Visão computacional para a prevenção de furtos: reforçar a segurança

Se alguma vez passaste por portões altos à saída de uma loja que emitem um sinal sonoro quando um artigo não pago passa por eles, já viste sistemas de Vigilância Eletrónica de Artigos (EAS) em funcionamento. Estes sistemas são habitualmente utilizados na retail security. Foram concebidos para detetar artigos com etiquetas de security que não foram desativadas na caixa. Embora sejam úteis para a prevenção básica de furtos, os sistemas EAS limitam-se a detetar artigos etiquetados e muitas vezes não identificam outros tipos de furto.

A inteligência artificial (AI) pode fornecer uma solução mais avançada sob a forma de visão computacional, um ramo da AI que permite às máquinas interpretar e analisar informações visuais do mundo à sua volta. A visão computacional pode ser utilizada para analisar o comportamento dos clientes, acompanhar o inventário e até reconhecer atividades suspeitas em tempo real. Em vez de dependerem exclusivamente de artigos etiquetados, os sistemas de visão computacional podem detetar padrões que indicam um potencial furto, como alguém permanecer durante muito tempo em áreas restritas, ocultar artigos ou evitar os pontos de pagamento.

Os conhecimentos obtidos através de sistemas de segurança com visão podem ajudar as equipas de segurança a responder instantaneamente a comportamentos suspeitos, reduzindo perdas e reforçando a segurança da loja. A visão computacional também pode ser adaptada a vários ambientes de retalho, desde pequenas lojas a grandes armazéns.

Neste artigo, veremos como a visão computacional está a transformar a prevenção de furtos no retalho e no armazenamento. Vamos começar!

Que tarefas de visão computacional são adequadas para a prevenção de furtos?#

Primeiro, vamos explorar as diferentes técnicas de visão computacional que podem ser utilizadas para prevenir furtos e compreender como funcionam.

Utilizar a deteção e o rastreamento de objetos para reforçar a segurança#

Ao utilizarem modelos de visão computacional, como o Ultralytics YOLO11, as lojas de retalho podem melhorar significativamente os seus esforços de segurança através da deteção de objetos e do rastreamento em tempo real. A deteção de objetos pode ajudar a identificar objetos, pessoas ou artigos específicos numa transmissão de vídeo, enquanto o rastreamento de objetos pode ser utilizado para acompanhar esses objetos identificados ao longo de vários fotogramas, monitorizando o seu movimento por toda a loja. Em conjunto, estas técnicas podem fornecer uma visão abrangente e em tempo real da atividade que ocorre na loja.

Por exemplo, imaginemos que um cliente pega num artigo de elevado valor, como uma mala de designer, e percorre diferentes secções da loja. As imagens de videovigilância podem ser analisadas utilizando a deteção de objetos para identificar a mala e assinalá-la como um artigo de interesse. À medida que o cliente se desloca, o rastreamento de objetos pode ser utilizado para acompanhar continuamente tanto a mala como a pessoa que a transporta. Com base em zonas predefinidas, como uma saída, qualquer comportamento invulgar, como dirigir-se para a saída sem passar pela zona de pagamento, pode acionar um alerta.

Fig. 1. A deteção e o rastreamento de objetos podem ajudar a monitorizar atividades numa loja. (Imagem do autor).

Análise comportamental e reconhecimento de padrões com Vision AI#

A análise comportamental e o reconhecimento de padrões podem levar a prevenção de furtos um passo mais além, ao centrarem-se na forma como os clientes se comportam na loja. Fornecem informações que vão além do local para onde os clientes se deslocam ou dos artigos que pegam. Embora a deteção de objetos e o rastreamento sejam úteis para acompanhar objetos específicos de interesse, a análise comportamental pode monitorizar padrões nas ações dos clientes que possam sugerir uma intenção suspeita.

Por exemplo, a Vision AI pode ser utilizada para identificar se um cliente pega repetidamente no mesmo artigo e o volta a pousar, permanece durante muito tempo num determinado corredor ou se aproxima de forma invulgar 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 AI: redes neuronais convolucionais (CNNs) e redes de memória de longo e curto prazo (LSTM).

As CNNs, que constituem a base da deteção de objetos, foram concebidas para analisar dados visuais, como imagens e fotogramas de vídeo, ajudando o sistema a reconhecer artigos ou áreas específicas da loja. Em contrapartida, as LSTMs foram concebidas para reter informações ao longo do tempo, permitindo ao sistema detetar padrões nas ações dos clientes. Isto significa que as LSTMs podem acompanhar comportamentos repetidos, como um cliente manusear frequentemente o mesmo artigo.

Ao combinar CNNs e LSTMs, os sistemas de Vision AI podem captar tanto o "quê" (os objetos ou pessoas envolvidos) como o "quando" (o momento e a sequência das ações). Esta abordagem integrada é muito útil para identificar comportamentos subtis de furto em lojas.

Fig. 2. Utilização da visão computacional para detetar comportamentos suspeitos.

Outras técnicas de visão computacional frequentemente utilizadas na prevenção de furtos#

Existem outras técnicas de visão computacional que podem complementar as inovações de [Vision AI](https://ultralytics-translation-1.invalid concebidas especificamente para a prevenção de furtos. O reconhecimento facial é uma dessas ferramentas, utilizada para identificar indivíduos através da análise das características faciais, o que pode ajudar a detetar infratores conhecidos ou pessoas que apresentam comportamentos suspeitos. Algumas lojas utilizam esta tecnologia para alertar a segurança quando pessoas identificadas como suspeitas de furto entram no estabelecimento. No entanto, os clientes teriam de ser informados desta utilização para responder às preocupações relacionadas com a privacidade.

A estimativa de pose pode acrescentar outra camada de segurança ao analisar o posicionamento do corpo e os movimentos para detetar ações como ocultar artigos ou posturas invulgares associadas a furtos. Esta técnica ajuda o sistema a interpretar a linguagem corporal e a emitir alertas precoces para que a segurança intervenha, se necessário.

Fig. 3. Compreender a postura corporal de uma pessoa que furta numa loja.

Os sistemas de videovigilância com AI podem detetar furtos em tempo real#

A AI pode parecer uma tecnologia futurista, mas já é utilizada atualmente de muitas formas práticas. Em particular, a AI para a prevenção de furtos está a ser amplamente adotada em lojas de todo o mundo, ajudando os retalhistas a combater furtos em tempo real.

Um estudo de caso da JJ Liquors, em Washington, D.C., é um excelente exemplo de como os sistemas de videovigilância com AI 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.

Para resolver este problema, instalou um sistema de videovigilância alimentado por AI que funciona com as câmaras existentes. A AI analisa a linguagem corporal e os movimentos dos clientes, identificando ações suspeitas, como esconder artigos nos bolsos ou em sacos. Quando deteta algo invulgar, Singh recebe um alerta instantâneo no seu telemóvel, juntamente com um excerto de vídeo da atividade.

As provas em vídeo permitem-lhe agir antes de o cliente sair da loja. Esta resposta em tempo real ajuda a prevenir furtos e facilita a abordagem confiante de pessoas que furtam por parte de Singh. Desde que adicionou o sistema de AI, conseguiu impedir com sucesso vários furtos, demonstrando a eficácia da videovigilância com AI na prevenção de furtos no retalho.

Vantagens e desvantagens da AI na prevenção de furtos#

A AI traz muitas vantagens à prevenção de furtos, fornecendo às equipas de retalho e de segurança ferramentas fiáveis para detetar e reduzir perdas de forma mais eficaz. Eis alguns dos principais benefícios da AI na prevenção de furtos:

• Menor dependência dos funcionários: Reduz a necessidade de vigilância humana constante, ajudando a diminuir os custos e a fadiga dos profissionais de segurança.
• Dados informativos: Fornece informações baseadas em dados sobre tendências de furto, ajudando as lojas a ajustar as suas estratégias de segurança com base em padrões reais.
• Maior precisão: Reduz o número de falsos alarmes e identifica padrões subtis que podem passar despercebidos às pessoas.

No entanto, também existem limitações no que diz respeito à utilização de AI para a prevenção de furtos. Eis alguns dos principais desafios:

• Preocupações com a privacidade: Suscita questões relacionadas com a monitorização e a análise do comportamento dos clientes, o que pode afetar a confiança dos clientes.
• Manutenção técnica: Os sistemas de AI exigem atualizações e manutenção regulares para acompanharem novas táticas de furto.
• Custos elevados de implementação: O custo de instalação e manutenção dos sistemas de AI pode ser um obstáculo para empresas mais pequenas.

O futuro da visão computacional na prevenção de furtos#

A comunidade de AI e a sociedade em geral estão a incentivar inovações de AI responsável e ética. Por isso, é provável que o futuro da visão computacional na prevenção de furtos dê prioridade a tecnologias que preservem a privacidade. Estes avanços procuram equilibrar uma segurança eficaz com o respeito pela privacidade dos clientes, permitindo que as lojas monitorizem comportamentos suspeitos sem comprometer os direitos individuais.

Um método relacionado consiste em desfocar ou anonimizar características identificadoras através da visão computacional. As características faciais ou outros dados pessoais podem ser desfocados automaticamente, permitindo ao sistema acompanhar padrões de comportamento sem identificar os indivíduos. Modelos como o YOLO11 podem apoiar estas práticas de preservação da privacidade, detetando e monitorizando objetos em tempo real enquanto se concentram em comportamentos específicos, em vez de identificarem indivíduos. Isto permite às lojas detetar furtos em tempo real, protegendo simultaneamente a privacidade dos clientes.

Fig. 4. Utilização do desfoque para monitorizar padrões de comportamento sem revelar identidades individuais.

De forma semelhante, a computação periférica ajuda a processar dados em dispositivos locais, como as câmaras da loja, reduzindo a necessidade de enviar informações para a nuvem e, consequentemente, minimizando os riscos para a privacidade. Com estes métodos centrados na privacidade, o futuro da prevenção de furtos pode ser simultaneamente seguro e respeitador, criando confiança e melhorando a segurança da loja.

Uma prevenção de furtos mais inteligente para lojas mais seguras#

A AI e a visão computacional estão a transformar a forma como as lojas previnem furtos, oferecendo ferramentas inteligentes para detetar comportamentos suspeitos e reduzir perdas de forma mais eficiente.

Com capacidades como a deteção de objetos, o rastreamento 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 de AI pode ajudar a prevenir furtos antes de estes ocorrerem e criar um ambiente mais seguro tanto para os clientes como para os funcionários.

Para obteres mais informações sobre AI, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de AI na indústria e na agricultura nas nossas páginas de soluções. 🚀