الذكاء الاصطناعي للرؤية لاكتشاف الشذوذ: نظرة عامة سريعة

قد يتسبب شرخ صغير في جناح طائرة، أو ملصق مطبوع بشكل خاطئ على دواء، أو معاملة مالية غير معتادة في مشكلات خطيرة إذا لم تُكتشف. وتواجه كل صناعة تحديًا يتمثل في محاولة رصد المشكلات المحتملة مبكرًا لتجنب الأعطال أو الخسائر المالية أو مخاطر السلامة.

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

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

سنستكشف في هذه المقالة كيفية عمل اكتشاف الحالات الشاذة بالاستناد إلى الرؤية، وكيف يمكن أن يساعد Ultralytics YOLO11.

الحاجة إلى اكتشاف الحالات الشاذة#

في مجال الرؤية الحاسوبية، تظهر الحالات الشاذة أو غير المنتظمة عادةً على شكل عيوب أو أنماط غير مألوفة في الصور ومقاطع الفيديو. ولسنوات، اعتمدت الشركات على الفحص اليدوي أو الأنظمة القائمة على القواعد لاكتشاف العيوب.

على سبيل المثال، في تصنيع المستحضرات الصيدلانية، قد تشمل الحالات الشاذة في الأقراص الشقوق أو الأشكال غير الصحيحة أو تغير اللون أو غياب العلامات المطبوعة، مما قد يضر بالجودة والسلامة. ويُعد اكتشاف هذه العيوب مبكرًا أمرًا حيويًا لمنع وصول المنتجات المعيبة إلى المستهلكين. إلا أن الطرق اليدوية لاكتشاف الحالات الشاذة غالبًا ما تكون بطيئة وغير متسقة، ولا تستطيع التعامل مع تعقيدات الحالات غير المنتظمة في العالم الحقيقي.

الشكل 1. اكتشاف الحالات الشاذة في صناعة المستحضرات الصيدلانية.

تعالج أنظمة كشف الحالات الشاذة المعتمدة على الذكاء الاصطناعي هذه التحديات من خلال تعلم الأنماط من مجموعات البيانات الكبيرة. وعلى خلاف الأساليب الثابتة القائمة على القواعد، يمكن إعادة تدريب أنظمة الذكاء الاصطناعي وتحسينها مع ورود بيانات جديدة.

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

كيف تتيح الرؤية الحاسوبية اكتشاف الحالات الشاذة#

تبدأ أنظمة اكتشاف الحالات الشاذة المدعومة بالذكاء الاصطناعي القائم على الرؤية بالتقاط صور أو مقاطع فيديو عالية الجودة باستخدام الكاميرات أو المستشعرات أو الطائرات المسيّرة. وتُعد البيانات المرئية الواضحة أساسية، سواء أكان الهدف اكتشاف منتج معيب على خط إنتاج، أم رصد شخص غير مصرح له في منطقة آمنة، أم تحديد حركة غير مألوفة في مكان عام.

بعد جمع الصور أو مقاطع الفيديو، تخضع لتقنيات معالجة الصور، مثل تقليل التشويش وتحسين التباين وتحديد العتبة. وتساعد خطوات المعالجة المسبقة هذه نماذج الذكاء الاصطناعي القائم على الرؤية على التركيز على التفاصيل المهمة مع تصفية تشويش الخلفية، مما يحسّن الدقة في تطبيقات متنوعة، من مراقبة الأمن 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 إطلاق 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 القائم على الرؤية.

اكتشاف الحالات الشاذة باستخدام إمكانات Ultralytics YOLO11#

دعونا نتعمق في كيفية تمكّن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 من تحليل الصور لاكتشاف الحالات الشاذة.

يدعم Ultralytics YOLO11 مهامًا متنوعة في الرؤية الحاسوبية، مثل اكتشاف الكائنات وتصنيف الصور وتجزئة الكائنات وتتبع الكائنات وتقدير الوضعيات. وتسهّل هذه المهام اكتشاف الحالات الشاذة في تطبيقات متنوعة من العالم الحقيقي.

على سبيل المثال، يمكن استخدام اكتشاف الكائنات لتحديد المنتجات المعيبة على خط التجميع، والأشخاص غير المصرح لهم في المناطق المحظورة، والعناصر الموضوعة في غير مكانها في المستودعات. وبالمثل، تتيح تجزئة الكائنات تحديد حدود الحالات الشاذة بدقة، مثل الشقوق في الآلات أو التلوث في المنتجات الغذائية.

الشكل 3. تجزئة الشقوق بمساعدة Ultralytics YOLO11.

فيما يلي أمثلة أخرى على استخدام مهام الرؤية الحاسوبية لاكتشاف الحالات الشاذة:

• تتبع الكائنات: يمكن استخدامه لمراقبة أنماط الحركة بهدف اكتشاف التهديدات الأمنية، أو تتبع الحالات الشاذة للمركبات في حركة المرور، أو تقييم حركات المرضى في الرعاية الصحية.
• تقدير الوضعيات: يستطيع Ultralytics YOLO11 اكتشاف حركات الجسم غير المعتادة لتحديد مخاطر السلامة في أماكن العمل أو تتبع التقدم في إعادة التأهيل ضمن الرعاية الصحية.
• كشف الصناديق المحيطة الموجّهة (OBB): يحسن كشف الحالات الشاذة من خلال تحديد الكائنات المدارة أو المائلة وتحديد مواقعها بدقة، ما يجعله مفيدًا لتحليل الصور الجوية والقيادة الذاتية وعمليات التفتيش الصناعية.

لماذا ينبغي استخدام Ultralytics YOLO11؟#

تتميّز نماذج Ultralytics YOLO بسرعتها ودقتها مقارنةً بالعديد من نماذج الرؤية الحاسوبية الأخرى. وقد بسّط Ultralytics YOLOv5 النشر بفضل إطار العمل القائم على PyTorch، مما أتاح استخدامه لشريحة أوسع من المستخدمين. وفي الوقت نفسه، عزز Ultralytics YOLOv8 المرونة أكثر بإضافة دعم لمهام مثل تجزئة الكائنات وتتبعها وتقدير الوضعيات، مما جعله أكثر قابلية للتكيف مع التطبيقات المختلفة.

يوفر YOLO11، وهو أحدث إصدار وقت كتابة هذا النص (وقد خلفه Ultralytics YOLO26)، دقة وأداءً أعلى من إصداراته السابقة. فعلى سبيل المثال، يحقق YOLO11m متوسط دقة متوسطًا (mAP) أعلى على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22% من YOLOv8m، ما يتيح كشف الكائنات بدقة وكفاءة أكبر.

كيفية تدريب Ultralytics YOLO11 تدريبًا مخصصًا لاكتشاف الحالات الشاذة#

من السهل تدريب Ultralytics YOLO11 على بيانات مخصصة لكشف الحالات الشاذة. فباستخدام مجموعة بيانات مصممة لتطبيقك المحدد، يمكنك ضبط النموذج بدقة لاكتشاف الحالات الشاذة.

اتبع هذه الخطوات البسيطة للبدء:

• إعداد مجموعة البيانات: اجمع صورًا عالية الجودة تضم عينات طبيعية وأخرى شاذة. واحرص على تضمين اختلافات في الإضاءة والزوايا والدقة لمساعدة النموذج على التكيف بشكل أفضل. وتُعد المعايير المرجعية العامة مثل MVTec AD نقطة انطلاق مفيدة لاكتشاف العيوب الصناعية.
• إضافة تسميات إلى بياناتك: حدّد الحالات الشاذة باستخدام الصناديق المحيطة أو التجزئة أو النقاط المفتاحية كي يعرف النموذج ما الذي يبحث عنه. وتجعل أدوات إضافة التعليقات التوضيحية هذه العملية أسرع وأسهل.
• تدريب النموذج: يتعلم النموذج عبر دورات متعددة، مما يحسّن قدرته على تحديد الحالات الطبيعية والشاذة في الوقت الفعلي.
• الاختبار والتحقق: شغّل النموذج المدرَّب على صور جديدة لم يسبق له رؤيتها لتقييم أدائه والتأكد من كفاءته قبل نشره.

كذلك، عند بناء نظام لاكتشاف الحالات الشاذة، من المهم النظر في مدى ضرورة التدريب المخصص فعلًا. ففي بعض الحالات، قد يكون النموذج المدرَّب مسبقًا كافيًا بالفعل.

على سبيل المثال، إذا كنت تطوّر نظامًا لإدارة حركة المرور وكانت الحالة الشاذة التي تحتاج إلى اكتشافها هي عبور المشاة للطريق في غير الأماكن المخصصة، فيمكن لنموذج Ultralytics YOLO11 المدرَّب مسبقًا اكتشاف الأشخاص بدقة عالية. وبما أن فئة «person» ممثلة جيدًا في مجموعة بيانات COCO التي دُرّب النموذج عليها مسبقًا، فلا حاجة إلى تدريب إضافي.

يصبح التدريب المخصص ضروريًا عندما لا تكون الحالات الشاذة أو الكائنات المطلوب اكتشافها مُدرجة في مجموعة بيانات COCO. فإذا كان تطبيقك يتطلب تحديد عيوب نادرة في التصنيع، أو حالات طبية محددة في الصور، أو كائنات فريدة لا تغطيها مجموعات البيانات القياسية، فإن تدريب النموذج على بيانات خاصة بالمجال يضمن أداءً ودقة أفضل.

تطبيقات واقعية لاكتشاف الحالات الشاذة بالاستناد إلى الرؤية#

يُعد اكتشاف الحالات الشاذة مفهومًا واسعًا يشمل العديد من التطبيقات الواقعية. لنستعرض بعضًا منها ونرى كيف تساعد الرؤية الحاسوبية على تحديد الحالات غير المنتظمة وتحسين الكفاءة وتعزيز اتخاذ القرارات في مختلف الصناعات.

اكتشاف الحالات الشاذة في التصنيع#

تساعد الرؤية الحاسوبية في التصنيع على الحفاظ على معايير الجودة العالية من خلال اكتشاف العيوب وعدم المحاذاة والمكونات المفقودة على خطوط الإنتاج. ويمكن لنماذج الرؤية الحاسوبية الإبلاغ فورًا عن المنتجات المعيبة وإيقافها عن مواصلة خط الإنتاج، مما يقلل الهدر. ويساعد الاكتشاف المبكر لمشكلات مثل عيوب المواد الخام وأخطاء التغليف وضعف المكونات الهيكلية على تجنب عمليات الاستدعاء المكلفة والخسائر المالية.

إلى جانب مراقبة الجودة، يمكن لاكتشاف الحالات الشاذة أن يحسن السلامة في مكان العمل أيضًا. فكثيرًا ما تتعامل المصانع مع الحرارة والدخان والانبعاثات الخطرة، مما قد يؤدي إلى مخاطر نشوب الحرائق. ويمكن لنماذج الذكاء الاصطناعي القائم على الرؤية اكتشاف أنماط الدخان غير المعتادة أو ارتفاع حرارة الآلات أو حتى المؤشرات المبكرة لاندلاع حريق، مما يتيح للمصنّعين اتخاذ الإجراءات قبل وقوع الحوادث.

الشكل 4. استخدام الرؤية الحاسوبية لاكتشاف الحرائق والدخان.

تحديد الحالات الحدّية في قطاع السيارات#

يمكن لقطاع السيارات استخدام نماذج مثل Ultralytics YOLO11 لاكتشاف الأعطال في المحركات وأنظمة الكبح ومكونات ناقل الحركة قبل أن تؤدي إلى أعطال جسيمة. وبفضل دعم YOLO11 لاكتشاف الكائنات وتجزئتها، يسهل تحديد الحالات الشاذة بدقة، وهي حالات قد تغفل عنها عمليات الفحص اليدوي.

فيما يلي أمثلة أخرى على اكتشاف الحالات الشاذة في قطاع السيارات:

• كشف الحالات الشاذة في حركة المرور: رصد المركبات التي تسير عكس اتجاه المرور، أو الانحراف المفاجئ عن المسارات، أو الدخول غير المصرح به إلى المناطق المحظورة.
• مراقبة سلوك السائق: تحديد القيادة أثناء النعاس أو السلوك المشتت أو التوجيه غير المنتظم لتحسين السلامة على الطرق.
• سلامة المركبات ذاتية القيادة: اكتشاف المشاة وراكبي الدراجات والعوائق غير المتوقعة لمنع الاصطدامات.

رصد المخالفات في الإلكترونيات#

قد يكون فحص الإلكترونيات يدويًا بطيئًا وغير متسق ومعرضًا للأخطاء البشرية، ما يعني أن عيوب الرقائق الدقيقة ولوحات الدارات ووصلات اللحام قد لا تُكتشف. ويمكن حتى للعيوب الصغيرة، مثل تشقق وصلة لحام أو عدم محاذاة أحد المكونات، أن تسبب اضطرابات في الإشارات أو أعطالًا في النظام أو دوائر قصر، ما يؤدي إلى أجهزة غير موثوقة.

باستخدام كشف الحالات الشاذة المدعوم بـ Ultralytics YOLO11، يستطيع المصنعون أتمتة هذه العملية وتحديد المشكلات بسرعة، مثل الأجزاء غير المحاذية أو اللحام المعيب أو الأعطال الكهربائية، بدقة تفوق الأساليب التقليدية بكثير. فعلى سبيل المثال، يمكن لـ YOLO11 اكتشاف فجوة صغيرة في وصلة لحام قد لا يلاحظها المفتشون البشريون بسهولة من خلال كشف الكائنات. كما تستضيف Ultralytics Platform نموذجًا لكشف عيوب لوحات الدوائر المطبوعة مضبوطًا بدقة انطلاقًا من YOLO26s.

أبرز النقاط#

مع توجه الصناعات إلى اكتشاف الحالات الشاذة المدعوم بالرؤية الحاسوبية، أصبحت نماذج مثل Ultralytics YOLO11 أساسية للحفاظ على الجودة وتحسين السلامة والحد من المخاطر التشغيلية.

من التصنيع إلى الزراعة، يمكن لاكتشاف الحالات الشاذة المدعوم بالذكاء الاصطناعي أن يعزز الدقة ويسرّع عمليات الفحص ويقلل الأخطاء البشرية. ومن المرجح أن تجعل التطورات في الذكاء الاصطناعي اكتشاف الحالات الشاذة أكثر دقة مستقبلًا.

انضم إلى مجتمعنا المتنامي! واستكشف مستودع GitHub للتعرف على المزيد عن الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريعك الخاصة في الرؤية الحاسوبية؟ ألقِ نظرة على خيارات الترخيص. واكتشف الذكاء الاصطناعي في الزراعة والذكاء الاصطناعي البصري في الرعاية الصحية عبر زيارة صفحات حلولنا!