15 de novembro de 2024
Junte-se a nós enquanto analisamos como a Visão de IA funciona na prevenção de roubos com exemplos da vida real, detecção orientada por IA e insights sobre o futuro da segurança.
Se alguma vez passou por portões altos na saída de uma loja que apitam quando um item não pago passa, viu os sistemas de Vigilância Eletrónica de Artigos (EAS) em ação. Estes sistemas são comumente usados na segurança do varejo. Eles são projetados para detetar itens com etiquetas de segurança que não foram desativadas no checkout. Embora sejam úteis para a prevenção básica de roubos, os sistemas EAS são limitados a apanhar itens etiquetados e muitas vezes perdem outros tipos de roubos.
A inteligência artificial (IA) pode fornecer uma solução mais avançada na forma de visão computacional, um ramo da IA que permite que as máquinas interpretem e analisem informações visuais do mundo ao seu redor. A visão computacional pode ser usada para analisar o comportamento do cliente, rastrear o inventário e até mesmo reconhecer atividades suspeitas em tempo real. Em vez de depender apenas de itens etiquetados, os sistemas de visão computacional podem detectar padrões que indicam um possível roubo, como alguém que permanece em áreas restritas, escondendo itens ou ignorando os pontos de checkout.
Os insights dos sistemas de segurança habilitados para visão podem ajudar as equipas de segurança a responder instantaneamente a comportamentos suspeitos, reduzindo perdas e aumentando a segurança da loja. A visão computacional também pode ser adaptada a vários ambientes de varejo, desde pequenas lojas a grandes armazéns.
Neste artigo, veremos como a visão computacional está mudando a prevenção de roubos no varejo e no armazenamento. Vamos começar!
Primeiro, vamos explorar as diferentes técnicas de visão computacional que podem ser usadas para prevenir roubos e entender como elas funcionam.
Ao usar modelos de visão computacional como o Ultralytics YOLO11, as lojas de varejo podem melhorar significativamente seus esforços de segurança por meio da detecção de objetos e rastreamento em tempo real. A detecção de objetos pode ajudar a identificar objetos, pessoas ou itens específicos em um feed de vídeo, enquanto o rastreamento de objetos pode ser usado para seguir esses objetos identificados em vários frames, monitorando seu movimento por toda a loja. Juntas, essas técnicas podem fornecer uma visão abrangente e em tempo real da atividade que acontece na loja.
Por exemplo, digamos que um cliente pegue um item de alto valor, como uma bolsa de grife, e caminhe por diferentes seções da loja. As imagens de vigilância podem ser analisadas usando a detecção de objetos para identificar a bolsa e sinalizá-la como um item de interesse. À medida que o cliente se move, o rastreamento de objetos pode ser usado para seguir continuamente tanto a bolsa quanto o indivíduo que a carrega. Com base em zonas predefinidas, como uma saída, qualquer comportamento incomum, como se mover em direção à saída sem passar pela área de checkout, pode acionar um alerta.
A análise comportamental e o reconhecimento de padrões podem levar a prevenção de roubos um passo adiante, concentrando-se em como os clientes se comportam na loja. Ele fornece insights além de onde os clientes estão se movendo ou quais itens eles pegam. Embora a detecção de objetos e o rastreamento sejam úteis para seguir objetos específicos de interesse, a análise comportamental pode monitorar padrões nas ações do cliente que podem sugerir intenções suspeitas.
Por exemplo, a Visão de IA pode ser usada para identificar se um cliente pega e pousa repetidamente o mesmo item, permanece num corredor específico ou se move invulgarmente perto de áreas restritas. A investigação neste campo está a avançar, com técnicas cada vez mais sofisticadas para melhorar a precisão da deteção. Uma abordagem promissora combina dois tipos de modelos de IA: Redes Neurais Convolucionais (CNNs) e redes de Memória de Longo Prazo (LSTM).
As CNNs, que formam a base da detecção de objetos, são projetadas para analisar dados visuais, como imagens e quadros de vídeo, ajudando o sistema a reconhecer itens específicos ou áreas de armazenamento. As LSTMs, em contrapartida, são construídas para reter informações ao longo do tempo, permitindo que o sistema detecte padrões nas ações do cliente. Isso significa que as LSTMs podem rastrear comportamentos repetidos, como um cliente manuseando frequentemente o mesmo item.
Ao combinar CNNs e LSTMs, os sistemas de Visão de IA podem capturar tanto o "quê" (os objetos ou pessoas envolvidas) quanto o "quando" (o timing e a sequência de ações). Esta abordagem integrada é muito útil para identificar comportamentos subtis de furto em lojas.
Existem outras técnicas de visão computacional que podem complementar as inovações de Visão de IA projetadas especificamente para a prevenção de roubos. O reconhecimento facial é uma dessas ferramentas, usada para identificar indivíduos analisando características faciais, o que pode ajudar a detectar infratores conhecidos ou aqueles que exibem comportamento suspeito. Algumas lojas usam essa tecnologia para alertar a segurança quando ladrões de loja sinalizados entram. No entanto, os clientes precisariam estar cientes desse uso para abordar as preocupações com a privacidade.
A estimativa de pose pode adicionar outra camada de segurança, analisando o posicionamento do corpo e o movimento para detectar ações como esconder itens ou posturas incomuns ligadas ao roubo. Esta técnica ajuda o sistema a interpretar a linguagem corporal e emitir alertas precoces para que a segurança intervenha, se necessário.
A IA pode parecer uma tecnologia futurista, mas já está a ser usada de muitas maneiras práticas hoje em dia. Em particular, a IA para prevenção de roubos está agora a ser amplamente adotada em lojas em todo o mundo, ajudando os retalhistas a combater o roubo em tempo real.
Um estudo de caso da JJ Liquors em Washington, D.C., é um ótimo exemplo de como os sistemas de vigilância por IA podem ajudar a detectar roubos em tempo real. Apesar de ter várias câmeras de segurança, o proprietário da loja, KJ Singh, enfrentava perdas diárias devido a furtos.
Para resolver este problema, ele instalou um sistema de vigilância alimentado por IA que funciona com as suas câmeras existentes. A IA analisa a linguagem corporal e o movimento dos clientes, identificando ações suspeitas, como esconder itens em bolsos ou sacos. Quando deteta algo invulgar, Singh recebe um alerta instantâneo no seu telefone, juntamente com um vídeo da atividade.
O vídeo permite que ele responda antes que o cliente saia da loja. Essa resposta em tempo real ajuda a evitar roubos e torna mais fácil para Singh confrontar os ladrões com confiança. Desde que adicionou o sistema de IA, ele conseguiu impedir vários roubos com sucesso, mostrando como a vigilância por IA pode ser eficaz na prevenção de roubos no varejo.
A IA traz muitas vantagens para a prevenção de roubos, fornecendo às equipas de retalho e segurança ferramentas fiáveis para detetar e reduzir perdas de forma mais eficaz. Aqui estão alguns dos principais benefícios da IA na prevenção de roubos:
No entanto, também existem limitações quando se trata de confiar na IA para prevenção de roubos. Aqui estão alguns dos principais desafios:
Inovações éticas e de IA responsável estão sendo incentivadas pela comunidade de IA e pela sociedade em geral. Portanto, é provável que o futuro da visão computacional na prevenção de roubos priorize tecnologias de preservação da privacidade. Esses avanços visam equilibrar a segurança eficaz com o respeito à privacidade do cliente, permitindo que as lojas monitorem comportamentos suspeitos sem comprometer os direitos pessoais.
Um método relacionado é o desfoque ou a anonimização de características de identificação por meio da visão computacional. Características faciais ou outros detalhes pessoais podem ser desfocados automaticamente, permitindo que o sistema rastreie padrões de comportamento sem identificar indivíduos. Modelos como o YOLO11 podem suportar essas práticas de preservação da privacidade, detectando e monitorando objetos em tempo real, concentrando-se em comportamentos específicos em vez de identificar indivíduos. Isso permite que as lojas detectem roubos em tempo real, protegendo a privacidade do cliente.
Da mesma forma, a computação de borda ajuda a processar dados em dispositivos locais, como câmeras de loja, reduzindo a necessidade de enviar informações para a nuvem e, por sua vez, minimizando os riscos de privacidade. Com esses métodos focados na privacidade, o futuro da prevenção de roubos pode ser seguro e respeitoso, construindo confiança e melhorando a segurança da loja.
A IA e a visão computacional estão mudando a forma como as lojas previnem roubos, oferecendo ferramentas inteligentes para detectar comportamentos suspeitos e reduzir perdas de forma mais simplificada.
Com recursos como detecção de objetos, rastreamento e análise comportamental avançada, a Vision AI permite o monitoramento em tempo real e fornece insights orientados por dados que possibilitam que as equipes de segurança respondam rapidamente a ameaças potenciais. O uso de IA pode ajudar a prevenir roubos antes que ocorram e criar um ambiente mais seguro para clientes e funcionários.
Para obter mais informações sobre IA, visite o nosso repositório GitHub e interaja com a nossa comunidade. Explore as aplicações de IA no fabrico e na agricultura nas nossas páginas de soluções. 🚀
.webp)