociedad en general fomentan las innovaciones éticas y responsables. Así pues, es probable que el futuro de la visión por ordenador en la prevención de robos dé prioridad a las tecnologías que preservan la intimidad. Estos avances pretenden equilibrar la seguridad efectiva con el respeto a la intimidad del cliente, permitiendo a las tiendas vigilar los comportamientos sospechosos sin comprometer los derechos personales.
Un método relacionado consiste en difuminar o anonimizar los rasgos identificativos mediante visión por ordenador. Los rasgos faciales u otros detalles personales pueden difuminarse automáticamente, lo que permite al sistema seguir patrones de comportamiento sin identificar a las personas. Modelos como YOLO11 pueden apoyar estas prácticas de preservación de la intimidad detectando y controlando objetos en tiempo real y centrándose en comportamientos específicos en lugar de identificar a las personas. Esto permite a las tiendas detectar robos en tiempo real y proteger la intimidad de los clientes.
Del mismo modo, la computación de borde ayuda a procesar datos en dispositivos locales como las cámaras de las tiendas, reduciendo la necesidad de enviar información a la nube y, a su vez, minimizando los riesgos para la privacidad. Con estos métodos centrados en la privacidad, el futuro de la prevención de robos puede ser a la vez seguro y respetuoso, generando confianza y mejorando la seguridad de las tiendas.
La IA y la visión por ordenador están cambiando la forma en que las tiendas previenen los robos, ya que ofrecen herramientas inteligentes para detectar comportamientos sospechosos y reducir las pérdidas de forma más ágil.
Con funciones como la detección de objetos, el seguimiento y el análisis avanzado del comportamiento, Vision AI permite la supervisión en tiempo real y proporciona información basada en datos que permite a los equipos de seguridad responder rápidamente a posibles amenazas. El uso de la IA puede ayudar a prevenir los robos antes de que se produzcan y crear un entorno más seguro tanto para los clientes como para el personal.
Para obtener más información sobre la IA, visite nuestro repositorio de GitHub y participe en nuestra comunidad. Explore las aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones. 🚀
.webp)