15 de novembro de 2024
Junte-se a nós e veja como a Vision AI funciona na prevenção de roubos com exemplos da vida real, deteção orientada por IA e percepções sobre o futuro da segurança.
Se alguma vez passou por portões altos à saída de uma loja que apitam quando um artigo não pago passa, viu os sistemas de Vigilância Eletrónica de Artigos (EAS) em funcionamento. Estes sistemas são normalmente utilizados na segurança de retalho. São concebidos para detetar artigos com etiquetas de segurança que não tenham sido desactivadas na caixa. Embora sejam úteis para a prevenção básica de furtos, os sistemas EAS limitam-se a apanhar artigos com etiquetas e muitas vezes não detectam outros tipos de furtos.
A inteligência artificial (IA) pode fornecer uma solução mais avançada sob a forma de visão por computador, um ramo da IA que permite às máquinas interpretar e analisar informações visuais do mundo que as rodeia. A visão por computador pode ser utilizada para analisar o comportamento dos clientes, controlar o inventário e até reconhecer actividades suspeitas em tempo real. Em vez de depender apenas de itens etiquetados, os sistemas de visão computacional podem detetar padrões que indicam potenciais roubos, tais como alguém que permanece em áreas restritas, esconde itens ou contorna os pontos de caixa.
As percepções dos sistemas de segurança com visão podem ajudar as equipas de segurança a responder instantaneamente a comportamentos suspeitos, reduzindo as perdas e melhorando a segurança da loja. A visão computacional também pode ser adaptada a vários ambientes de retalho, desde pequenas lojas a grandes armazéns.
Neste artigo, vamos analisar como a visão computacional está a mudar a prevenção de furtos no retalho e no armazenamento. Vamos começar!
Em primeiro lugar, vamos explorar as diferentes técnicas de visão computacional que podem ser utilizadas para impedir o roubo e compreender como funcionam.
Ao utilizar modelos de visão por computador como o Ultralytics YOLO11, as lojas de retalho podem melhorar significativamente os seus esforços de segurança através da deteção e seguimento de objectos em tempo real. A deteção de objectos pode ajudar a identificar objectos, pessoas ou itens específicos numa transmissão de vídeo, enquanto o seguimento de objectos pode ser utilizado para seguir estes objectos identificados através de vários fotogramas, monitorizando o seu movimento através da loja. Em conjunto, estas técnicas podem proporcionar uma visão abrangente e em tempo real da atividade que ocorre na loja.
Por exemplo, digamos que um cliente pega num artigo de elevado valor, como uma mala de marca, e percorre diferentes secções da loja. As imagens de vigilância podem ser analisadas utilizando a deteção de objectos para identificar a mala de mão e assinalá-la como um item de interesse. À medida que o cliente se desloca, o seguimento de objectos pode ser utilizado para seguir continuamente a mala e o indivíduo que a transporta. Com base em zonas predefinidas, como uma saída, qualquer comportamento invulgar, como mover-se em direção à saída sem passar pela área da caixa, pode acionar um alerta.
A análise comportamental e o reconhecimento de padrões podem levar a prevenção de furtos um passo à frente, concentrando-se na forma como os clientes se comportam na loja. Esta análise fornece informações que vão para além do local onde os clientes se deslocam ou dos artigos que apanham. Enquanto a deteção e o seguimento de objectos são úteis para seguir objectos específicos de interesse, a análise comportamental pode monitorizar padrões nas acções dos clientes que possam sugerir intenções suspeitas.
Por exemplo, a IA de visão pode ser utilizada para identificar se um cliente pega e larga repetidamente o mesmo artigo, se demora num determinado corredor ou se se aproxima de forma invulgar de áreas restritas. A investigação neste domínio 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 Neuronais Convolucionais (CNNs) e redes de Memória de Curto Prazo Longo (LSTM).
As CNNs, que constituem a base da deteção de objectos, foram concebidas para analisar dados visuais, como imagens e fotogramas de vídeo, ajudando o sistema a reconhecer artigos específicos ou áreas da loja. Os LSTMs, pelo contrário, são concebidos para reter informação ao longo do tempo, permitindo ao sistema detetar padrões nas acções dos clientes. Isto significa que os LSTMs podem seguir comportamentos repetidos, como o facto de um cliente manusear frequentemente o mesmo artigo.
Ao combinar CNNs e LSTMs, os sistemas Vision AI podem captar tanto o "quê" (os objectos ou as pessoas envolvidas) como o "quando" (o momento e a sequência das acções). 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 da Vision AI concebidas especificamente para a prevenção de roubos. O reconhecimento facial é uma dessas ferramentas, utilizada para identificar indivíduos através da análise das caraterísticas faciais, o que pode ajudar a detetar infractores conhecidos ou aqueles que exibem um comportamento suspeito. Algumas lojas utilizam esta tecnologia para alertar a segurança quando entram ladrões de lojas sinalizados. No entanto, os clientes teriam de ser informados desta utilização para resolver problemas de privacidade.
A estimativa da pose pode acrescentar outro nível de segurança, analisando o posicionamento e o movimento do corpo para detetar acções como a ocultação de objectos ou posturas invulgares associadas ao roubo. Esta técnica ajuda o sistema a interpretar a linguagem corporal e a emitir alertas precoces para que a segurança possa intervir, se necessário.
A IA pode parecer uma tecnologia futurista, mas já está a ser utilizada de muitas formas práticas atualmente. Em particular, a IA para prevenção de furtos está agora a ser amplamente adoptada em lojas de todo o mundo, ajudando os retalhistas a combater os furtos em lojas em tempo real.
Um estudo de caso da JJ Liquors em Washington, D.C., é um excelente exemplo de como os sistemas de vigilância com IA podem ajudar a detetar furtos em tempo real. Apesar de ter várias câmaras de segurança, o proprietário da loja, KJ Singh, enfrentava perdas diárias devido a furtos em lojas.
Para resolver este problema, instalou um sistema de vigilância alimentado por IA que funciona com as câmaras existentes. A IA analisa a linguagem corporal e os movimentos dos clientes, identificando acções suspeitas, como esconder objectos nos bolsos ou nos sacos. Quando detecta algo invulgar, Singh recebe um alerta instantâneo no seu telemóvel, juntamente com um vídeo da atividade.
As provas de vídeo permitem-lhe reagir antes de o cliente sair da loja. Esta resposta em tempo real ajuda a evitar o furto e facilita a Singh confrontar os ladrões de lojas com confiança. Desde que adicionou o sistema de IA, conseguiu impedir com êxito vários furtos, mostrando como a vigilância com IA pode ser eficaz na prevenção de furtos no retalho.
A IA traz muitas vantagens à prevenção de furtos, fornecendo às equipas de retalho e de segurança ferramentas fiáveis para detetar e reduzir as perdas de forma mais eficaz. Eis alguns dos principais benefícios da IA na prevenção de furtos:
No entanto, também existem limitações quando se trata de confiar na IA para a prevenção de roubos. Eis alguns dos principais desafios:
As inovações éticas e responsáveis da IA estão a ser incentivadas pela comunidade da IA e pela sociedade em geral. Assim, é provável que o futuro da visão computacional na prevenção de furtos dê prioridade às tecnologias de preservação da privacidade. Estes avanços têm como objetivo equilibrar a segurança eficaz com o respeito pela privacidade do cliente, permitindo que as lojas monitorizem comportamentos suspeitos sem comprometer os direitos pessoais.
Um método relacionado é o de esbater ou tornar anónimas as caraterísticas de identificação através da visão por computador. As caraterísticas faciais ou outros pormenores pessoais podem ser desfocados automaticamente, permitindo ao sistema seguir padrões de comportamento sem identificar indivíduos. Modelos como o YOLO11 podem apoiar estas práticas de preservação da privacidade, detectando e monitorizando objectos em tempo real, concentrando-se em comportamentos específicos em vez de identificar indivíduos. Isto permite que as lojas detectem roubos em tempo real, protegendo a privacidade dos clientes.
Do mesmo modo, a computação periférica ajuda a processar dados em dispositivos locais, como câmaras na loja, reduzindo a necessidade de enviar informações para a nuvem e, por sua vez, minimizando os riscos de privacidade. Com estes métodos centrados na privacidade, o futuro da prevenção de furtos pode ser seguro e respeitador, criando confiança e melhorando a segurança da loja.
A IA e a visão computacional estão a mudar a forma como as lojas previnem os roubos, oferecendo ferramentas inteligentes para detetar comportamentos suspeitos e reduzir as perdas de uma forma mais simplificada.
Com capacidades como a deteção de objectos, o rastreio e a análise comportamental avançada, a Vision AI permite a monitorização em tempo real e fornece informações baseadas em dados que permitem às equipas de segurança responder rapidamente a potenciais ameaças. A utilização da IA pode ajudar a evitar roubos antes que ocorram e a criar um ambiente mais seguro para os clientes e para o pessoal.
Para mais informações sobre IA, visite o nosso repositório GitHub e participe na nossa comunidade. Explore as aplicações de IA no fabrico e na agricultura nas nossas páginas de soluções. 🚀
.webp)
