بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
اكتشف كيف تتيح الرؤية الحاسوبية إمكانية الكشف الدقيق عن الشذوذ في مختلف الصناعات. تعرّف على كيفية تدريب نماذج مخصصة مثل Ultralytics YOLO11 لاكتشاف الشذوذ.
يمكن لشرخ صغير في جناح طائرة، أو ملصق مطبوع بشكل خاطئ على دواء، أو معاملة مالية غير عادية أن تتسبب في مشكلات خطيرة إذا تركت دون اكتشاف. تواجه كل صناعة تحدي محاولة اكتشاف أي مشكلات محفوفة بالمخاطر في وقت مبكر لمنع الإخفاقات أو الخسائر المالية أو المخاطر المتعلقة بالسلامة.
على وجه التحديد، يجب اكتشاف الحالات الشاذة. يركز اكتشاف الحالات الشاذة على تحديد الأنماط التي لا تتطابق مع السلوكيات المتوقعة. ويهدف إلى تحديد العيوب أو الأخطاء أو الأنشطة غير المنتظمة التي قد تمر دون أن يلاحظها أحد. تعتمد الطرق التقليدية على قواعد ثابتة للعثور على هذه الحالات الشاذة، ولكنها غالبًا ما تكون بطيئة وتكافح مع الاختلافات المعقدة. هذا هو المكان الذي تلعب فيه رؤية الكمبيوتر دورًا حاسمًا.
من خلال التعلم من مجموعات البيانات المرئية الكبيرة، فإن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11detect المخالفات بدقة أكبر من الطرق التقليدية.
في هذه المقالة، سنستكشف في هذه المقالة كيفية عمل الكشف عن الشذوذ القائم على الرؤية وكيف يمكن أن يساعدك YOLO11 .
الحاجة إلى اكتشاف الحالات الشاذة
فيما يتعلق بالرؤية الحاسوبية، تظهر الحالات الشاذة أو المخالفات عادةً على شكل عيوب أو أنماط غير عادية في الصور ومقاطع الفيديو. لسنوات، اعتمدت الشركات على عمليات الفحص اليدوي أو الأنظمة القائمة على القواعد detect العيوب.
على سبيل المثال، في تصنيع الأدوية، يمكن أن تشمل الحالات الشاذة في الأقراص تشققات أو أشكال غير صحيحة أو تغير في اللون أو علامات مفقودة، مما قد يضر بالجودة والسلامة. يعد اكتشاف هذه العيوب مبكرًا أمرًا حيويًا لمنع وصول المنتجات المعيبة إلى المستهلكين. ومع ذلك، غالبًا ما تكون طرق الكشف اليدوي عن الحالات الشاذة بطيئة وغير متسقة ولا يمكنها التعامل مع تعقيد المخالفات في العالم الحقيقي.
يكفل كشف الحالات الشاذة المعتمد على الذكاء الاصطناعي حل هذه التحديات من خلال التعلم من مجموعات البيانات الضخمة، وتحسين قدرتها باستمرار على التعرف على الأنماط بمرور الوقت. وخلافًا للطرق الثابتة القائمة على القواعد، يمكن لأنظمة الذكاء الاصطناعي التعلم والتحسن بمرور الوقت.
تعمل النماذج المتقدمة مثل YOLO11 على تعزيز اكتشاف الشذوذ من خلال تمكين تحليل الصور في الوقت الفعلي بدقة عالية. يمكن لأنظمة الذكاء الاصطناعي للرؤية تحليل التفاصيل في الصور مثل الشكل والملمس والهيكل، مما يسهل اكتشاف المخالفات بسرعة ودقة.
كيف تمكّن الرؤية الحاسوبية الكشف عن الحالات الشاذة
تعمل أنظمة الكشف عن الحالات الشاذة المدعومة بالرؤية الاصطناعية عن طريق التقاط صور أو مقاطع فيديو عالية الجودة أولاً باستخدام الكاميرات أو المستشعرات أو الطائرات بدون طيار. تعتبر البيانات المرئية الواضحة أساسية، سواء كان ذلك لاكتشاف منتج معيب على خط إنتاج في مصنع، أو اكتشاف شخص غير مصرح له في منطقة آمنة، أو تحديد حركة غير عادية في مكان عام.
بمجرد جمع الصور أو مقاطع الفيديو، فإنها تخضع لتقنيات معالجة الصور مثل تقليل الضوضاء وتحسين التباين وتحديد العتبة. تساعد خطوات المعالجة المسبقة هذه نماذج الرؤية الاصطناعية على التركيز على التفاصيل المهمة مع تصفية ضوضاء الخلفية، مما يحسن الدقة عبر مختلف التطبيقات، من المراقبة الأمنية إلى التشخيصات الطبية والتحكم في حركة المرور.
بعد المعالجة المسبقة، يمكن استخدام الرؤية الحاسوبية لتحليل الصور وتحديد أي شيء غير عادي. بمجرد تحديد حالة شاذة، يمكن للنظام إطلاق تنبيه، مثل إخطار عامل لإزالة منتج معيب، أو تنبيه أفراد الأمن إلى تهديد محتمل، أو إعلام مشغلي المرور لإدارة الازدحام.
الشكل 2. أمثلة على العيوب التي يمكن اكتشافها باستخدام الرؤية الاصطناعية.
اكتشاف الشذوذ باستخدام إمكانيات YOLO11
دعونا نلقي نظرة فاحصة على كيفية قدرة نماذج الرؤية الحاسوبية مثل YOLO11 على تحليل الصور detect الحالات الشاذة.
يدعم YOLO11 العديد من مهام الرؤية الحاسوبية مثل اكتشاف الأجسام، وتصنيف الصور، وتجزئة المثيلات، وتتبع الأجسام، وتقدير الوضع. تجعل هذه المهام اكتشاف الشذوذ في تطبيقات العالم الحقيقي المختلفة أكثر بساطة.
على سبيل المثال، يمكن استخدام اكتشاف الكائنات لتحديد المنتجات المعيبة على خط تجميع، أو الأفراد غير المصرح لهم في المناطق المحظورة، أو العناصر في غير مكانها في المستودع. وبالمثل، فإن تجزئة المثيلات تجعل من الممكن تحديد الحالات الشاذة بدقة، مثل الشقوق في الآلات أو التلوث في المنتجات الصالحة للأكل.
فيما يلي بعض الأمثلة الأخرى لمهام الرؤية الحاسوبية المستخدمة للكشف عن الحالات الشاذة:
تتبّع الأجسام: يمكن استخدامه لرصد أنماط الحركة detect التهديدات الأمنية، أو track شذوذ المركبات في حركة المرور، أو تقييم تحركات المرضى في مجال الرعاية الصحية.
تقدير الوضعية: يمكن لـ YOLO11 detect حركات الجسم غير المعتادة لتحديد مخاطر السلامة في أماكن العمل أو track تقدم إعادة التأهيل في مجال الرعاية الصحية.
اكتشاف الصناديق المحيطة الموجهة (OBB): يحسن اكتشاف الحالات الشاذة من خلال تحديد وتوطين الكائنات التي تم تدويرها أو بزاوية بدقة، مما يجعلها مفيدة لتحليل الصور الجوية والقيادة الذاتية وعمليات التفتيش الصناعية.
لماذا يجب عليك استخدام YOLO11
من بين العديد من نماذج الرؤية الحاسوبية الأخرى، تتميز نماذجUltralytics YOLO بسرعتها ودقتها. Ultralytics YOLOv5 نشرًا مبسطًا من خلال إطاره PyTorch مما يجعله في متناول مجموعة واسعة من المستخدمين. وفي الوقت نفسه Ultralytics YOLOv8 مزيدًا من المرونة من خلال تقديم دعم لمهام مثل تجزئة المثيل وتتبع الكائنات وتقدير الوضع، مما يجعله أكثر قابلية للتكيف مع التطبيقات المختلفة.
يوفر الإصدار الأحدث، YOLO11 دقة وأداءً فائقين مقارنةً بسابقاته. على سبيل المثال، مع وجود معلمات أقل بنسبة 22% من YOLOv8m يوفر YOLO11m متوسط دقة أعلى على مجموعة بيانات COCO mAP يسمح باكتشاف الأجسام بدقة وفعالية أكبر.
كيفية تدريب YOLO11 المخصص للكشف عن الحالات الشاذة
إن تدريب YOLO11 المخصص لاكتشاف الحالات الشاذة أمر بسيط ومباشر. باستخدام مجموعة بيانات مصممة لتطبيقك المحدد، يمكنك ضبط النموذج بدقة detect الحالات الشاذة بدقة.
اتبع هذه الخطوات البسيطة للبدء:
جهز مجموعة البيانات الخاصة بك: اجمع صورًا عالية الجودة تتضمن عينات عادية وشاذة. تأكد من تضمين اختلافات في الإضاءة والزوايا والدقة لمساعدة النموذج على التكيف بشكل أفضل.
ضع علامات على بياناتك: ضع علامات على الحالات الشاذة باستخدام مربعات محيطة أو تجزئة أو نقاط رئيسية حتى يعرف النموذج ما الذي يبحث عنه. الأدوات مفتوحة المصدر تجعل هذه العملية أسرع وأسهل.
تدريب النموذج: يتعلم النموذج على مدى دورات متعددة، مما يحسن قدرته على تحديد الحالات العادية والشاذة في الوقت الفعلي.
الاختبار والتحقق: قم بتشغيل النموذج المدرب على صور جديدة وغير مرئية لتقييم أدائه والتأكد من أنه يعمل بشكل جيد قبل نشره.
أيضًا، عند بناء نظام للكشف عن الحالات الشاذة، من المهم مراعاة ما إذا كان التدريب المخصص ضروريًا بالفعل. في بعض الحالات، قد يكون النموذج المدرب مسبقًا كافيًا.
على سبيل المثال، إذا كنت تقوم بتطوير نظام لإدارة حركة المرور وكانت الحالة الشاذة التي تحتاج إلى detect هي الأشخاص الذين يسيرون على غير هدى، فإن نموذج YOLO11 المدرّب مسبقًا يمكنه بالفعل detect الأشخاص بدقة عالية. نظرًا لأن كلمة "شخص" هي فئة ممثلة بشكل جيد في مجموعة بيانات COCO (التي تم تدريبها مسبقًا عليها)، فلا حاجة إلى تدريب إضافي.
يصبح التدريب المخصص ضروريًا عندما لا يتم تضمين الحالات الشاذة أو الكائنات التي تحتاج إلى detect في مجموعة بيانات COCO . إذا كان تطبيقك يتطلب تحديد العيوب النادرة 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 واقعية للكشف عن الحالات الشاذة المدفوعة بالرؤية
الكشف عن الحالات الشاذة هو مفهوم واسع يغطي العديد من التطبيقات الواقعية. دعنا نتناول بعضًا من هذه التطبيقات ونرى كيف تساعد رؤية الكمبيوتر في تحديد المخالفات وتحسين الكفاءة وتعزيز اتخاذ القرارات في مختلف الصناعات.
اكتشاف الحالات الشاذة في التصنيع
تساعد رؤية الكمبيوتر في التصنيع في الحفاظ على معايير الجودة العالية من خلال اكتشاف العيوب والاختلالات والمكونات المفقودة في خطوط الإنتاج. يمكن لنماذج رؤية الكمبيوتر الإبلاغ فورًا عن المنتجات المعيبة، ومنعها من التحرك إلى أسفل الخط وتقليل النفايات. يساعد الاكتشاف المبكر للمشكلات مثل عيوب المواد الخام أو أخطاء التعبئة والتغليف أو المكونات الهيكلية الضعيفة في منع عمليات الاسترجاع المكلفة والخسائر المالية.
بالإضافة إلى مراقبة الجودة، يمكن أن يؤدي اكتشاف الشذوذ أيضًا إلى تحسين السلامة في مكان العمل. فغالباً ما تتعامل المصانع مع الحرارة والدخان والانبعاثات الخطرة التي يمكن أن تؤدي إلى مخاطر الحرائق. يمكن لنماذج الذكاء الاصطناعي المرئي أن detect أنماط الدخان غير المعتادة، أو ارتفاع درجة حرارة الآلات، أو حتى العلامات المبكرة للحريق، مما يسمح للمصانع باتخاذ الإجراءات اللازمة قبل وقوع الحوادث.
الشكل 4. استخدام الرؤية الحاسوبية detect الحريق والدخان.
تحديد الحالات الطرفية للسيارات
يمكن لصناعة السيارات استخدام نماذج مثل YOLO11 detect الأعطال في المحركات وأنظمة الكبح ومكونات ناقل الحركة قبل أن تؤدي إلى أعطال خطيرة. وباستخدام دعم YOLO11لاكتشاف الكائنات وتجزئة النماذج، من السهل تحديد الحالات الشاذة التي قد تغفلها عمليات الفحص اليدوي بدقة.
فيما يلي بعض الأمثلة الأخرى للكشف عن الحالات الشاذة في صناعة السيارات:
اكتشاف الحالات الشاذة في حركة المرور: التعرف على المركبات التي تتحرك عكس اتجاه حركة المرور، أو الانحرافات المفاجئة عن المسار، أو الوصول غير المصرح به إلى المناطق المحظورة.
مراقبة سلوك السائق: تحديد القيادة النعسة أو السلوك المشتت للانتباه أو التوجيه غير المنتظم لتحسين السلامة على الطرق.
سلامة المركبات ذاتية القيادة: اكتشاف المشاة وراكبي الدراجات والعقبات غير المتوقعة لمنع الاصطدامات.
اكتشاف المخالفات في الإلكترونيات
يمكن أن يكون فحص الإلكترونيات يدويًا بطيئًا وغير متسق وعرضة للخطأ البشري، مما يعني أن العيوب في الرقائق الدقيقة ولوحات الدوائر الكهربائية وتوصيلات اللحام يمكن أن تمر دون أن يلاحظها أحد. حتى العيوب الصغيرة، مثل وصلة لحام متصدعة أو مكون غير محاذي، يمكن أن تتسبب في انقطاع الإشارة أو فشل النظام أو ماس كهربائي، مما يؤدي إلى أجهزة غير موثوقة.
من خلال اكتشاف الشذوذ YOLO11OLO11، يمكن للمصنعين أتمتة هذه العملية وتحديد المشكلات بسرعة مثل الأجزاء غير المتناسقة أو اللحام المعيب أو الأعطال الكهربائية بدقة أكبر بكثير من الطرق التقليدية. على سبيل المثال، يمكن بسهولة اكتشاف فجوة صغيرة في وصلة لحام قد يغفلها المفتشون البشريون من خلال خاصية اكتشاف الأجسام في YOLO11.
النقاط الرئيسية
مع تحول الصناعات إلى الكشف عن الشذوذ المدعوم بالرؤية الحاسوبية، أصبحت نماذج مثل YOLO11 ضرورية للحفاظ على الجودة وتحسين السلامة وتقليل المخاطر التشغيلية.
من التصنيع إلى الزراعة، يمكن للكشف عن الحالات الشاذة المدفوع بالذكاء الاصطناعي تحسين الدقة وتسريع عمليات الفحص وتقليل الأخطاء البشرية. وبالنظر إلى المستقبل، فمن المرجح أن تجعل التطورات في الذكاء الاصطناعي الكشف عن الحالات الشاذة أكثر دقة.
