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 en la salida de una tienda que emiten un pitido cuando pasa un artículo sin pagar, ha visto sistemas de Vigilancia Electrónica de Artículos (EAS) en funcionamiento. Estos sistemas se utilizan comúnmente en la seguridad minorista. Están diseñados para detectar artículos con etiquetas de seguridad que no se han desactivado en la caja. Si bien son útiles para la prevención básica de robos, los sistemas EAS se limitan a detectar artículos etiquetados y, a menudo, pasan por alto otros tipos de robos.
La inteligencia artificial (IA) puede proporcionar una solución más avanzada en forma de visión artificial, una rama de la IA que permite a las máquinas interpretar y analizar la información visual del mundo que les rodea. La visión artificial se puede utilizar para analizar el comportamiento del cliente, rastrear el inventario e incluso reconocer actividades sospechosas en tiempo real. En lugar de depender únicamente de los artículos etiquetados, los sistemas de visión artificial pueden detectar patrones que indican un posible robo, como alguien que permanece en áreas restringidas, oculta artículos o evita los puntos de pago.
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.
Mediante el uso de modelos de visión artificial como Ultralytics YOLO11, las tiendas minoristas pueden mejorar significativamente sus esfuerzos de seguridad a través de la detección de objetos y el seguimiento en tiempo real. La detección de objetos puede ayudar a identificar objetos, personas o artículos específicos en una transmisión de video, mientras que el seguimiento de objetos se puede utilizar para seguir estos objetos identificados a través de múltiples fotogramas, monitoreando su movimiento en toda la tienda. Juntas, estas técnicas pueden brindar una vista integral y en tiempo real de la actividad que ocurre 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 forman la base de la detección de objetos, están diseñadas para analizar datos visuales como imágenes y fotogramas de vídeo, lo que ayuda al sistema a reconocer elementos específicos o áreas de la tienda. Las LSTM, por el contrario, están construidas 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 que un cliente manipule frecuentemente 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 artificial que pueden complementar las innovaciones de IA de visión diseñadas específicamente para la prevención de robos. El reconocimiento facial es una de estas herramientas, utilizada para identificar individuos mediante el análisis de rasgos faciales, lo que puede ayudar a detectar a delincuentes conocidos o a aquellos que exhiben un comportamiento sospechoso. Algunas tiendas utilizan esta tecnología para alertar a la seguridad cuando entran ladrones identificados. Sin embargo, los clientes deberían ser informados de este uso para abordar las preocupaciones sobre la privacidad.
La estimación de pose puede añadir otra capa de seguridad analizando la posición del cuerpo y el movimiento para detectar acciones como ocultar objetos o posturas inusuales relacionadas con el robo. Esta técnica ayuda al sistema a interpretar el lenguaje corporal y a emitir alertas tempranas para que la seguridad intervenga si es 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 caso de estudio de JJ Liquors en Washington, D.C., es un gran ejemplo de cómo los sistemas de vigilancia con IA pueden ayudar a detectar robos en tiempo real. A pesar de tener múltiples cámaras de seguridad, el dueño de la tienda, KJ Singh, se enfrentaba a pérdidas diarias por hurto.
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 minorista y seguridad herramientas fiables para detectar y reducir las pérdidas de forma más eficaz. Estos son algunos de los principales beneficios de la IA en la prevención de robos:
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 es el desenfoque o la anonimización de las características de identificación a través de la visión artificial. Los rasgos faciales u otros datos personales pueden difuminarse automáticamente, lo que permite al sistema rastrear patrones de comportamiento sin identificar a las personas. Modelos como YOLO11 pueden apoyar estas prácticas de preservación de la privacidad detectando y monitoreando objetos en tiempo real, mientras se centran en comportamientos específicos en lugar de identificar individuos. Esto permite a las tiendas detectar robos en tiempo real al tiempo que protegen la privacidad del cliente.
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 artificial están cambiando la forma en que las tiendas previenen el hurto, ofreciendo herramientas inteligentes para detectar comportamientos sospechosos y reducir las pérdidas de una manera 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. 🚀
.webp)