ذكاء الرؤية الاصطناعي لاكتشاف الشذوذ: نظرة عامة سريعة

يمكن لشرخ صغير في جناح طائرة، أو ملصق مطبوع بشكل خاطئ على دواء، أو معاملة مالية غير معتادة أن يسبب مشاكل خطيرة إذا لم يتم اكتشافه. تواجه كل صناعة تحدي محاولة رصد أي مشاكل محفوفة بالمخاطر في وقت مبكر لمنع الفشل، أو الخسائر المالية، أو مخاطر السلامة.

على وجه التحديد، يجب الكشف عن الشذوذ. يركز كشف الشذوذ على تحديد الأنماط التي لا تتطابق مع السلوكيات المتوقعة. ويهدف إلى الإبلاغ عن العيوب، أو الأخطاء، أو الأنشطة غير المنتظمة التي قد تمر دون أن يلاحظها أحد. تعتمد الطرق التقليدية على قواعد ثابتة للعثور على هذه الشذوذات، لكنها غالباً ما تكون بطيئة وتواجه صعوبة في التعامل مع التباينات المعقدة. وهنا يأتي الدور الجوهري لـ الرؤية الحاسوبية.

من خلال التعلم من مجموعات بيانات بصرية كبيرة، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف المخالفات بدقة أكبر من الطرق التقليدية.

في هذه المقالة، سوف نستكشف كيف يعمل الكشف عن الشذوذ القائم على الرؤية وكيف يمكن لـ YOLO11 المساعدة.

Link to this sectionالحاجة إلى كشف الشذوذ#

فيما يتعلق بالرؤية الحاسوبية، تظهر الشذوذات أو المخالفات عادة كعيوب أو أنماط غير معتادة في الصور ومقاطع الفيديو. لسنوات، اعتمدت الشركات على عمليات التفتيش اليدوية أو الأنظمة القائمة على القواعد لاكتشاف العيوب.

على سبيل المثال، في التصنيع الصيدلاني، يمكن أن تشمل الشذوذات في الأقراص تشققات، أو أشكالاً غير صحيحة، أو تغير في اللون، أو طبعات مفقودة، مما قد يمس بالجودة والسلامة. إن اكتشاف هذه العيوب في وقت مبكر أمر حيوي لمنع المنتجات المعيبة من الوصول إلى المستهلكين. ومع ذلك، فإن طرق الكشف اليدوي عن الشذوذ غالباً ما تكون بطيئة، وغير متسقة، ولا يمكنها التعامل مع تعقيد المخالفات في العالم الحقيقي.

الشكل 1. كشف الشذوذ في الصناعة الدوائية.

يعالج الكشف عن الشذوذ القائم على الذكاء الاصطناعي هذه التحديات من خلال التعلم من مجموعات البيانات الضخمة، مما يحسن باستمرار قدرتها على التعرف على الأنماط بمرور الوقت. وخلافاً للطرق القائمة على القواعد الثابتة، يمكن لأنظمة الذكاء الاصطناعي التعلم والتحسن مع مرور الوقت.

تعمل النماذج المتقدمة مثل YOLO11 على تعزيز كشف الشذوذ من خلال تمكين تحليل الصور في الوقت الفعلي بدقة عالية. يمكن لأنظمة الذكاء الاصطناعي البصري تحليل التفاصيل في الصور مثل الشكل، والملمس، والهيكل، مما يسهل رصد المخالفات بسرعة ودقة.

Link to this sectionكيف تمكن الرؤية الحاسوبية من الكشف عن الشذوذ#

تعمل أنظمة كشف الشذوذ المدعومة بالذكاء الاصطناعي البصري عن طريق التقاط صور أو مقاطع فيديو عالية الجودة أولاً باستخدام كاميرات، أو مستشعرات، أو طائرات بدون طيار. تعتبر البيانات البصرية الواضحة أمراً أساسياً، سواء كان الأمر يتعلق برصد منتج معيب على خط المصنع، أو اكتشاف شخص غير مصرح له في منطقة آمنة، أو تحديد حركة غير معتادة في مكان عام.

بمجرد جمع الصور أو مقاطع الفيديو، تخضع لتقنيات معالجة الصور مثل تقليل الضوضاء، وتحسين التباين، والتبئير (thresholding). تساعد خطوات المعالجة المسبقة هذه نماذج الذكاء الاصطناعي البصري على التركيز على التفاصيل المهمة مع تصفية ضوضاء الخلفية، مما يحسن الدقة عبر تطبيقات مختلفة، من مراقبة الأمن إلى التشخيص الطبي والتحكم في حركة المرور.

بعد المعالجة المسبقة، يمكن استخدام الرؤية الحاسوبية لتحليل الصور وتحديد أي شيء غير عادي. بمجرد الإبلاغ عن شذوذ، يمكن للنظام إطلاق تنبيه، مثل إخطار عامل لإزالة منتج معيب، أو تنبيه أفراد الأمن بتهديد محتمل، أو إبلاغ مشغلي حركة المرور لإدارة الازدحام.

الشكل 2. أمثلة على العيوب التي يمكن اكتشافها باستخدام الذكاء الاصطناعي البصري.

Link to this sectionكشف الشذوذ باستخدام قدرات YOLO11#

دعونا نلقي نظرة فاحصة على كيفية قدرة نماذج الرؤية الحاسوبية مثل YOLO11 على تحليل الصور لاكتشاف الشذوذات.

يدعم YOLO11 العديد من مهام الرؤية الحاسوبية مثل كشف الكائنات، وتصنيف الصور، وتجزئة المثيل، وتتبع الكائنات، وتقدير الوضعية. تجعل هذه المهام عملية كشف الشذوذ في تطبيقات العالم الحقيقي المختلفة أكثر بساطة.

على سبيل المثال، يمكن استخدام كشف الكائنات لتحديد المنتجات المعيبة على خط التجميع، أو الأفراد غير المصرح لهم في المناطق المحظورة، أو العناصر في غير محلها في المستودع. وبالمثل، تجعل تجزئة المثيل من الممكن تحديد حدود الشذوذات بدقة، مثل التشققات في الآلات أو التلوث في المنتجات الغذائية.

الشكل 3. تجزئة التشققات بمساعدة YOLO11.

إليك بعض الأمثلة الأخرى لمهام الرؤية الحاسوبية المستخدمة في كشف الشذوذ:

• تتبع الكائنات: يمكن استخدامه لمراقبة أنماط الحركة للكشف عن التهديدات الأمنية، أو تتبع شذوذات المركبات في حركة المرور، أو تقييم حركات المرضى في الرعاية الصحية.
• تقدير الوضعية: يمكن لـ YOLO11 اكتشاف حركات الجسم غير المعتادة لتحديد مخاطر السلامة في أماكن العمل أو تتبع تقدم إعادة التأهيل في الرعاية الصحية.
• كشف صناديق الإحاطة الموجهة (OBB): يحسن كشف الشذوذ من خلال تحديد وتوضيح مواقع الكائنات المستديرة أو المائلة بدقة، مما يجعله مفيداً لتحليل الصور الجوية، والقيادة الذاتية، وعمليات التفتيش الصناعية.

Link to this sectionلماذا يجب عليك استخدام YOLO11؟#

من بين نماذج الرؤية الحاسوبية المختلفة، تبرز نماذج Ultralytics YOLO لسرعتها ودقتها. بسطت Ultralytics YOLOv5 عملية النشر من خلال إطار عملها المعتمد على PyTorch، مما جعلها في متناول مجموعة أوسع من المستخدمين. وفي الوقت نفسه، عززت Ultralytics YOLOv8 المرونة بشكل أكبر من خلال تقديم دعم لمهام مثل تجزئة المثيل، وتتبع الكائنات، وتقدير الوضعية، مما جعلها أكثر قدرة على التكيف مع التطبيقات المختلفة.

يوفر الإصدار الأحدث، YOLO11، دقة وأداء متفوقين مقارنة بأسلافه. على سبيل المثال، مع عدد معاملات أقل بنسبة 22% من YOLOv8m، يقدم YOLO11m متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO، مما يسمح بكشف أكثر دقة وكفاءة للكائنات.

Link to this sectionكيفية تدريب YOLO11 بشكل مخصص للكشف عن الشذوذ#

يعتبر التدريب المخصص لـ YOLO11 للكشف عن الشذوذ مباشراً وبسيطاً. من خلال مجموعة بيانات مصممة لتطبيقك المحدد، يمكنك ضبط النموذج بدقة للكشف عن الشذوذات بدقة.

اتبع هذه الخطوات البسيطة للبدء:

• جهز مجموعة بياناتك: اجمع صوراً عالية الجودة تتضمن كلاً من العينات العادية وعينات الشذوذ. تأكد من تضمين تباينات في الإضاءة، والزوايا، والدقة لمساعدة النموذج على التكيف بشكل أفضل.
• صنف بياناتك: حدد الشذوذات باستخدام صناديق الإحاطة، أو التجزئة، أو النقاط الرئيسية حتى يعرف النموذج ما يجب البحث عنه. تجعل الأدوات مفتوحة المصدر هذه العملية أسرع وأسهل.
• درب النموذج: يتعلم النموذج عبر دورات متعددة، مما يحسن قدرته على تحديد الحالات العادية وحالات الشذوذ في الوقت الفعلي.
• اختبر وتحقق: قم بتشغيل النموذج المدرب على صور جديدة لم يسبق رؤيتها لتقييم أدائه والتأكد من أنه يعمل بشكل جيد قبل نشره.

أيضاً، عند بناء نظام للكشف عن الشذوذ، من المهم التفكير فيما إذا كان التدريب المخصص ضرورياً حقاً. في بعض الحالات، قد يكون النموذج المدرب مسبقاً كافياً بالفعل.

على سبيل المثال، إذا كنت تطور نظاماً لإدارة حركة المرور وكان الشذوذ الذي تحتاج إلى اكتشافه هو عبور المشاة بشكل غير قانوني، فيمكن لنموذج YOLO11 المدرب مسبقاً اكتشاف الأشخاص بدقة عالية بالفعل. نظراً لأن "الشخص" فئة ممثلة جيداً في مجموعة بيانات COCO (التي تم تدريبه عليها مسبقاً)، فلا حاجة لتدريب إضافي.

يصبح التدريب المخصص ضرورياً عندما لا تكون الشذوذات أو الكائنات التي تحتاج إلى اكتشافها مدرجة في مجموعة بيانات COCO. إذا كان تطبيقك يتطلب تحديد عيوب نادرة في التصنيع، أو حالات طبية محددة في الصور، أو كائنات فريدة لا تغطيها مجموعات البيانات القياسية، فإن تدريب نموذج على بيانات خاصة بالمجال يضمن أداءً ودقة أفضل.

Link to this sectionتطبيقات العالم الحقيقي للكشف عن الشذوذ القائم على الرؤية#

يعتبر كشف الشذوذ مفهوماً واسعاً يغطي العديد من تطبيقات العالم الحقيقي. دعونا نستعرض بعضاً منها ونرى كيف تساعد الرؤية الحاسوبية في تحديد المخالفات، وتحسين الكفاءة، وتعزيز اتخاذ القرار عبر مختلف الصناعات.

Link to this sectionاكتشاف الشذوذ في التصنيع#

تساعد الرؤية الحاسوبية في التصنيع في الحفاظ على معايير جودة عالية من خلال رصد العيوب، والمحاذاة الخاطئة، والمكونات المفقودة في خطوط الإنتاج. يمكن لنماذج الرؤية الحاسوبية الإبلاغ فوراً عن المنتجات المعيبة، مما يوقفها عن التحرك أكثر على الخط ويقلل من الهدر. يساعد الاكتشاف المبكر لمشاكل مثل عيوب المواد الخام، أو أخطاء التعبئة، أو المكونات الهيكلية الضعيفة في منع عمليات السحب المكلفة والخسائر المالية.

بالإضافة إلى مراقبة الجودة، يمكن لكشف الشذوذ أيضاً تحسين سلامة مكان العمل. غالباً ما تتعامل المصانع مع الحرارة، والدخان، والانبعاثات الخطرة، التي قد تؤدي إلى مخاطر الحريق. يمكن لنماذج الذكاء الاصطناعي البصري اكتشاف أنماط الدخان غير المعتادة، أو الآلات المحمومة، أو حتى علامات الحريق المبكرة، مما يسمح للمصنعين باتخاذ إجراءات قبل وقوع الحوادث.

الشكل 4. الرؤية الحاسوبية المستخدمة للكشف عن الحريق والدخان.

Link to this sectionتحديد الحالات الحدية للسيارات#

يمكن لصناعة السيارات استخدام نماذج مثل YOLO11 لاكتشاف العيوب في المحركات، وأنظمة المكابح، ومكونات ناقل الحركة قبل أن تؤدي إلى أعطال حرجة. باستخدام دعم YOLO11 لكشف الكائنات وتجزئة المثيل، من السهل تحديد الشذوذات التي قد تغفل عنها عمليات التفتيش اليدوية بدقة.

إليك بعض الأمثلة الأخرى لكشف الشذوذ في صناعة السيارات:

• كشف شذوذ حركة المرور: التعرف على المركبات التي تتحرك عكس اتجاه السير، أو الانحرافات المفاجئة عن المسار، أو الوصول غير المصرح به إلى المناطق المحظورة.
• مراقبة سلوك السائق: تحديد القيادة أثناء النعاس، أو السلوك المشتت، أو التوجيه غير المنتظم لتحسين سلامة الطرق.
• سلامة المركبات ذاتية القيادة: اكتشاف المشاة، وراكبي الدراجات، والعوائق غير المتوقعة لمنع الاصطدامات.

Link to this sectionرصد المخالفات في الإلكترونيات#

قد يكون فحص الإلكترونيات يدوياً بطيئاً، وغير متسق، وعرضة للخطأ البشري، مما يعني أن العيوب في الرقائق الدقيقة، ولوحات الدوائر، ووصلات اللحام قد تمر دون أن يلاحظها أحد. حتى العيوب الصغيرة، مثل وصلة لحام متشققة أو مكون غير محاذٍ، يمكن أن تسبب انقطاعات في الإشارة، أو أعطال في النظام، أو دوائر قصر، مما يؤدي إلى أجهزة غير موثوقة.

مع كشف الشذوذ المدعوم بـ YOLO11، يمكن للمصنعين أتمتة هذه العملية وتحديد مشاكل مثل الأجزاء غير المحاذية، أو اللحام المعيب، أو الأعطال الكهربائية بسرعة وبدقة أكبر بكثير من الطرق التقليدية. على سبيل المثال، يمكن اكتشاف فجوة صغيرة في وصلة لحام قد يغفل عنها المفتشون البشريون بسهولة بواسطة كشف الكائنات في YOLO11.

Link to this sectionأبرز النقاط#

مع تحول الصناعات نحو كشف الشذوذ الممكن بالرؤية الحاسوبية، أصبحت نماذج مثل YOLO11 ضرورية للحفاظ على الجودة، وتحسين السلامة، وتقليل المخاطر التشغيلية.

من التصنيع إلى الزراعة، يمكن لكشف الشذوذ المدعوم بالذكاء الاصطناعي تعزيز الدقة، وتسريع عمليات التفتيش، وتقليل الأخطاء البشرية. وبالنظر إلى المستقبل، من المرجح أن تجعل التطورات في الذكاء الاصطناعي عملية كشف الشذوذ أكثر دقة.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع رؤية الحاسوب الخاصة بك؟ تحقق من خيارات الترخيص لدينا. اكتشف الذكاء الاصطناعي في الزراعة والذكاء الاصطناعي البصري في الرعاية الصحية من خلال زيارة صفحات الحلول الخاصة بنا!