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 اكتشاف الحالات الشاذة. تركز اكتشاف الحالات الشاذة على تحديد الأنماط التي لا تتطابق مع السلوكيات المتوقعة. وتهدف إلى رصد العيوب أو الأخطاء أو الأنشطة غير المنتظمة التي قد تمر دون أنჩلاحظ لولا ذلك. تعتمد الطرق التقليدية على قواعد ثابتة للعثور على هذه الحالات الشاذة، لكنها غالباً ما تكون بطيئة وتواجه صعوبة في التعامل مع التغيرات المعقدة. وهنا يأتي دور الرؤية الحاسوبية بدور حاسم.

من خلال التعلم من مجموعات البيانات المرئية الكبيرة، يمكن لننماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف المخالفات بدقة أكبر من الطرق التقليدية.

في هذه المقالة، سنستكشف كيف تعمل اكتشاف الشذوذ القائم على الرؤية وكيف يمكن أن تساعد Ultralytics YOLO11.

الحاجة 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 تصنيع الأدوية، يمكن أن تشمل الحالات الشاذة في الأقراص الشقوق أو الأشكال غير الصحيحة أو تغير اللون أو النقوش المفقودة، والتي قد تعرض الجودة والسلامة للخطر. يعد اكتشاف هذه العيوب مبكراً أمراً بالغ الأهمية لمنع وصول المنتجات المعيبة إلى المستهلكين. ومع ذلك، غالباً ما تكون طرق اكتشاف الحالات الشاذة اليدوية بطيئة وغير متسقة ولا يمكنها التعامل مع تعقيد المخالفات في العالم الحقيقي.

الشكل 1. اكتشاف الحالات الشاذة في قطاع الأدوية.

تحل عملية اكتشاف الحالات الشاذة القائمة على الذكاء الاصطناعي هذه التحديات من خلال التعلم من مجموعات البيانات الهائلة، مما يعمل على تحسين قدرتها باستمرار على التعرف على الأنماط بمرور الوقت. وعلى عكس الطرق التقليدية القائمة على قواعد ثابتة، يمكن لأنظمة الذكاء الاصطناعي التعلم والتحسن بمرور الوقت.

تعمل النماذج المتقدمة مثل Ultralytics YOLO11 على تعزيز اكتشاف الشذوذ من خلال تمكين تحليل الصور في الوقت الفعلي بدقة عالية. يمكن أن تحلل نظم رؤية الحاسوب التفاصيل في الصور مثل الشكل والملمس والبنية، مما يجعل رصد المخالفات أسرع وأكثر دقة.

كيف 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 جمعها، تخضع الصور أو مقاطع الفيديو لتقنيات معالجة الصور مثل تقليل الضوضاء، وتعسين التباين، والترميز العتبتي. تساعد خطوات المعالجة المسبقة هذه نماذج الرؤية الحاسوبية على التركيز على التفاصيل المهمة مع تصفية ضوضاء الخلفية، مما يحسن الدقة عبر تطبيقات مختلفة، من مراقبة الأمان إلى التشخيص الطبي والتحكم في 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 ذكاء الرؤية.

اكتشاف الشذوذ باستخدام إمكانيات Ultralytics YOLO11#

دعنا نلقي نظرة أقرب على كيفية تمكن نماذج رؤية الحاسوب مثل Ultralytics YOLO11 من تحليل الصور لاكتشاف الشذوذ.

تدعم Ultralytics YOLO11 مختلف مهام رؤية الحاسوب مثل اكتشاف الكائنات، وتصنيف الصور، وتقسيم الحالات، وتتبع الكائنات، وتقدير الوضعية. تجعل هذه المهام اكتشاف الشذوذ في التطبيقات الواقعية المختلفة أسهل.

على سبيل المثال، يمكن استخدام اكتشاف الكائنات لتحديد المنتجات المعيبة على خط التجميع، أو الأفراد غير المصرح لهم في المناطق المحظورة، أو العناصر في غير مواضعها في المستودع. وبالمثل، يجعل تقسيم الحالات من الممكن تحديد الخطوط العطرية للحالات الشاذة بدقة، مثل الشقوق في الآلات أو التلوث في المنتجات القابلة للأكل.

Fig 3. تجزئة التشققات بمساعدة Ultralytics 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 Ultralytics YOLO11 اكتشاف حركات الجسم غير العادية 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.

لماذا يجب عليك استخدام Ultralytics YOLO11؟#

من بين نماذج الرؤية الحاسوبية الأخرى المختلفة، تبرز نماذج Ultralytics YOLO بسرعتها ودقتها. لقد بسّط Ultralytics YOLOv5 عملية النشر من خلال إطاره القائم على PyTorch، مما جعله في متناول نطاق أوسع من المستخدمين. وفي الوقت نفسه، عزز Ultralytics YOLOv8 المرونة بشكل أكبر من خلال تقديم دعم لمهام مثل تقسيم الحالات، وتتبع الكائنات، وتقدير الوضع، مما جعله أكثر قابلية للتكيف 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.

كيفية التدريب المخصص لـ Ultralytics YOLO11 لاكتشاف الشذوذ#

يعد التدريب المخصص لـ Ultralytics YOLO11 لاكتشاف الشذوذ أمراً مباشراً وبسيطاً. باستخدام مجموعة بيانات مصممة لتطبيقك المحدد، يمكنك ضبط النموذج بدقة لاكتشاف الشذوذ.

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 نظام إدارة المرور وكان الشذوذ الذي تحتاج إلى اكتشافه هو المشاة المخالفون، فإن نموذج Ultralytics YOLO11 المدرب مسبقاً يمكنه بالفعل اكتشاف الأشخاص بدقة عالية. نظراً لأن "الشخص" فئة ممثلة جيداً في مجموعة بيانات COCO (التي تم تدريب النموذج مسبقاً عليها)، فلا توجد 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.

تطبيقات 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.

اكتشاف الشذوذ في التصنيع#

تساعد الرؤية الحاسوبية في التصنيع في الحفاظ على معايير الجودة العالية من خلال رصد العيوب والاختلالات والمكونات المفقودة على خطوط الإنتاج. يمكن لننماذج الرؤية الحاسوبية الإبلاغ عن المنتجات المعيبة فوراً، مما يمنعها من التقدم أكثر على طول الخط وتقليل الهدر. يساعد الاكتشاف المبكر لمشاكل مثل عيوب المواد الخام، أو أخطاء التغليف، أو المكونات الهيكلية الضعيفة في منع عمليات الاستدعاء باهظة الثمن 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. استخدام الرؤية الحاسوبية للكشف عن الحريق والدخان.

تحديد الحالات الحدية للسيارات#

يمكن قطاع السيارات استخدام نماذج مثل Ultralytics YOLO11 لاكتشاف الأعطال في المحركات وأنظمة الفرامل ومكونات ناقل الحركة قبل أن تؤدي إلى أعطال حرجة. باستخدام دعم YOLO11 لاكتشاف الكائنات وتقسيم الحالات، يصبح من السهل تحديد الشذوذ بدقة قد تتغاضى عنها عمليات الفحص اليدوي.

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.

رصد 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 اكتشاف الشذوذ المدعوم بواسطة Ultralytics YOLO11، يمكن للمصنعين أتمتة هذه العملية وتحديد المشكلات بسرعة مثل الأجزاء غير المتسقة، أو اللحام المعيب، أو الأعطال الكهربائية بدقة أكبر بكثير من الطرق التقليدية. على سبيل المثال، يمكن بسهولة اكتشاف فجوة صغيرة في وصلة لحام قد يفوتها المفتشون البشريون بواسطة خاصية اكتشاف الكائنات في YOLO11.

أبرز النقاط#

مع توجه الصناعات نحو اكتشاف الشذوذ المدعوم برؤية الحاسوب، تصبح نماذج مثل Ultralytics 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 community النامية لدينا! استكشف GitHub repository الخاص بنا لمعرفة المزيد حول الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع رؤية الحاسوب الخاصة بك؟ تحقق من licensing options الخاصة بنا. اكتشف AI in agriculture وvision AI in healthcare من خلال زيارة صفحة الحلول الخاصة بنا!