Vision AI für die Anomalieerkennung: Ein kurzer Überblick

Ein winziger Riss in einem Flugzeugflügel, ein falsch gedrucktes Etikett auf einem Medikament oder eine ungewöhnliche Finanztransaktion kann ernsthafte Probleme verursachen, wenn sie unentdeckt bleibt. Jede Branche steht vor der Herausforderung, riskante Probleme frühzeitig zu erkennen, um Ausfälle, finanzielle Verluste oder Sicherheitsrisiken zu verhindern.

Konkret müssen Anomalien erkannt werden. Die Anomalieerkennung konzentriert sich darauf, Muster zu identifizieren, die nicht dem erwarteten Verhalten entsprechen. Sie soll Defekte, Fehler oder unregelmäßige Aktivitäten kennzeichnen, die andernfalls unbemerkt bleiben könnten. Herkömmliche Methoden verwenden feste Regeln, um diese Anomalien zu finden, sind jedoch oft langsam und haben Schwierigkeiten mit komplexen Abweichungen. Hier spielt die 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 sehen wir uns an, wie die visuelle Anomalieerkennung funktioniert und wie Ultralytics YOLO11 dich dabei unterstützen kann.

Die Notwendigkeit der Anomalieerkennung#

Im Bereich der Computer Vision treten Anomalien oder Unregelmäßigkeiten typischerweise als Defekte oder ungewöhnliche Muster in Bildern und Videos auf. Seit Jahren verlassen sich Unternehmen auf manuelle Prüfungen oder regelbasierte Systeme, um Defekte zu erkennen.

Zum Beispiel können Anomalien in Tabletten bei der pharmazeutischen Herstellung Risse, falsche Formen, Verfärbungen oder fehlende Prägungen umfassen, die Qualität und Sicherheit beeinträchtigen können. Die frühzeitige Erkennung dieser Mängel ist entscheidend, um zu verhindern, dass fehlerhafte Produkte die Verbraucher erreichen. Manuelle Methoden zur Anomalieerkennung sind jedoch oft langsam und inkonsistent und können die Komplexität von Unregelmäßigkeiten in der realen Welt nicht bewältigen.

Abb. 1. Anomalieerkennung in der pharmazeutischen Industrie.

Die auf KI basierende Anomalieerkennung löst diese Herausforderungen, indem sie aus umfangreichen Datensätzen lernt und ihre Fähigkeit zur Erkennung von Mustern kontinuierlich verbessert. Im Gegensatz zu festen regelbasierten Methoden können KI-Systeme im Laufe der Zeit lernen und sich verbessern.

Fortschrittliche Modelle wie Ultralytics YOLO11 verbessern die Anomalieerkennung, indem sie eine Bildanalyse in Echtzeit mit hoher Präzision ermöglichen. Vision-AI-Systeme können Details in Bildern wie Form, Textur und Struktur analysieren, sodass sich Unregelmäßigkeiten schneller und genauer erkennen lassen.

Wie Computer Vision die Anomalieerkennung ermöglicht#

Durch Vision AI gesteuerte Systeme zur Anomalieerkennung erfassen zunächst mithilfe von Kameras, Sensoren oder Drohnen hochwertige Bilder oder Videos. Klare visuelle Daten sind entscheidend – ganz gleich, ob es darum geht, ein fehlerhaftes Produkt an einer Fertigungslinie zu erkennen, eine unbefugte Person in einem gesicherten Bereich aufzuspüren oder ungewöhnliche Bewegungen an einem öffentlichen Ort festzustellen.

Nach der Erfassung werden die Bilder oder Videos mithilfe von Verfahren der Bildverarbeitung wie Rauschreduzierung, Kontrastverstärkung und Schwellenwertbildung verarbeitet. Diese Vorverarbeitungsschritte helfen Vision-AI-Modellen, sich auf wichtige Details zu konzentrieren und gleichzeitig Hintergrundrauschen herauszufiltern. Dadurch verbessert sich die Genauigkeit in verschiedenen Anwendungsbereichen – von der Sicherheitsüberwachung über die medizinische Diagnostik bis zur Verkehrssteuerung.

Nach der Vorverarbeitung kann Computer Vision eingesetzt werden, um die Bilder zu analysieren und alles Ungewöhnliche zu erkennen. Sobald eine Anomalie gekennzeichnet wurde, kann das System eine Warnung auslösen, beispielsweise einen Mitarbeiter auffordern, ein fehlerhaftes Produkt zu entfernen, das Sicherheitspersonal auf eine potenzielle Bedrohung hinweisen oder die Verkehrsleitstelle über eine Verkehrsüberlastung informieren.

Abb. 2. Beispiele für Defekte, die mit Vision AI erkannt werden können.

Anomalieerkennung mit den Funktionen von Ultralytics YOLO11#

Sehen wir uns genauer an, wie Computer-Vision-Modelle wie Ultralytics YOLO11 Bilder analysieren können, um Anomalien zu erkennen.

Ultralytics YOLO11 unterstützt verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Instanzsegmentierung, Objektverfolgung und Posenschätzung. Diese Aufgaben vereinfachen die Anomalieerkennung in verschiedenen realen Anwendungsbereichen.

Beispielsweise kann die Objekterkennung eingesetzt werden, um fehlerhafte Produkte an einer Montagelinie, unbefugte Personen in gesperrten Bereichen oder falsch abgelegte Artikel in einem Lager zu identifizieren. Ebenso ermöglicht die Instanzsegmentierung eine präzise Abgrenzung von Anomalien, etwa von Rissen in Maschinen oder Verunreinigungen in Lebensmitteln.

Abb. 3. Segmentierung von Rissen mit Ultralytics YOLO11.

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

• Objektverfolgung: Sie kann eingesetzt werden, um Bewegungsmuster zu überwachen, Sicherheitsbedrohungen zu erkennen, Anomalien bei Fahrzeugen im Verkehr zu verfolgen oder die Bewegungen von Patienten im Gesundheitswesen zu beurteilen.
• Posenschätzung: Ultralytics YOLO11 kann ungewöhnliche Körperbewegungen erkennen, um Sicherheitsrisiken am Arbeitsplatz zu identifizieren oder den Rehabilitationsfortschritt im Gesundheitswesen zu verfolgen.
• Erkennung orientierter Begrenzungsrahmen (OBB): Sie verbessert die Anomalieerkennung, indem gedrehte oder schräg ausgerichtete Objekte präzise identifiziert und lokalisiert werden. Dadurch eignet sie sich für die Analyse von Luftbildern, autonomes Fahren und industrielle Inspektionen.

Warum solltest du Ultralytics YOLO11 verwenden?#

Unter den verschiedenen Computer-Vision-Modellen zeichnen sich die Ultralytics-YOLO-Modelle durch ihre Geschwindigkeit und Genauigkeit aus. Ultralytics YOLOv5 vereinfachte die Bereitstellung mit seinem auf PyTorch basierenden Framework und machte es für eine größere Gruppe von Nutzern zugänglich. Ultralytics YOLOv8 steigerte unterdessen die Flexibilität weiter, indem es Unterstützung für Aufgaben wie Instanzsegmentierung, Objektverfolgung und Posenschätzung einführte und sich dadurch besser für verschiedene Anwendungen eignet.

Die neueste Version, YOLO11, bietet im Vergleich zu ihren Vorgängern eine höhere Präzision und Leistung. Mit 22 % weniger Parametern als YOLOv8m erzielt YOLO11m beispielsweise eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz und ermöglicht dadurch eine präzisere und effizientere Objekterkennung.

Ultralytics YOLO11 für die Anomalieerkennung individuell trainieren#

Das individuelle Training von Ultralytics YOLO11 für die Anomalieerkennung ist unkompliziert und einfach. Mit einem auf deine spezifische Anwendung zugeschnittenen Datensatz kannst du das Modell so anpassen, dass es Anomalien präzise erkennt.

Befolge diese einfachen Schritte, um zu beginnen:

• Bereite deinen Datensatz vor: Sammle hochwertige Bilder, die sowohl normale Beispiele als auch Anomalien enthalten. Achte darauf, Variationen bei Beleuchtung, Blickwinkeln und Auflösungen einzubeziehen, damit sich das Modell besser anpassen kann.
• Beschrifte deine Daten: Markiere Anomalien mit Begrenzungsrahmen, Segmentierungen oder Schlüsselpunkten, damit das Modell weiß, wonach es suchen soll. Open-Source-Werkzeuge machen diesen Prozess schneller und einfacher.
• Trainiere das Modell: Das Modell lernt über mehrere Zyklen hinweg und verbessert seine Fähigkeit, normale Fälle und Anomalien in Echtzeit zu erkennen.
• Teste und validiere: Führe das trainierte Modell mit neuen, unbekannten Bildern aus, um seine Leistung zu bewerten und sicherzustellen, dass es vor der Bereitstellung zuverlässig funktioniert.

Außerdem ist es beim Aufbau eines Systems zur Anomalieerkennung wichtig zu prüfen, ob ein individuelles Training tatsächlich erforderlich ist. In einigen Fällen kann ein vortrainiertes Modell bereits ausreichen.

Wenn du beispielsweise ein Verkehrsmanagementsystem entwickelst und die zu erkennende Anomalie Fußgänger sind, die die Straße regelwidrig überqueren, kann das vortrainierte Ultralytics-YOLO11-Modell Personen bereits mit hoher Genauigkeit erkennen. Da „person“ eine im COCO-Datensatz gut vertretene Kategorie ist, auf dem das Modell vortrainiert wurde, ist kein zusätzliches Training erforderlich.

Individuelles Training wird unverzichtbar, wenn die zu erkennenden Anomalien oder Objekte nicht im COCO-Datensatz enthalten sind. Wenn deine Anwendung die Identifizierung seltener Fertigungsfehler, bestimmter medizinischer Zustände in Bildern oder einzigartiger Objekte erfordert, die von Standarddatensätzen nicht abgedeckt werden, sorgt das Training eines Modells mit domänenspezifischen Daten für eine bessere Leistung und Genauigkeit.

Praxisnahe Anwendungen der visuellen Anomalieerkennung#

Die Anomalieerkennung ist ein weit gefasstes Konzept, das viele reale Anwendungen abdeckt. Sehen wir uns einige davon an und betrachten wir, wie Computer Vision in verschiedenen Branchen dabei hilft, Unregelmäßigkeiten zu erkennen, die Effizienz zu steigern und Entscheidungen zu verbessern.

Anomalien in der Fertigung erkennen#

Computer Vision in der Fertigung hilft dabei, hohe Qualitätsstandards einzuhalten, indem Defekte, Fehlausrichtungen und fehlende Komponenten an Produktionslinien erkannt werden. Computer-Vision-Modelle können fehlerhafte Produkte sofort kennzeichnen, sodass diese nicht weiter durch die Produktionslinie gelangen und weniger Abfall entsteht. Die frühzeitige Erkennung von Problemen wie Fehlern bei Rohmaterialien, Verpackungsfehlern oder schwachen Strukturkomponenten hilft, kostspielige Rückrufaktionen und finanzielle Verluste zu vermeiden.

Neben der Qualitätskontrolle kann die Anomalieerkennung auch die Sicherheit am Arbeitsplatz verbessern. In Fabriken treten häufig Hitze, Rauch und gefährliche Emissionen auf, die Brandgefahren verursachen können. Vision-AI-Modelle können ungewöhnliche Rauchmuster, überhitzte Maschinen oder sogar erste Anzeichen eines Brandes erkennen, sodass Hersteller handeln können, bevor es zu Unfällen kommt.

Abb. 4. Einsatz von Computer Vision zur Erkennung von Feuer und Rauch.

Automobile Sonderfälle erkennen#

Die Automobilindustrie kann Modelle wie Ultralytics YOLO11 einsetzen, um Fehler in Motoren, Bremssystemen und Getriebekomponenten zu erkennen, bevor sie zu kritischen Ausfällen führen. Dank der Unterstützung von YOLO11 für Objekterkennung und Instanzsegmentierung lassen sich Anomalien präzise identifizieren, die bei manuellen Prüfungen möglicherweise übersehen würden.

Hier sind einige weitere Beispiele für die Anomalieerkennung in der Automobilindustrie:

• Verkehrsanomalien erkennen: Fahrzeuge erkennen, die entgegen der Verkehrsrichtung fahren, plötzliche Spurwechsel feststellen oder unbefugten Zugang zu gesperrten Bereichen identifizieren.
• Fahrerverhalten überwachen: Müdes Fahren, abgelenktes Verhalten oder unregelmäßige Lenkbewegungen erkennen, um die Verkehrssicherheit zu verbessern.
• Sicherheit autonomer Fahrzeuge: Fußgänger, Radfahrer und unerwartete Hindernisse erkennen, um Kollisionen zu verhindern.

Unregelmäßigkeiten in der Elektronik erkennen#

Die manuelle Prüfung von Elektronik kann langsam und inkonsistent sein und ist anfällig für menschliche Fehler. Dadurch können Defekte in Mikrochips, Leiterplatten und Lötverbindungen unentdeckt bleiben. Selbst kleine Mängel wie eine gerissene Lötstelle oder ein falsch ausgerichtetes Bauteil können Signalstörungen, Systemausfälle oder Kurzschlüsse verursachen und zu unzuverlässigen Geräten führen.

Mit der von Ultralytics YOLO11 unterstützten Anomalieerkennung können Hersteller diesen Prozess automatisieren und Probleme wie falsch ausgerichtete Bauteile, fehlerhafte Lötstellen oder elektrische Fehler deutlich genauer als mit herkömmlichen Methoden erkennen. So kann beispielsweise eine winzige Lücke in einer Lötstelle, die menschliche Prüfer möglicherweise übersehen, mit der Objekterkennung von YOLO11 problemlos erkannt werden.

Wichtige Erkenntnisse#

Da Branchen zunehmend auf Computer-Vision-gestützte Anomalieerkennung setzen, werden Modelle wie Ultralytics YOLO11 für die Aufrechterhaltung der Qualität, die Verbesserung der Sicherheit und die Verringerung betrieblicher Risiken immer wichtiger.

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

Werde Teil unserer wachsenden Community! Besuche unser GitHub-Repository, um mehr über KI zu erfahren. Möchtest du eigene Computer-Vision-Projekte starten? Sieh dir unsere Lizenzierungsoptionen an. Entdecke KI in der Landwirtschaft und Computer Vision im Gesundheitswesen auf unseren Lösungsseiten!