Vision AI für die Anomalieerkennung: Ein kurzer Überblick

Ein winziger Riss in einer Flugzeugtragfläche, ein falsch gedrucktes Etikett auf einem Medikament oder eine ungewöhnliche Finanztransaktion können schwerwiegende Probleme verursachen, wenn sie nicht erkannt werden. Jede Branche steht vor der Herausforderung, riskante Probleme frühzeitig zu erkennen, um Ausfälle, finanzielle Verluste oder Sicherheitsrisiken zu vermeiden.

Insbesondere müssen Anomalien erkannt werden. Anomaly detection konzentriert sich auf die Identifizierung von Mustern, die nicht den erwarteten Verhaltensweisen entsprechen. Ziel ist es, Defekte, Fehler oder unregelmäßige Aktivitäten zu kennzeichnen, die ansonsten unbemerkt bleiben könnten. Herkömmliche Methoden stützen sich auf feste Regeln, um diese Anomalien zu finden, sind jedoch oft langsam und haben Schwierigkeiten mit komplexen Variationen. Hier spielt Computer Vision eine entscheidende Rolle.

Durch das Lernen aus großen visuellen Datensätzen können Computer-Vision-Modelle wie Ultralytics YOLO11 Unregelmäßigkeiten genauer erkennen als herkömmliche Methoden.

In diesem Artikel untersuchen wir, wie vision-basierte Anomalieerkennung funktioniert und wie YOLO11 dabei helfen kann.

Link to this sectionDer Bedarf an Anomalieerkennung#

Im Bereich der Computer Vision erscheinen Anomalien oder Unregelmäßigkeiten typischerweise als Defekte oder ungewöhnliche Muster in Bildern und Videos. Jahrelang verließen sich Unternehmen auf manuelle Inspektionen oder regelbasierte Systeme, um Defekte zu erkennen.

In der pharmazeutischen Herstellung können Anomalien bei Tabletten beispielsweise Risse, falsche Formen, Verfärbungen oder fehlende Prägungen sein, was die Qualität und Sicherheit beeinträchtigen kann. Das frühzeitige Erkennen dieser Fehler ist entscheidend, um zu verhindern, dass fehlerhafte Produkte die Verbraucher erreichen. Manuelle Methoden zur Anomalieerkennung sind jedoch oft langsam, inkonsistent und können mit der Komplexität realer Unregelmäßigkeiten nicht umgehen.

Fig 1. Anomalieerkennung in der pharmazeutischen Industrie.

KI-basierte Anomalieerkennung löst diese Herausforderungen durch das Lernen aus riesigen Datensätzen, wodurch ihre Fähigkeit zur Mustererkennung im Laufe der Zeit kontinuierlich verbessert wird. Im Gegensatz zu starren, regelbasierten Methoden können KI-Systeme lernen und sich weiterentwickeln.

Fortschrittliche Modelle wie YOLO11 verbessern die Anomalieerkennung durch Echtzeit-Bildanalyse mit hoher Präzision. Vision-KI-Systeme können Details in Bildern wie Form, Textur und Struktur analysieren, wodurch es einfacher wird, Unregelmäßigkeiten schnell und genau zu erkennen.

Link to this sectionWie Computer Vision Anomalieerkennung ermöglicht#

Vision-KI-gestützte Anomalieerkennungssysteme arbeiten, indem sie zunächst hochwertige Bilder oder Videos mithilfe von Kameras, Sensoren oder Drohnen erfassen. Klare visuelle Daten sind entscheidend, egal ob es darum geht, ein defektes Produkt an einem Fließband zu entdecken, eine unbefugte Person in einem Sicherheitsbereich aufzuspüren oder ungewöhnliche Bewegungen an einem öffentlichen Ort zu identifizieren.

Nach der Erfassung durchlaufen die Bilder oder Videos Bildverarbeitungstechniken wie Rauschunterdrückung, Kontrastverbesserung und Schwellenwertbildung. Diese Vorverarbeitungsschritte helfen Vision-KI-Modellen, sich auf wichtige Details zu konzentrieren und Hintergrundrauschen herauszufiltern, was die Genauigkeit über verschiedene Anwendungen hinweg verbessert – von der Sicherheitsüberwachung bis zur medizinischen Diagnostik und Verkehrssteuerung.

Nach der Vorverarbeitung kann Computer Vision eingesetzt werden, um die Bilder zu analysieren und alles Ungewöhnliche zu identifizieren. Sobald eine Anomalie gekennzeichnet wurde, kann das System einen Alarm auslösen, wie z. B. einen Mitarbeiter benachrichtigen, ein defektes Produkt zu entfernen, Sicherheitspersonal auf eine potenzielle Bedrohung hinzuweisen oder Verkehrsbetreiber zu informieren, um Staus zu bewältigen.

Fig 2. Beispiele für Defekte, die mit Vision-KI erkannt werden können.

Link to this sectionAnomalieerkennung mit den Fähigkeiten von YOLO11#

Lass uns genauer betrachten, wie Computer-Vision-Modelle wie YOLO11 Bilder analysieren können, um Anomalien zu erkennen.

YOLO11 unterstützt verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Instanzsegmentierung, Objektverfolgung und Pose-Schätzung. Diese Aufgaben vereinfachen die Anomalieerkennung in verschiedenen realen Anwendungen.

Zum Beispiel kann Objekterkennung verwendet werden, um defekte Produkte an einem Fließband, unbefugte Personen in Sperrbereichen oder falsch platzierte Gegenstände in einem Lager zu identifizieren. Ebenso ermöglicht Instanzsegmentierung, Anomalien präzise zu umreißen, wie etwa Risse in Maschinen oder Verunreinigungen in essbaren Produkten.

Fig 3. Segmentierung von Rissen mit Hilfe von YOLO11.

Hier sind einige weitere Beispiele für Computer-Vision-Aufgaben, die zur Anomalieerkennung eingesetzt werden:

• Objektverfolgung: Kann verwendet werden, um Bewegungsmuster zu überwachen, um Sicherheitsbedrohungen zu erkennen, Fahrzeuganomalien im Verkehr zu verfolgen oder Patientenbewegungen im Gesundheitswesen zu bewerten.
• Pose-Schätzung: YOLO11 kann ungewöhnliche Körperbewegungen erkennen, um Sicherheitsrisiken am Arbeitsplatz zu identifizieren oder den Fortschritt der Rehabilitation im Gesundheitswesen zu verfolgen.
• Oriented Bounding Boxes (OBB) Erkennung: Verbessert die Anomalieerkennung durch die präzise Identifizierung und Lokalisierung von gedrehten oder abgewinkelten Objekten, was für die Analyse von Luftaufnahmen, autonomes Fahren und industrielle Inspektionen nützlich ist.

Link to this sectionWarum solltest du YOLO11 verwenden?#

Unter verschiedenen anderen Computer-Vision-Modellen stechen Ultralytics YOLO Modelle durch ihre Geschwindigkeit und Genauigkeit hervor. Ultralytics YOLOv5 vereinfachte die Bereitstellung mit seinem auf PyTorch basierenden Framework und machte es für einen größeren Benutzerkreis zugänglich. In der Zwischenzeit verbesserte Ultralytics YOLOv8 die Flexibilität weiter, indem es Unterstützung für Aufgaben wie Instanzsegmentierung, Objektverfolgung und Pose-Schätzung einführte, wodurch es anpassungsfähiger an verschiedene Anwendungen wurde.

Die neueste Version, YOLO11, bietet im Vergleich zu ihren Vorgängern eine überlegene Präzision und Leistung. Zum Beispiel liefert YOLO11m mit 22 % weniger Parametern als YOLOv8m eine höhere mittlere durchschnittliche Genauigkeit (mAP) auf dem COCO-Datensatz, was eine präzisere und effizientere Objekterkennung ermöglicht.

Link to this sectionSo trainierst du YOLO11 benutzerdefiniert für die Anomalieerkennung#

Benutzerdefiniertes Training von YOLO11 für die Anomalieerkennung ist unkompliziert und einfach. Mit einem Datensatz, der auf deine spezifische Anwendung zugeschnitten ist, kannst du das Modell feinabstimmen, um Anomalien präzise zu erkennen.

Befolge diese einfachen Schritte, um zu beginnen:

• Bereite deinen Datensatz vor: Sammle hochwertige Bilder, die sowohl normale als auch Anomalie-Proben enthalten. Stelle sicher, dass Variationen in Beleuchtung, Winkeln und Auflösungen enthalten sind, damit sich das Modell besser anpassen kann.
• Beschrifte deine Daten: Markiere Anomalien mit Bounding Boxes, Segmentierung oder Schlüsselpunkten, damit das Modell weiß, wonach es suchen muss. Open-Source-Tools machen diesen Prozess schneller und einfacher.
• Trainiere das Modell: Das Modell lernt über mehrere Zyklen hinweg und verbessert seine Fähigkeit, normale und anomaliebedingte Fälle in Echtzeit zu identifizieren.
• Testen und Validieren: Führe das trainierte Modell mit neuen, ungesehenen Bildern aus, um seine Leistung zu bewerten und sicherzustellen, dass es vor der Bereitstellung gut funktioniert.

Wenn du ein Anomalieerkennungssystem baust, ist es zudem wichtig zu überlegen, ob ein benutzerdefiniertes Training tatsächlich notwendig ist. In einigen Fällen kann ein vortrainiertes Modell bereits ausreichen.

Wenn du beispielsweise ein Verkehrsmanagementsystem entwickelst und die Anomalie, die du erkennen musst, Fußgänger sind, die bei Rot über die Straße gehen, kann das vortrainierte YOLO11-Modell bereits Personen mit hoher Genauigkeit erkennen. Da "Person" eine gut repräsentierte Kategorie im COCO-Datensatz ist (auf dem es vortrainiert wurde), ist kein zusätzliches Training erforderlich.

Benutzerdefiniertes Training wird unerlässlich, wenn die Anomalien oder Objekte, die du erkennen musst, nicht im COCO-Datensatz enthalten sind. Wenn deine Anwendung das Identifizieren seltener Defekte in der Fertigung, spezifische medizinische Zustände in Bildern oder einzigartige Objekte erfordert, die nicht von Standard-Datensätzen abgedeckt werden, dann stellt das Training eines Modells mit domänenspezifischen Daten eine bessere Leistung und Genauigkeit sicher.

Link to this sectionReale Anwendungen der vision-gesteuerten Anomalieerkennung#

Anomalieerkennung ist ein breites Konzept, das viele reale Anwendungen abdeckt. Gehen wir einige davon durch und sehen wir, wie Computer Vision hilft, Unregelmäßigkeiten zu identifizieren, die Effizienz zu verbessern und die Entscheidungsfindung in verschiedenen Branchen zu verbessern.

Link to this sectionErkennung von Anomalien in der Fertigung#

Computer Vision in der Fertigung hilft dabei, hohe Qualitätsstandards einzuhalten, indem Defekte, Fehlausrichtungen und fehlende Komponenten an Produktionslinien aufgespürt werden. Computer-Vision-Modelle können fehlerhafte Produkte sofort kennzeichnen, sie stoppen, bevor sie weiterlaufen, und den Ausschuss reduzieren. Die frühzeitige Erkennung von Problemen wie Rohmaterialfehlern, Verpackungsfehlern oder schwachen strukturellen Komponenten hilft, kostspielige Rückrufaktionen und finanzielle Verluste zu verhindern.

Über die Qualitätskontrolle hinaus kann Anomalieerkennung auch die Sicherheit am Arbeitsplatz verbessern. Fabriken haben es oft mit Hitze, Rauch und gefährlichen Emissionen zu tun, was zu Brandgefahren führen kann. Vision-KI-Modelle können ungewöhnliche Rauchmuster, überhitzte Maschinen oder sogar frühe Anzeichen eines Feuers erkennen, sodass Hersteller handeln können, bevor Unfälle passieren.

Fig 4. Computer Vision zur Erkennung von Feuer und Rauch.

Link to this sectionIdentifizierung von automobilen Randfällen#

Die Automobilindustrie kann Modelle wie YOLO11 nutzen, um Fehler in Motoren, Bremssystemen und Getriebekomponenten zu erkennen, bevor sie zu kritischen Ausfällen führen. Durch die Nutzung der Unterstützung von YOLO11 für Objekterkennung und Instanzsegmentierung ist es einfach, Anomalien präzise zu identifizieren, die bei manuellen Inspektionen übersehen werden könnten.

Hier sind einige weitere Beispiele für Anomalieerkennung in der Automobilindustrie:

• Verkehrsanomalie-Erkennung: Erkennung von Fahrzeugen, die entgegen der Fahrtrichtung fahren, plötzliches Abweichen von der Fahrspur oder unbefugter Zugang zu gesperrten Bereichen.
• Überwachung des Fahrerverhaltens: Identifizierung von Müdigkeit, abgelenktem Verhalten oder unberechenbarem Lenkverhalten zur Verbesserung der Verkehrssicherheit.
• Sicherheit bei autonomen Fahrzeugen: Erkennung von Fußgängern, Radfahrern und unerwarteten Hindernissen, um Kollisionen zu verhindern.

Link to this sectionErkennung von Unregelmäßigkeiten in der Elektronik#

Die manuelle Inspektion von Elektronik kann langsam, inkonsistent und fehleranfällig sein, was bedeutet, dass Defekte in Mikrochips, Leiterplatten und Lötverbindungen unbemerkt bleiben können. Selbst kleine Defekte, wie eine gerissene Lötstelle oder eine falsch ausgerichtete Komponente, können Signalstörungen, Systemausfälle oder Kurzschlüsse verursachen, was zu unzuverlässigen Geräten führt.

Mit der durch YOLO11 unterstützten Anomalieerkennung können Hersteller diesen Prozess automatisieren und Probleme wie falsch ausgerichtete Teile, defekte Lötstellen oder elektrische Fehler mit weitaus größerer Genauigkeit identifizieren als herkömmliche Methoden. Zum Beispiel kann eine winzige Lücke in einer Lötstelle, die von menschlichen Prüfern übersehen werden könnte, leicht durch die Objekterkennung von YOLO11 erkannt werden.

Link to this sectionWichtige Erkenntnisse#

Da Branchen auf Computer-Vision-basierte Anomalieerkennung umsteigen, werden Modelle wie YOLO11 für die Aufrechterhaltung der Qualität, die Verbesserung der Sicherheit und die Reduzierung operativer Risiken unverzichtbar.

Von der Fertigung bis zur Landwirtschaft kann KI-gesteuerte Anomalieerkennung die Genauigkeit erhöhen, Inspektionen beschleunigen und menschliche Fehler minimieren. Mit Blick auf die Zukunft werden Fortschritte in der KI die Anomalieerkennung voraussichtlich noch präziser machen.

Tritt unserer wachsenden community bei! Erkunde unser GitHub repository, um mehr über AI zu erfahren. Bereit, deine eigenen Computer-Vision-Projekte zu starten? Sieh dir unsere licensing options an. Entdecke AI in agriculture und vision AI in healthcare auf unseren Lösungsseiten!