Hırsızlığı önleme için bilgisayarlı görü: Güvenliği artırma

Ödenmemiş bir ürün geçerken ses çıkaran mağaza çıkışlarındaki uzun kapıların önünden geçtiysen, Elektronik Ürün Gözetimi (EAS) sistemlerini iş başında görmüşsündür. Bu sistemler genellikle perakende güvenliğinde kullanılır. Kasada devre dışı bırakılmamış güvenlik etiketlerine sahip ürünleri tespit etmek için tasarlanmışlardır. Temel hırsızlığı önleme konusunda faydalı olsalar da EAS sistemleri yalnızca etiketli ürünleri yakalamakla sınırlıdır ve genellikle diğer hırsızlık türlerini kaçırır.

Yapay zeka (AI), makinelerin çevrelerindeki dünyadan gelen görsel bilgileri yorumlamasını ve analiz etmesini sağlayan bir yapay zeka dalı olan computer vision biçiminde daha gelişmiş bir çözüm sağlayabilir. Computer vision; müşteri davranışını analiz etmek, envanteri takip etmek ve hatta şüpheli faaliyetleri gerçek zamanlı olarak tanımak için kullanılabilir. Yalnızca etiketli ürünlere güvenmek yerine, computer vision sistemleri; yasaklı bölgelerde vakit geçirme, ürünleri saklama veya ödeme noktalarını atlama gibi potansiyel hırsızlığa işaret eden kalıpları tespit edebilir.

Görsel destekli güvenlik sistemlerinden elde edilen içgörüler, güvenlik ekiplerinin şüpheli davranışlara anında müdahale etmesine yardımcı olarak kayıpları azaltır ve mağaza güvenliğini artırır. Computer vision, küçük mağazalardan büyük depolara kadar çeşitli perakende ortamlarına da uyarlanabilir.

Bu makalede, computer vision teknolojisinin perakende ve depoculukta hırsızlığı önleme sürecini nasıl değiştirdiğine bakacağız. Hadi başlayalım!

Hırsızlığı önleme için hangi bilgisayarlı görü görevleri uygundur?#

İlk olarak, hırsızlığı önlemek için kullanılabilecek farklı computer vision tekniklerini inceleyelim ve nasıl çalıştıklarını anlayalım.

Güvenliği artırmak için nesne algılama ve takibi kullanmak#

Ultralytics YOLO11 gibi computer vision modellerini kullanarak perakende mağazaları, gerçek zamanlı nesne algılama ve takip özellikleri sayesinde güvenlik çalışmalarını önemli ölçüde geliştirebilir. Nesne algılama, bir video akışındaki belirli nesneleri, kişileri veya öğeleri tanımlamaya yardımcı olurken; nesne takibi ise tanımlanan bu nesneleri birden fazla kare boyunca takip etmek ve mağaza içindeki hareketlerini izlemek için kullanılabilir. Bu teknikler birlikte, mağazada gerçekleşen faaliyetlerin kapsamlı, gerçek zamanlı bir görünümünü sunabilir.

Örneğin, bir müşterinin tasarımcı ürünü bir el çantası gibi yüksek değerli bir ürünü alıp mağazanın farklı bölümlerinde gezindiğini varsayalım. Gözetim görüntüleri; el çantasını tanımlamak ve onu ilgi çekici bir ürün olarak işaretlemek için nesne algılama kullanılarak analiz edilebilir. Müşteri hareket ettikçe, hem el çantasını hem de onu taşıyan kişiyi sürekli olarak takip etmek için nesne takibi kullanılabilir. Çıkış gibi önceden tanımlanmış bölgelere dayanarak, ödeme alanından geçmeden çıkışa doğru yönelmek gibi olağandışı herhangi bir davranış bir uyarı tetikleyebilir.

Şekil 1. Nesne algılama ve takibi, mağaza içindeki faaliyetleri izlemeye yardımcı olabilir. (Görsel Yazara Aittir).

Görü AI ile davranış analizi ve kalıp tanıma#

Davranışsal analiz ve kalıp tanıma, müşterilerin mağazada nasıl davrandığına odaklanarak hırsızlığı önlemeyi bir adım öteye taşıyabilir. Bu, müşterilerin nereye gittiği veya hangi ürünleri aldığı konusunun ötesinde içgörüler sunar. Nesne algılama ve takibi, belirli ilgi çekici nesneleri takip etmek için yararlı olsa da davranışsal analiz, şüpheli niyeti gösterebilecek müşteri eylemlerindeki kalıpları izleyebilir.

Örneğin, bir müşterinin aynı ürünü tekrar tekrar alıp bırakıp bırakmadığını, belirli bir koridorda vakit geçirdiğini veya yasaklı bölgelere olağandışı bir şekilde yaklaşıp yaklaşmadığını belirlemek için Vision AI kullanılabilir. Bu alandaki araştırmalar, gelişmiş algılama doğruluğu için gittikçe sofistikeleşen tekniklerle ilerlemektedir. Umut vadeden yaklaşımlardan biri iki tür yapay zeka modelini birleştirir: Evrişimli Sinir Ağları (CNN'ler) ve Uzun Kısa Süreli Bellek (LSTM) ağları.

Nesne algılamanın temelini oluşturan CNN'ler; resimler ve video kareleri gibi görsel verileri analiz etmek için tasarlanmıştır ve sistemin belirli öğeleri veya mağaza alanlarını tanınmasına yardımcı olur. Buna karşılık LSTM'ler, bilgileri zaman içinde saklamak üzere üretilmiştir ve sistemin müşteri eylemlerindeki kalıpları tespit etmesini sağlar. Bu, LSTM'lerin bir müşterinin sık sık aynı ürünle ilgilenmesi gibi tekrarlanan davranışları izleyebileceği anlamına gelir.

CNN'ler ve LSTM'ler birleştirilerek Vision AI sistemleri, hem "neyi" (ilgili nesneleri veya kişileri) hem de "ne zamanı" (eylemlerin zamanlamasını ve sırasını) yakalayabilir. Bu entegre yaklaşım, ince hırsızlık davranışlarını tanımlamak için oldukça faydalıdır.

Şekil 2. Şüpheli davranışı tespit etmek için bilgisayarlı görüyü kullanma.

Hırsızlığı önlemede yaygın olarak kullanılan diğer bilgisayarlı görü teknikleri#

Hırsızlığı önleme için özel olarak tasarlanmış Vision AI yeniliklerini tamamlayabilecek diğer computer vision teknikleri de mevcuttur. Yüz tanıma, yüz özelliklerini analiz ederek bireyleri tanımlamak için kullanılan bu araçlardan biridir ve bilinen suçluların veya şüpheli davranış sergileyenlerin tespit edilmesine yardımcı olabilir. Bazı mağazalar, işaretlenmiş hırsızlar içeri girdiğinde güvenliği uyardığı için bu teknolojiyi kullanır. Ancak gizlilik endişelerini ele almak için müşterilerin bu kullanımdan haberdar edilmesi gerekir.

Poz tahminleme, vücut duruşunu ve hareketi analiz ederek nesneleri saklama veya hırsızlıkla bağlantılı olağandışı duruşlar gibi eylemleri tespit etmek suretiyle güvenliğe başka bir katman ekleyebilir. Bu teknik, sistemin beden dilini yorumlamasına ve güvenliğin gerekirse müdahale etmesi için erken uyarılar vermesine yardımcı olur.

Şekil 3. Bir dükkan hırsızının vücut duruşunu anlamak.

AI gözetim sistemleri hırsızlığı gerçek zamanlı olarak tespit edebilir#

AI fütüristik bir teknoloji gibi görünebilir, ancak bugün zaten birçok pratik şekilde kullanılıyor. Özellikle, hırsızlığı önlemeye yönelik AI, dünya genelindeki mağazalarda yaygın olarak benimseniyor ve perakendecilerin hırsızlıkla gerçek zamanlı olarak mücadele etmesine yardımcı oluyor.

Washington, D.C.'deki JJ Liquors'tan bir vaka çalışması, yapay zeka gözetim sistemlerinin hırsızlığı gerçek zamanlı olarak tespit etmeye nasıl yardımcı olabileceğinin harika bir örneğidir. Birden fazla güvenlik kamerasına sahip olmasına rağmen mağaza sahibi KJ Singh, hırsızlık nedeniyle günlük kayıplarla karşı karşıya kalıyordu.

Bu sorunu çözmek için, mevcut kameralarıyla çalışan yapay zeka destekli bir gözetim sistemi kurdu. Yapay zeka, müşteri beden dilini ve hareketlerini analiz ederek ürünleri cep veya çantalara saklamak gibi şüpheli eylemleri tespit eder. Olağandışı bir şey fark ettiğinde, Singh telefonuna etkinliğin bir video klibi ile birlikte anında bir uyarı alır.

Video kanıtı, müşteri mağazadan ayrılmadan önce tepki vermesini sağlar. Bu gerçek zamanlı yanıt, hırsızlığı önlemeye yardımcı olur ve Singh'in hırsızlarla güvenle yüzleşmesini kolaylaştırır. Yapay zeka sistemini eklediğinden beri birkaç hırsızlığı başarıyla durdurabilmiş olup, bu da yapay zeka gözetiminin perakende hırsızlığını önlemede ne kadar etkili olabileceğini göstermektedir.

Hırsızlığı önlemede AI'nın artıları ve eksileri#

AI, perakende ve güvenlik ekiplerine kayıpları daha etkili bir şekilde tespit etmek ve azaltmak için güvenilir araçlar sağlayarak hırsızlığı önleme konusunda birçok avantaj getiriyor. İşte AI'nın hırsızlığı önlemedeki temel faydalarından bazıları:

• Personel bağımlılığında azalma: Sürekli insan gözetimi ihtiyacını azaltır, bu da maliyetleri düşürmeye yardımcı olur ve güvenlik personelinin yorgunluğunu azaltır.
• İçgörü sağlayan veriler: Hırsızlık eğilimlerine dair veriye dayalı içgörüler sunarak, mağazaların güvenlik stratejilerini gerçek kalıplara göre ayarlamalarına yardımcı olur.
• İyileştirilmiş doğruluk: Yanlış alarm sayısını azaltır ve insanlar tarafından fark edilmeyebilecek ince kalıpları yakalar.

Ancak, hırsızlığı önleme konusunda AI'ya güvenmek söz konusu olduğunda sınırlamalar da vardır. İşte temel zorluklardan bazıları:

• Gizlilik endişeleri: Müşteri güvenini etkileyebilecek olan müşteri davranışlarını izleme ve analiz etme etrafında soru işaretleri uyandırır.
• Teknik bakım: Yapay zeka sistemleri, yeni hırsızlık taktiklerine ayak uydurmak için düzenli güncellemeler ve bakım gerektirir.
• Yüksek uygulama maliyetleri: Yapay zeka sistemlerini kurma ve bakımını yapma masrafı, küçük işletmeler için bir engel olabilir.

Hırsızlığı önlemede bilgisayarlı görünün geleceği#

Etik ve sorumlu yapay zeka yenilikleri, yapay zeka topluluğu ve bir bütün olarak toplum tarafından teşvik edilmektedir. Dolayısıyla, computer vision teknolojisinin hırsızlığı önlemedeki geleceğinin gizliliği koruyan teknolojilere öncelik vermesi muhtemeldir. Bu gelişmeler, etkili güvenliği müşteri gizliliğine saygı ile dengelemeyi amaçlamakta ve mağazaların kişisel haklardan ödün vermeden şüpheli davranışları izlemesine olanak tanımaktadır.

İlgili yöntemlerden biri, computer vision yoluyla kimlik belirleyici özellikleri bulanıklaştırmak veya anonimleştirmektir. Yüz özellikleri veya diğer kişisel detaylar otomatik olarak bulanıklaştırılabilir, böylece sistem bireyleri tanımlamadan davranış kalıplarını takip edebilir. YOLO11, bireyleri tanımlamak yerine belirli davranışlara odaklanırken nesneleri gerçek zamanlı olarak algılayıp izleyerek bu gizliliği koruyan uygulamaları destekleyebilir. Bu, mağazaların müşteri gizliliğini korurken gerçek zamanlı olarak hırsızlığı tespit etmesini sağlar.

Şekil 4. Bireysel kimlikleri açığa çıkarmadan davranış kalıplarını izlemek için bulanıklaştırma kullanma.

Benzer şekilde, uç bilişim verilerin mağaza içi kameralar gibi yerel cihazlarda işlenmesine yardımcı olur, bilgileri buluta gönderme ihtiyacını azaltır ve sırayla gizlilik risklerini en aza indirir. Bu gizlilik odaklı yöntemlerle, hırsızlığı önlemenin geleceği hem güvenli hem de saygılı olabilir, mağaza güvenliğini artırırken güven inşa edebilir.

Daha güvenli mağazalar için daha akıllı hırsızlık önleme#

AI ve bilgisayarlı görü, şüpheli davranışları tespit etmek ve kayıpları daha verimli bir şekilde azaltmak için akıllı araçlar sunarak mağazaların hırsızlığı önleme biçimini değiştiriyor.

Nesne algılama, takip ve gelişmiş davranış analizi gibi yeteneklerle Vision AI, gerçek zamanlı izlemeyi mümkün kılar ve güvenlik ekiplerinin potansiyel tehditlere hızla yanıt vermesini sağlayan veriye dayalı içgörüler sunar. AI kullanmak, hırsızlık meydana gelmeden önce önlemeye ve hem müşteriler hem de personel için daha güvenli bir ortam yaratmaya yardımcı olabilir.

Yapay zeka hakkında daha fazla içgörü için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda üretim ve tarımdaki yapay zeka uygulamalarını keşfedin. 🚀