Vision AI لاكتشاف الشذوذ: نظرة سريعة

قد يتسبب صدع صغير في جناح طائرة، أو ملصق مطبوع بشكل خاطئ على دواء، أو معاملة مالية غير معتادة في مشكلات خطيرة إذا لم يُكتشف. وتواجه كل صناعة تحدي محاولة اكتشاف المشكلات الخطرة مبكرًا لمنع الأعطال أو الخسائر المالية أو مخاطر السلامة.

وعلى وجه التحديد، يجب اكتشاف الحالات الشاذة. يركّز اكتشاف الحالات الشاذة على تحديد الأنماط التي لا تتطابق مع السلوكيات المتوقعة. ويهدف إلى الإبلاغ عن العيوب أو الأخطاء أو الأنشطة غير المنتظمة التي قد تمر دون ملاحظة. وتعتمد الأساليب التقليدية على قواعد ثابتة للعثور على هذه الحالات الشاذة، لكنها غالبًا ما تكون بطيئة وتواجه صعوبة مع التباينات المعقدة. وهنا تؤدي الرؤية الحاسوبية دورًا محوريًا.

من خلال التعلم من مجموعات بيانات مرئية كبيرة، تستطيع نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف الحالات غير المنتظمة بدقة أكبر من الأساليب التقليدية.

سنستكشف في هذه المقالة كيفية عمل اكتشاف الحالات الشاذة القائم على الرؤية، وكيف يمكن لـ Ultralytics YOLO11 المساعدة.

الحاجة إلى اكتشاف الحالات الشاذة#

فيما يتعلق بالرؤية الحاسوبية، تظهر الحالات الشاذة أو غير المنتظمة عادةً على شكل عيوب أو أنماط غير معتادة في الصور ومقاطع الفيديو. وعلى مدى سنوات، اعتمدت الشركات على عمليات الفحص اليدوي أو الأنظمة القائمة على القواعد لاكتشاف العيوب.

على سبيل المثال، في تصنيع الأدوية، قد تشمل الحالات الشاذة في الأقراص الشقوق أو الأشكال غير الصحيحة أو تغير اللون أو غياب النقوش، مما قد يضر بالجودة والسلامة. ويُعد اكتشاف هذه العيوب مبكرًا أمرًا بالغ الأهمية لمنع وصول المنتجات المعيبة إلى المستهلكين. ومع ذلك، غالبًا ما تكون أساليب اكتشاف الحالات الشاذة اليدوية بطيئة وغير متسقة، ولا تستطيع التعامل مع تعقيد الحالات غير المنتظمة في العالم الحقيقي.

الشكل 1. اكتشاف الحالات الشاذة في صناعة الأدوية.

يحل اكتشاف الحالات الشاذة القائم على الذكاء الاصطناعي هذه التحديات من خلال التعلم من مجموعات البيانات الضخمة، والتحسين المستمر لقدرتها على التعرف على الأنماط بمرور الوقت. وعلى خلاف الأساليب الثابتة القائمة على القواعد، تستطيع أنظمة الذكاء الاصطناعي التعلم والتحسن بمرور الوقت.

تعزز النماذج المتقدمة مثل Ultralytics YOLO11 اكتشاف الحالات الشاذة من خلال تمكين تحليل الصور في الوقت الفعلي بدقة عالية. وتستطيع أنظمة الذكاء الاصطناعي للرؤية تحليل تفاصيل الصور، مثل الشكل والملمس والبنية، مما يسهل اكتشاف الحالات غير المنتظمة بسرعة ودقة.

كيف تمكّن الرؤية الحاسوبية من اكتشاف الحالات الشاذة#

تعمل أنظمة اكتشاف الحالات الشاذة المدعومة بالذكاء الاصطناعي للرؤية أولًا على التقاط صور أو مقاطع فيديو عالية الجودة باستخدام الكاميرات أو المستشعرات أو الطائرات المسيّرة. وتُعد البيانات المرئية الواضحة أمرًا أساسيًا، سواء لاكتشاف منتج معيب على خط إنتاج، أو كشف شخص غير مصرح له في منطقة آمنة، أو تحديد حركة غير معتادة في مكان عام.

بعد جمعها، تخضع الصور أو مقاطع الفيديو لتقنيات معالجة الصور، مثل تقليل الضوضاء وتحسين التباين وتطبيق العتبة. وتساعد خطوات المعالجة المسبقة هذه نماذج الذكاء الاصطناعي للرؤية على التركيز على التفاصيل المهمة مع تصفية ضوضاء الخلفية، مما يحسن الدقة في مختلف التطبيقات، من المراقبة الأمنية إلى التشخيص الطبي والتحكم في حركة المرور.

بعد المعالجة المسبقة، يمكن استخدام الرؤية الحاسوبية لتحليل الصور وتحديد أي شيء غير مألوف. وعند الإبلاغ عن حالة شاذة، يستطيع النظام تشغيل تنبيه، مثل إخطار عامل لإزالة منتج معيب، أو تنبيه أفراد الأمن إلى تهديد محتمل، أو إبلاغ مشغلي حركة المرور لإدارة الازدحام.

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

اكتشاف الحالات الشاذة باستخدام إمكانات Ultralytics YOLO11#

لنلقِ نظرةً فاحصة على كيفية تمكّن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 من تحليل الصور لاكتشاف الحالات الشاذة.

يدعم Ultralytics YOLO11 مختلف مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام، وتصنيف الصور، وتقسيم المثيلات، وتتبع الأجسام، وتقدير الوضعيات. وتبسّط هذه المهام اكتشاف الحالات الشاذة في مختلف التطبيقات الواقعية.

على سبيل المثال، يمكن استخدام اكتشاف الأجسام لتحديد المنتجات المعيبة على خط التجميع، أو الأشخاص غير المصرح لهم في المناطق المحظورة، أو العناصر الموضوعة في غير مكانها داخل مستودع. وبالمثل، يتيح تقسيم المثيلات تحديد حدود الحالات الشاذة بدقة، مثل الشقوق في الآلات أو التلوث في المنتجات الصالحة للأكل.

الشكل 3. تقسيم الشقوق بمساعدة Ultralytics YOLO11.

فيما يلي بعض الأمثلة الأخرى على استخدام مهام الرؤية الحاسوبية لاكتشاف الحالات الشاذة:

• تتبع الأجسام: يمكن استخدامه لمراقبة أنماط الحركة لاكتشاف التهديدات الأمنية، أو تتبع الحالات الشاذة للمركبات في حركة المرور، أو تقييم حركات المرضى في مجال الرعاية الصحية.
• تقدير الوضعيات: يستطيع Ultralytics YOLO11 اكتشاف حركات الجسم غير المعتادة لتحديد مخاطر السلامة في أماكن العمل أو تتبع تقدّم إعادة التأهيل في مجال الرعاية الصحية.
• اكتشاف مربعات الإحاطة الموجّهة (OBB): يحسّن اكتشاف الحالات الشاذة من خلال تحديد الأجسام المدارة أو المائلة وتحديد مواقعها بدقة، مما يجعله مفيدًا لتحليل الصور الجوية والقيادة الذاتية وعمليات الفحص الصناعي.

لماذا ينبغي استخدام Ultralytics YOLO11؟#

من بين نماذج الرؤية الحاسوبية المتنوعة الأخرى، تتميز نماذج Ultralytics YOLO بسرعتها ودقتها. وقد بسّط Ultralytics YOLOv5 عملية النشر بفضل إطاره القائم على PyTorch، مما جعله متاحًا لنطاق أوسع من المستخدمين. وفي الوقت نفسه، عزز Ultralytics YOLOv8 المرونة أكثر من خلال تقديم دعم لمهام مثل تقسيم المثيلات وتتبع الأجسام وتقدير الوضعيات، مما جعله أكثر قابلية للتكيف مع التطبيقات المختلفة.

يقدم أحدث إصدار، YOLO11، دقة وأداءً أفضل مقارنةً بسابقاته. فعلى سبيل المثال، وبفضل احتوائه على عدد أقل من المعلمات بنسبة 22% مقارنةً بـ YOLOv8m، يحقق YOLO11m متوسط دقة (mAP) أعلى على مجموعة بيانات COCO، مما يتيح اكتشافًا للأجسام أكثر دقة وكفاءة.

كيفية تدريب Ultralytics YOLO11 مخصصًا لاكتشاف الحالات الشاذة#

يُعد التدريب المخصص لـ Ultralytics YOLO11 لاكتشاف الحالات الشاذة أمرًا مباشرًا وبسيطًا. وباستخدام مجموعة بيانات مصممة لتطبيقك المحدد، يمكنك ضبط النموذج بدقة لاكتشاف الحالات الشاذة بدقة.

اتبع هذه الخطوات البسيطة للبدء:

• إعداد مجموعة البيانات: اجمع صورًا عالية الجودة تتضمن عينات عادية وأخرى شاذة. واحرص على تضمين اختلافات في الإضاءة والزوايا والدقة لمساعدة النموذج على التكيف بصورة أفضل.
• وضع علامات على بياناتك: حدّد الحالات الشاذة باستخدام مربعات الإحاطة أو التقسيم أو النقاط الرئيسية حتى يعرف النموذج ما الذي يبحث عنه. وتجعل الأدوات مفتوحة المصدر هذه العملية أسرع وأسهل.
• تدريب النموذج: يتعلم النموذج عبر دورات متعددة، محسنًا قدرته على تحديد الحالات العادية والشاذة في الوقت الفعلي.
• الاختبار والتحقق: شغّل النموذج المدرّب على صور جديدة لم يسبق له رؤيتها لتقييم أدائه والتأكد من عمله جيدًا قبل نشره.

كذلك، عند إنشاء نظام لاكتشاف الحالات الشاذة، من المهم النظر فيما إذا كان التدريب المخصص ضروريًا فعلًا. ففي بعض الحالات، قد يكون النموذج المدرّب مسبقًا كافيًا بالفعل.

على سبيل المثال، إذا كنت تطور نظامًا لإدارة حركة المرور وكانت الحالة الشاذة التي تحتاج إلى اكتشافها هي عبور المشاة للطريق بشكل غير قانوني، فإن نموذج Ultralytics YOLO11 المدرّب مسبقًا يستطيع بالفعل اكتشاف الأشخاص بدقة عالية. وبما أن فئة "person" ممثلة جيدًا في مجموعة بيانات COCO التي دُرّب عليها مسبقًا، فلا حاجة إلى تدريب إضافي.

يصبح التدريب المخصص ضروريًا عندما لا تكون الحالات الشاذة أو الأجسام التي تحتاج إلى اكتشافها مدرجة في مجموعة بيانات COCO. وإذا كان تطبيقك يتطلب تحديد عيوب نادرة في التصنيع، أو حالات طبية محددة في الصور، أو أجسام فريدة لا تغطيها مجموعات البيانات القياسية، فإن تدريب نموذج على بيانات خاصة بالمجال يضمن أداءً ودقةً أفضل.

التطبيقات الواقعية لاكتشاف الحالات الشاذة المدعوم بالرؤية#

يُعد اكتشاف الحالات الشاذة مفهومًا واسعًا يغطي العديد من التطبيقات الواقعية. فلنستعرض بعضًا منها ونرَ كيف تساعد الرؤية الحاسوبية على تحديد الحالات غير المنتظمة وتحسين الكفاءة وتعزيز اتخاذ القرار في مختلف الصناعات.

اكتشاف الحالات الشاذة في التصنيع#

تساعد الرؤية الحاسوبية في التصنيع على الحفاظ على معايير الجودة العالية من خلال اكتشاف العيوب وحالات عدم المحاذاة والمكونات المفقودة على خطوط الإنتاج. وتستطيع نماذج الرؤية الحاسوبية الإبلاغ فورًا عن المنتجات المعيبة، ومنع انتقالها إلى مراحل لاحقة من الخط وتقليل الهدر. ويساعد الاكتشاف المبكر لمشكلات مثل عيوب المواد الخام أو أخطاء التغليف أو المكونات الهيكلية الضعيفة على منع عمليات السحب المكلفة والخسائر المالية.

إضافةً إلى مراقبة الجودة، يمكن لاكتشاف الحالات الشاذة تحسين السلامة في مكان العمل أيضًا. فغالبًا ما تتعامل المصانع مع الحرارة والدخان والانبعاثات الخطرة، مما قد يؤدي إلى مخاطر نشوب الحرائق. وتستطيع نماذج الذكاء الاصطناعي للرؤية اكتشاف أنماط الدخان غير المعتادة أو الآلات التي ترتفع حرارتها أو حتى العلامات المبكرة لنشوب حريق، مما يتيح للمصنّعين اتخاذ الإجراءات قبل وقوع الحوادث.

الشكل 4. استخدام الرؤية الحاسوبية لاكتشاف الحريق والدخان.

تحديد الحالات الحدّية في قطاع السيارات#

يمكن لقطاع السيارات استخدام نماذج مثل Ultralytics YOLO11 لاكتشاف الأعطال في المحركات وأنظمة المكابح ومكونات ناقل الحركة قبل أن تؤدي إلى أعطال حرجة. وبفضل دعم YOLO11 لاكتشاف الأجسام وتقسيم المثيلات، يصبح تحديد الحالات الشاذة التي قد تغفل عنها عمليات الفحص اليدوي أمرًا دقيقًا وسهلًا.

فيما يلي بعض الأمثلة الأخرى على اكتشاف الحالات الشاذة في قطاع السيارات:

• اكتشاف الحالات الشاذة في حركة المرور: التعرّف على المركبات التي تتحرك عكس اتجاه المرور، 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 المتذبذب لتحسين السلامة على الطرق.
• سلامة المركبات ذاتية القيادة: اكتشاف المشاة وراكبي الدراجات والعوائق غير المتوقعة لمنع التصادمات.

اكتشاف الحالات غير المنتظمة في الإلكترونيات#

قد يكون فحص الإلكترونيات يدويًا بطيئًا وغير متسق وعرضةً للأخطاء البشرية، مما يعني أن العيوب في الرقائق الدقيقة ولوحات الدوائر ووصلات اللحام قد تمر دون ملاحظة. وحتى العيوب الصغيرة، مثل وصلة لحام متشققة أو مكوّن غير محاذٍ، يمكن أن تسبب اضطرابات في الإشارة أو أعطالًا في النظام أو دوائر قصر، مما يؤدي إلى أجهزة غير موثوقة.

بفضل اكتشاف الحالات الشاذة المدعوم بـ Ultralytics YOLO11، يستطيع المصنّعون أتمتة هذه العملية وتحديد مشكلات مثل الأجزاء غير المحاذية أو اللحام المعيب أو الأعطال الكهربائية بسرعة ودقة أكبر بكثير من الأساليب التقليدية. فعلى سبيل المثال، يمكن لاكتشاف الأجسام باستخدام YOLO11 اكتشاف فجوة صغيرة في وصلة لحام قد يغفل عنها المفتشون البشريون بسهولة.

أهم النقاط المستخلصة#

ومع توجه الصناعات إلى اكتشاف الحالات الشاذة المدعوم بالرؤية الحاسوبية، أصبحت نماذج مثل Ultralytics YOLO11 ضرورية للحفاظ على الجودة وتحسين السلامة وتقليل المخاطر التشغيلية.

من التصنيع إلى الزراعة، يمكن لاكتشاف الحالات الشاذة المدعوم بالذكاء الاصطناعي تحسين الدقة وتسريع عمليات الفحص وتقليل الأخطاء البشرية. وبالنظر إلى المستقبل، من المرجح أن تجعل التطورات في الذكاء الاصطناعي اكتشاف الحالات الشاذة أكثر دقة.

انضم إلى مجتمعنا المتنامي! استكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريعك الخاصة في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. واكتشف الذكاء الاصطناعي في الزراعة والذكاء الاصطناعي للرؤية في الرعاية الصحية من خلال زيارة صفحات حلولنا!