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 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 detect 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 furto.
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, track o inventário e até reconhecer actividades suspeitas em tempo real. Em vez de depender apenas de itens etiquetados, os sistemas de visão computacional podem detect padrões que indicam um potencial roubo, como alguém que se demora em áreas restritas, esconde itens ou contorna os pontos de caixa.
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.
Utilizando modelos de visão por computador como o Ultralytics YOLO11as 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 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 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 detect padrões nas acções dos clientes. Isto significa que os LSTMs podem track comportamentos repetidos, como o facto de um cliente manusear frequentemente o mesmo artigo.
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 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 detect 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 detect 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 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 excelente exemplo de como os sistemas de vigilância com IA podem ajudar a detect 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, 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 à prevenção de furtos, fornecendo às equipas de retalho e de segurança ferramentas fiáveis para detect 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 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 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 track 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 detect roubos em tempo real, protegendo a privacidade dos clientes.
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 a mudar a forma como as lojas previnem os roubos, oferecendo ferramentas inteligentes para detect comportamentos suspeitos e reduzir as perdas de uma 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. 🚀
