Visão computacional para prevenir furtos: reforçar a segurança

Se você já passou por portões altos na saída de uma loja que apitam quando um item não pago passa por eles, já viu sistemas de vigilância eletrônica de artigos (EAS) em ação. Esses sistemas são usados com frequência na segurança do varejo. Eles foram projetados para detectar itens com etiquetas de segurança que não foram desativadas no caixa. Embora sejam úteis para evitar furtos básicos, os sistemas EAS se limitam a detectar itens etiquetados e muitas vezes não identificam outros tipos de furto.

A inteligência artificial (IA) pode oferecer uma solução mais avançada por meio da visão computacional, um ramo da IA que permite às máquinas interpretar e analisar informações visuais do mundo ao redor. A visão computacional pode ser usada para analisar o comportamento dos clientes, rastrear o estoque e até reconhecer atividades suspeitas em tempo real. Em vez de depender apenas de itens etiquetados, os sistemas de visão computacional podem detectar padrões que indicam possíveis furtos, como alguém que permanece em áreas restritas, esconde itens ou evita os caixas.

As informações obtidas por meio de sistemas de segurança com visão computacional podem ajudar as equipes de segurança a reagir imediatamente a comportamentos suspeitos, reduzindo perdas e aumentando a segurança das lojas. A visão computacional também pode ser adaptada a diversos ambientes de varejo, de pequenas lojas a grandes depósitos.

Neste artigo, vamos analisar como a visão computacional está transformando a prevenção de furtos no varejo e em depósitos.

Quais tarefas de visão computacional são adequadas para prevenir furtos?#

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

Uso de detecção e rastreamento de objetos para reforçar a segurança#

Com modelos de visão computacional como o Ultralytics YOLO11, as lojas de varejo podem melhorar significativamente suas medidas de segurança por meio da detecção de objetos e do rastreamento em tempo real. A detecção de objetos pode ajudar a identificar objetos, pessoas ou itens específicos em um fluxo de vídeo, enquanto o rastreamento de objetos pode acompanhar esses elementos identificados em vários quadros, monitorando seu movimento pela loja. Juntas, essas técnicas oferecem uma visão abrangente e em tempo real das atividades que acontecem na loja.

Por exemplo, imagine que um cliente pegue um item de alto valor, como uma bolsa de grife, e passe por diferentes setores da loja. As imagens de vigilância podem ser analisadas por detecção de objetos para identificar a bolsa e sinalizá-la como um item de interesse. À medida que o cliente se desloca, o rastreamento de objetos pode acompanhar continuamente tanto a bolsa quanto a pessoa que a carrega. Com base em zonas predefinidas, como uma saída, qualquer comportamento incomum — por exemplo, seguir em direção à saída sem passar pela área dos caixas — pode acionar um alerta.

Fig. 1. A detecção e o rastreamento de objetos podem ajudar a monitorar atividades dentro de uma loja. (Imagem do autor).

Análise comportamental e reconhecimento de padrões com IA visual#

A análise comportamental e o reconhecimento de padrões podem levar a prevenção de furtos um passo adiante, concentrando-se no comportamento dos clientes na loja. Isso oferece informações além dos locais por onde os clientes circulam ou dos itens que pegam. Embora a detecção e o rastreamento de objetos sejam úteis para acompanhar itens de interesse específicos, a análise comportamental pode monitorar padrões nas ações dos clientes que talvez indiquem intenção suspeita.

Por exemplo, a Vision AI pode ser usada para identificar se um cliente pega e devolve repetidamente o mesmo item, permanece em um corredor específico ou se aproxima de forma incomum de áreas restritas. As pesquisas nessa área estão avançando, com técnicas cada vez mais sofisticadas para melhorar a precisão da detecção. Uma abordagem promissora combina dois tipos de modelos de IA: redes neurais convolucionais (CNNs) e redes de memória de longo e curto prazo (LSTM).

As CNNs, que são a base da detecção de objetos, foram projetadas para analisar dados visuais, como imagens e quadros de vídeo, ajudando o sistema a reconhecer itens ou áreas específicas da loja. As LSTMs, por sua vez, são desenvolvidas para reter informações ao longo do tempo, permitindo que o sistema detecte padrões nas ações dos clientes. Isso significa que as LSTMs podem acompanhar comportamentos repetidos, como um cliente manusear o mesmo item com frequência.

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

Fig. 2. Uso de visão computacional para detectar comportamento suspeito.

Outras técnicas de visão computacional comumente usadas na prevenção de furtos#

Há outras técnicas de visão computacional que podem complementar as inovações de Vision AI desenvolvidas especificamente para prevenir furtos. O reconhecimento facial é uma dessas ferramentas: ele identifica pessoas analisando características faciais, o que pode ajudar a detectar infratores conhecidos ou pessoas que exibem comportamento suspeito. Algumas lojas usam essa tecnologia para alertar a segurança quando pessoas sinalizadas por furtos entram no local. No entanto, os clientes precisam ser informados desse uso para que as preocupações com a privacidade sejam consideradas.

A estimativa de pose pode acrescentar outra camada de segurança ao analisar a posição e os movimentos do corpo para detectar ações como esconder itens ou adotar posturas incomuns associadas a furtos. Essa técnica ajuda o sistema a interpretar a linguagem corporal e emitir alertas antecipados para que a equipe de segurança possa intervir, se necessário.

Fig. 3. Compreendendo a postura corporal de uma pessoa que furta em lojas.

Sistemas de vigilância com IA podem detectar furtos em tempo real#

A IA pode parecer uma tecnologia futurista, mas já é usada hoje de muitas maneiras práticas. Em particular, a IA para prevenção de furtos está sendo amplamente adotada em lojas do mundo todo, ajudando varejistas a combater furtos em tempo real.

Um estudo de caso da JJ Liquors, em Washington, D.C., é um exemplo de como sistemas de vigilância com IA podem ajudar a detectar furtos em tempo real. Apesar de ter várias câmeras de segurança, o proprietário da loja, KJ Singh, sofria perdas diárias com furtos.

Para resolver esse problema, ele instalou um sistema de vigilância com IA que funciona com as câmeras existentes. A IA analisa a linguagem corporal e os movimentos dos clientes, identificando ações suspeitas, como esconder itens nos bolsos ou em bolsas. Quando detecta algo incomum, Singh recebe um alerta instantâneo no celular, junto com um clipe de vídeo da atividade.

As evidências em vídeo permitem que ele aja antes que o cliente saia da loja. Essa resposta em tempo real ajuda a evitar furtos e facilita a abordagem de suspeitos por Singh com confiança. Desde que instalou o sistema de IA, ele conseguiu impedir vários furtos, mostrando a eficácia da vigilância por IA na prevenção de furtos no varejo.

Vantagens e desvantagens da IA na prevenção de furtos#

A IA oferece muitas vantagens para a prevenção de furtos, fornecendo às equipes de varejo e segurança ferramentas confiáveis para detectar e reduzir perdas com mais eficiência. Veja alguns dos principais benefícios da IA na prevenção de furtos:

• Menor dependência da equipe: reduz a necessidade de vigilância humana constante, o que ajuda a cortar custos e diminuir o cansaço da equipe de segurança.
• Dados informativos: oferece informações baseadas em dados sobre tendências de furtos, ajudando as lojas a ajustar suas estratégias de segurança com base em padrões reais.
• Maior precisão: reduz o número de falsos alarmes e identifica padrões sutis que podem passar despercebidos pelas pessoas.

No entanto, também há limitações quando se depende da IA para prevenir furtos. Estes são alguns dos principais desafios:

• Preocupações com a privacidade: levanta questões sobre o monitoramento e a análise do comportamento dos clientes, o que pode afetar a confiança deles.
• Manutenção técnica: os sistemas de IA exigem atualizações e manutenção regulares para acompanhar novas táticas de furto.
• Altos custos de implementação: o custo de instalar e manter sistemas de IA pode ser um obstáculo para empresas menores.

O futuro da visão computacional na prevenção de furtos#

A comunidade de IA e a sociedade em geral incentivam inovações éticas e de IA responsável. Por isso, é provável que o futuro da visão computacional na prevenção de furtos priorize tecnologias que preservem a privacidade. Esses avanços buscam equilibrar a segurança eficaz com o respeito à privacidade dos clientes, permitindo que as lojas monitorem comportamentos suspeitos sem comprometer os direitos individuais.

Um método relacionado é desfocar ou anonimizar características que permitem identificar alguém usando visão computacional. Características faciais ou outros dados pessoais podem ser desfocados automaticamente, permitindo que o sistema acompanhe padrões de comportamento sem identificar indivíduos. Modelos como o YOLO11 podem ajudar a aplicar essas medidas de proteção à privacidade, detectando e monitorando objetos em tempo real e se concentrando em comportamentos específicos, em vez de identificar indivíduos. Isso permite que as lojas detectem furtos em tempo real e, ao mesmo tempo, protejam a privacidade dos clientes.

Fig. 4. Uso do desfoque para monitorar padrões de comportamento sem revelar a identidade das pessoas.

Da mesma forma, a computação de borda ajuda a processar dados em dispositivos locais, como câmeras dentro das lojas, reduzindo a necessidade de enviar informações para a nuvem e, consequentemente, minimizando os riscos à privacidade. Com esses métodos voltados à privacidade, o futuro da prevenção de furtos pode ser seguro e respeitoso, promovendo a confiança e melhorando a segurança das lojas.

Prevenção de furtos mais inteligente para lojas mais seguras#

A IA e a visão computacional estão mudando a forma como as lojas previnem furtos, oferecendo ferramentas inteligentes para detectar comportamentos suspeitos e reduzir perdas de maneira mais eficiente.

Com recursos como detecção e rastreamento de objetos e análise comportamental avançada, a Vision AI possibilita o monitoramento em tempo real e oferece informações baseadas em dados que permitem às equipes de segurança reagir rapidamente a possíveis ameaças. O uso de IA pode ajudar a evitar furtos antes que ocorram e criar um ambiente mais seguro para clientes e funcionários.

Para saber mais sobre IA, acesse nosso repositório no GitHub e participe da nossa comunidade. Explore aplicações de IA em manufatura e agricultura nas páginas das nossas soluções.