15 de noviembre de 2024
Únase a nosotros para ver cómo funciona la IA de visión en la prevención de robos con ejemplos de la vida real, la detección impulsada por la IA y la información 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 detect 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, track 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 detect patrones que indiquen posibles robos, como alguien que permanece en zonas restringidas, oculta artículos o evita pasar por caja.
La información obtenida de los sistemas de seguridad con visión artificial puede ayudar a los equipos de seguridad a responder instantáneamente a comportamientos sospechosos, reduciendo las pérdidas y mejorando la seguridad de la tienda. La visión artificial también se puede adaptar a diversos entornos minoristas, desde pequeñas tiendas hasta grandes almacenes.
En este artículo, analizaremos cómo la visión artificial está cambiando la prevención de robos en el comercio minorista y el almacenamiento. ¡Empecemos!
Primero, exploremos las diferentes técnicas de visión artificial que se pueden utilizar para prevenir el robo y comprender cómo funcionan.
Utilizando modelos de visión por ordenador como Ultralytics YOLO11de Ultralytics, los comercios pueden mejorar significativamente sus esfuerzos de seguridad mediante la detección y el 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, digamos que un cliente recoge un artículo de alto valor, como un bolso de diseño, y camina por diferentes secciones de la tienda. Las imágenes de vigilancia se pueden analizar utilizando la detección de objetos para identificar el bolso y marcarlo como un artículo de interés. A medida que el cliente se mueve, se puede utilizar el seguimiento de objetos para seguir continuamente tanto el bolso como a la persona que lo lleva. En función de las zonas predefinidas, como una salida, cualquier comportamiento inusual, como moverse hacia la salida sin pasar por el área de pago, puede activar una alerta.
El análisis del comportamiento y el reconocimiento de patrones pueden llevar la prevención de robos un paso más allá al centrarse en cómo se comportan los clientes en la tienda. Proporciona información más allá de dónde se mueven los clientes o qué artículos recogen. Si bien la detección de objetos y el seguimiento son útiles para seguir objetos específicos de interés, el análisis del comportamiento puede monitorear patrones en las acciones de los clientes que podrían sugerir intenciones sospechosas.
Por ejemplo, la Visión Artificial puede utilizarse para identificar si un cliente coge y deja repetidamente el mismo artículo, se detiene en un pasillo en particular o se acerca de forma inusual a zonas restringidas. La investigación en este campo está avanzando, 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 Corto 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 detect patrones en las acciones de los clientes. Esto significa que las LSTM pueden track comportamientos repetidos, como el de un cliente que manipula con frecuencia el mismo artículo.
Al combinar CNN y LSTM, los sistemas de IA de visión pueden capturar tanto el "qué" (los objetos o personas involucradas) 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 detect 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 detect 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 maneras prácticas en la actualidad. En particular, la IA para la prevención de robos ahora se está adoptando ampliamente en las tiendas de todo el mundo, lo que ayuda a los minoristas a abordar el hurto 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 detect 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 abordar este problema, instaló un sistema de vigilancia impulsado por IA que funciona con sus cámaras existentes. La IA analiza el lenguaje corporal y el movimiento de los clientes, identificando acciones sospechosas como ocultar artículos en bolsillos o bolsas. Cuando detecta algo inusual, Singh recibe una alerta instantánea en su teléfono, junto con un vídeo clip de la actividad.
El video le permite responder antes de que el cliente salga de la tienda. Esta respuesta en tiempo real ayuda a prevenir el robo y facilita que Singh confronte a los ladrones con confianza. Desde que añadió el sistema de IA, ha podido detener con éxito varios robos, lo que demuestra la eficacia de la vigilancia con IA en la prevención del hurto en tiendas.
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 detect 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 desafíos clave:
La comunidad de la IA y la sociedad en general están fomentando las innovaciones éticas y de IA responsable. Por lo tanto, es probable que el futuro de la visión artificial en la prevención de robos priorice las tecnologías de preservación de la privacidad. Estos avances pretenden equilibrar la seguridad eficaz con el respeto a la privacidad del cliente, permitiendo a las tiendas controlar 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 track 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 detect robos en tiempo real y proteger la intimidad de los clientes.
Del mismo modo, el edge computing ayuda a procesar los datos en dispositivos locales, como las cámaras de las tiendas, lo que reduce la necesidad de enviar información a la nube y, a su vez, minimiza los riesgos para la privacidad. Con estos métodos centrados en la privacidad, el futuro de la prevención de robos puede ser seguro y respetuoso, generando confianza al tiempo que se mejora la seguridad de la tienda.
La IA y la visión por ordenador están cambiando la forma en que las tiendas previenen los robos, ya que ofrecen herramientas inteligentes para detect comportamientos sospechosos y reducir las pérdidas de forma más ágil.
Con capacidades como la detección de objetos, el seguimiento y el análisis avanzado del comportamiento, Vision AI permite la monitorización 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 el robo antes de que ocurra 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 e interactúe con nuestra comunidad. Explore las aplicaciones de la IA en la fabricación y la agricultura en nuestras páginas de soluciones. 🚀
