Anomaly Detection
تعرّف على كيفية اكتشاف الشذوذ للقيم المتطرفة في الذكاء الاصطناعي والرؤية. اكتشف كيفية استخدام Ultralytics YOLO26 لاكتشاف العيوب في الوقت الفعلي والمراقبة الآلية.
يُعد اكتشاف الحالات الشاذة تقنية مهمة في مجالي الذكاء الاصطناعي (AI) وتعلّم الآلة (ML)، وتركز على تحديد نقاط البيانات أو الأحداث أو الملاحظات التي تنحرف بدرجة كبيرة عن السلوك الطبيعي لمجموعة بيانات. وتُعرف هذه العملية غالبًا باكتشاف القيم المتطرفة، وتفترض أن معظم البيانات تتبع نمطًا أو توزيعًا محددًا، وأن أي شيء يخرج عن هذا النطاق المعتاد يُعد حالة شاذة. وقد تشير هذه الاختلالات إلى حوادث خطيرة، مثل العيوب الهيكلية في التصنيع، أو الأخطاء في البيانات النصية، أو الاختراقات الأمنية المحتملة في حركة مرور الشبكة. وتُستخدم خوارزميات متقدمة، بما في ذلك تلك المستخدمة في التعلّم العميق (DL)، لأتمتة اكتشاف هذه الأحداث النادرة بدرجة عالية من الدقة.
اكتشاف الحالات الشاذة مقابل اكتشاف الأجسام#
على الرغم من أن المنهجيتين أساسيتان في الرؤية الحاسوبية (CV) الحديثة، فمن المهم التمييز بين اكتشاف الحالات الشاذة واكتشاف الأجسام التقليدي.
- اكتشاف الأجسام هو عادةً مسألة ذات فئات مغلقة، يحدد فيها النموذج فئات معروفة ومحددة ويحدد مواقعها، مثل «سيارة» و«شخص» و«إشارة مرور»، باستخدام الصناديق المحيطة. ويُدرّب النظام على أمثلة موسومة لما يُفترض أن يعثر عليه تحديدًا.
- اكتشاف الحالات الشاذة يُعامل غالبًا على أنه مسألة ذات فئات مفتوحة. يتعلم النظام تمثيلًا لما هو «طبيعي» ويرصد الانحرافات المجهولة. فعلى سبيل المثال، قد يُدرّب نظام فحص بصري على آلاف الصور لمنتجات سليمة تمامًا. وبعد ذلك، يجب أن يحدد أي خدش أو انبعاج أو تغير في اللون بوصفه حالة شاذة، حتى لو لم يسبق له أن واجه هذا النوع المحدد من العيوب.
ومع ذلك، يمكن تكييف كواشف الأجسام القوية مثل Ultralytics YOLO26، المتطور وفق أحدث التقنيات، بفاعلية لاكتشاف الحالات الشاذة الخاضع للإشراف. فمن خلال التعامل مع العيوب المعروفة بوصفها فئات متميزة ضمن بيانات التدريب، يستطيع المهندسون تدريب النماذج على تحديد أنواع محددة من الاختلالات بدقة.
تطبيقات عملية#
إن القدرة على رصد الاختلالات تلقائيًا تجعل اكتشاف الحالات الشاذة ضروريًا في قطاعات حيوية متنوعة يصعب فيها الاعتماد على المراقبة اليدوية.
- الذكاء الاصطناعي في التصنيع: تراقب أنظمة الفحص البصري المؤتمت (AOI) خطوط الإنتاج لتحديد العيوب الهيكلية في الوقت الفعلي. وباستخدام الصيانة التنبؤية، تستطيع المصانع اكتشاف الاهتزازات أو البصمات الحرارية غير المعتادة في الآلات، مما يمنع فترات التوقف المكلفة.
- تحليل الصور الطبية: تحلل الخوارزميات في مجال الرعاية الصحية صور الرنين المغناطيسي أو التصوير المقطعي لإبراز الأمراض المحتملة. ويساعد اكتشاف الأورام أو الكسور التي تنحرف عن أنماط الأنسجة السليمة اختصاصيي الأشعة على تشخيص الحالات بسرعة أكبر، وهو عنصر أساسي في الذكاء الاصطناعي في الرعاية الصحية.
- اكتشاف الاحتيال المالي: تستخدم المصارف اكتشاف الحالات الشاذة إحصائيًا لمراقبة تدفقات المعاملات. فإذا تغير نمط إنفاق المستخدم فجأة، مثل إجراء عملية شراء كبيرة في بلد أجنبي، يرصد النظام المعاملة باعتبارها اختراقًا أمنيًا محتملًا، وفقًا لما توضحه منهجيات اكتشاف الاحتيال المالي.
- اكتشاف التسلل إلى الشبكات: تراقب أدوات الأمن السيبراني حركة مرور الشبكة بحثًا عن الارتفاعات المفاجئة أو أنماط الحزم غير المعتادة. ومن خلال إنشاء خط أساس لحركة المرور الطبيعية، تستطيع الأنظمة اكتشاف الهجمات السيبرانية أو محاولات استخراج البيانات مبكرًا.
تنفيذ اكتشاف العيوب باستخدام Ultralytics YOLO26#
يتضمن النهج العملي لاكتشاف الحالات الشاذة تدريب نموذج رؤية على التعرّف إلى فئات محددة من العيوب. وقد حُسنت النماذج الأحدث، مثل YOLO26، لهذه المهمة، إذ توفر سرعة ودقة أعلى مقارنةً بإصدارات سابقة مثل YOLO11. ويوضح المثال التالي كيفية تحميل نموذج مدرّب مسبقًا وإجراء الاستدلال لتحديد الحالات الشاذة الموسومة بوصفها أجسامًا.
from ultralytics import YOLO
# تحميل نموذج YOLO26 مدرّب على اكتشاف عيوب محددة (مثل 'crack' و'dent')
# يوفر YOLO26 دعمًا أصيلًا شاملًا من البداية إلى النهاية لاستدلال أسرع
model = YOLO("yolo26n.pt")
# إجراء الاستدلال على صورة منتج
# تستبعد عتبة 'conf' التنبؤات منخفضة الثقة (الضوضاء)
results = model.predict("path/to/product_image.jpg", conf=0.5)
# تصور العيوب التي جرى تحديدها
for result in results:
result.show() # يعرض الصورة مع صناديق محيطة بالحالات الشاذةالأدوات والمنظومة المتكاملة#
يتطلب تطوير أنظمة فعالة لاكتشاف الحالات الشاذة منظومة برمجية قوية لمعالجة المعالجة المسبقة للبيانات وإدارة دورة حياة النماذج.
- أطر التعلّم العميق: توفر مكتبات مثل PyTorch وTensorFlow الواجهة الخلفية الحاسوبية لتدريب الشبكات العصبية المعقدة المستخدمة في الاكتشاف القائم على الرؤية.
- إعداد البيانات: تُعد أدوات تنظيف البيانات ضرورية لإزالة القيم المتطرفة من مجموعة التدريب الأولية، كي يتعلم النموذج خط أساس سليمًا لما هو «طبيعي».
- المكتبات الإحصائية: للبيانات غير المرئية، توفر مكتبة Scikit-learn خوارزميات معيارية مثل غابة العزل وآلة ناقلات الدعم (SVM) ذات الفئة الواحدة.
- مسارات العمل المتكاملة: تبسّط Ultralytics Platform دورة حياة هذه النماذج، إذ توفر أدوات لإضافة التعليقات التوضيحية إلى مجموعات البيانات، والتدريب السحابي، ونشر نماذج فعالة مثل YOLO26 على الأجهزة الطرفية لإجراء الاستدلال في الوقت الفعلي.
