Modelo de visión computacional para la detección de actividad sospechosa en bodegas de Trujillo usando redes neuronales

Abstract

En el norte del Perú, la inseguridad ha alcanzado niveles críticos, afectando significativamente a las bodegas y otros comercios de escala reducida. Datos provistos por la Asociación de Bodegueros del Perú indican que aproximadamente 250000 establecimientos son víctimas de delitos anualmente, generando pérdidas económicas que superan los 500000 soles diarios. Hasta julio de 2025, más de 2000 bodegas han cerrado de forma indefinida debido a la extorsión y los robos. En respuesta, los propietarios han incrementado la instalación de cámaras de seguridad como medida disuasiva; sin embargo, carecen de la capacidad para detectar actividades sospechosas a través del análisis de video. Frente a este escenario, la visión computacional constituye una alternativa tecnológica para resolver esta dificultad, dado que emplea las redes neuronales artificiales para replicar determinadas capacidades de la visión humana. De manera especial, las redes neuronales convolucionales (CNN) muestran ventajas significativas al momento de localizar y etiquetar objetos en imágenes y videos. No obstante, su limitación radica en la falta de memoria temporal, lo que dificulta el análisis de secuencias dinámicas en grabaciones de videovigilancia. Para superar esta restricción, las redes de memoria a largo y corto plazo (LSTM) proporcionan un complemento ideal, debido al potencial que manejan para procesar datos secuenciales y capturar patrones temporales con precisión. Esta investigación propone el desarrollo de una arquitectura de visión computacional que integra una red neuronal convolucional con unidades de memoria a largo y corto plazo, cuyo propósito es detectar actividades sospechosas de merodeo en entornos de bodegas. El enfoque metodológico consta de dos etapas principales: primero, la detección de objetos tipo persona en videos, incluyendo el trazado de las trayectorias; segundo, el escrutinio de dichas trayectorias para identificar patrones asociados a comportamientos anómalos. Los resultados muestran que la propuesta logra un índice de detección del 100 % en la identificación de trayectorias relacionadas con el merodeo.