Vision AI zur 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 unentdeckt bleiben. Jede Branche steht vor der Herausforderung, riskante Probleme frühzeitig zu erkennen, um Ausfälle, finanzielle Verluste oder Sicherheitsrisiken zu vermeiden.

Insbesondere müssen Anomalien erkannt werden. Die Anomalieerkennung konzentriert sich auf die Identifizierung von Mustern, die nicht mit den erwarteten Verhaltensweisen übereinstimmen. Ziel ist es, Defekte, Fehler oder unregelmäßige Aktivitäten zu erkennen, die sonst unbemerkt bleiben könnten. Traditionelle Methoden stützen sich auf feste Regeln, um diese Anomalien zu finden, sind aber oft langsam und haben Schwierigkeiten mit komplexen Variationen. Hier spielt Computer Vision eine entscheidende Rolle. 

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

In diesem Artikel erfahren Sie, wie die bildbasierte Anomalieerkennung funktioniert und wie YOLO11 dabei helfen kann.

Die Notwendigkeit der Anomalieerkennung

Im Bereich der Computer Vision zeigen sich Anomalien oder Unregelmäßigkeiten in der Regel als Defekte oder ungewöhnliche Muster in Bildern und Videos. Jahrelang haben sich Unternehmen auf manuelle Inspektionen oder regelbasierte Systeme verlassen, um Mängel detect . 

Beispielsweise können in der pharmazeutischen Herstellung Anomalien in Tabletten Risse, falsche Formen, Verfärbungen oder fehlende Aufdrucke umfassen, die die Qualität und Sicherheit beeinträchtigen können. Das frühzeitige Erkennen dieser Fehler ist entscheidend, um zu verhindern, dass fehlerhafte Produkte zu den Verbrauchern gelangen. Manuelle Methoden zur Anomalieerkennung sind jedoch oft langsam, inkonsistent und können die Komplexität realer Unregelmäßigkeiten nicht bewältigen.

‍

KI-basierte Anomalieerkennung löst diese Herausforderungen, indem sie aus umfangreichen Datensätzen lernt und ihre Fähigkeit, Muster im Laufe der Zeit zu erkennen, kontinuierlich verbessert. Im Gegensatz zu festen, regelbasierten Methoden können KI-Systeme im Laufe der Zeit lernen und sich verbessern.

Fortschrittliche Modelle wie YOLO11 verbessern die Erkennung von Anomalien, indem sie eine Bildanalyse in Echtzeit mit hoher Präzision ermöglichen. KI-Systeme können Details in Bildern wie Form, Textur und Struktur analysieren und so Unregelmäßigkeiten schnell und präzise erkennen. 

Wie Computer Vision die Anomalieerkennung ermöglicht

Anomalieerkennungssysteme, die von Vision AI angetrieben werden, erfassen zunächst hochwertige Bilder oder Videos mit Kameras, Sensoren oder Drohnen. Klare visuelle Daten sind der Schlüssel, egal ob es darum geht, ein defektes Produkt in einer Fabrik zu erkennen, eine unbefugte Person in einem Sicherheitsbereich zu entdecken oder ungewöhnliche Bewegungen im öffentlichen Raum zu identifizieren. 

Nach der Erfassung werden die Bilder oder Videos Bildverarbeitungstechniken wie Rauschunterdrückung, Kontrasterhöhung und Schwellenwertbildung unterzogen. Diese Vorverarbeitungsschritte helfen Vision-KI-Modellen, sich auf wichtige Details zu konzentrieren und gleichzeitig Hintergrundgeräusche herauszufiltern, wodurch die Genauigkeit in verschiedenen Anwendungen verbessert wird, von der Sicherheitsüberwachung über die medizinische Diagnostik bis hin zur Verkehrssteuerung.

Nach der Vorverarbeitung kann Computer Vision verwendet werden, um die Bilder zu analysieren und alles Ungewöhnliche zu identifizieren. Sobald eine Anomalie erkannt wird, kann das System eine Warnung auslösen, z. B. einen Arbeiter benachrichtigen, ein defektes Produkt zu entfernen, Sicherheitspersonal auf eine potenzielle Bedrohung aufmerksam machen oder Verkehrsbetreiber informieren, um Staus zu bewältigen.

‍

Erkennung von Anomalien mit den Fähigkeiten von YOLO11

Schauen wir uns genauer an, wie Computer-Vision-Modelle wie YOLO11 Bilder analysieren können, um Anomalien detect . 

YOLO11 unterstützt verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Instanzsegmentierung, Objektverfolgung und Posenschätzung. Diese Aufgaben vereinfachen die Erkennung von Anomalien in verschiedenen realen Anwendungen.

Beispielsweise kann die Objekterkennung verwendet werden, um fehlerhafte Produkte am Fließband, unbefugte Personen in Sperrbereichen oder verlegte Gegenstände in einem Lagerhaus zu identifizieren. In ähnlicher Weise ermöglicht die Instanzsegmentierung die präzise Umrandung von Anomalien, wie z. B. Risse in Maschinen oder Verunreinigungen in essbaren Produkten.

‍

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

• Objektverfolgung: Es kann zur Überwachung von Bewegungsmustern eingesetzt werden, um Sicherheitsbedrohungen detect , Fahrzeuganomalien im Verkehr track oder Patientenbewegungen im Gesundheitswesen zu bewerten.
  ‍
• Schätzung der Körperhaltung: YOLO11 kann ungewöhnliche Körperbewegungen detect , um Sicherheitsrisiken an Arbeitsplätzen zu identifizieren oder Rehabilitationsfortschritte im Gesundheitswesen track .
  ‍
• Orientierte Bounding-Boxen (OBB) Erkennung: Verbessert die Anomalieerkennung durch die genaue Identifizierung und Lokalisierung von gedrehten oder abgewinkelten Objekten, wodurch sie für die Analyse von Luftbildern, autonomes Fahren und industrielle Inspektionen nützlich ist.

Warum sollten Sie YOLO11 nutzen?

Die YOLO Ultralytics zeichnen sich unter verschiedenen anderen Computer-Vision-Modellen durch ihre Geschwindigkeit und Genauigkeit aus. Ultralytics YOLOv5 hat mit seinem PyTorch Rahmenwerk die Bereitstellung vereinfacht, so dass es für eine größere Zahl von Benutzern zugänglich ist. Inzwischen, Ultralytics YOLOv8 die Flexibilität durch die Einführung von Unterstützung für Aufgaben wie Instanzsegmentierung, Objektverfolgung und Posenschätzung weiter verbessert, wodurch es sich besser an verschiedene Anwendungen anpassen lässt.

Die neueste Version, YOLO11, bietet im Vergleich zu seinen Vorgängern eine höhere Präzision und Leistung. So liefert YOLO11m mit 22 % weniger Parametern als YOLOv8m eine höhere durchschnittliche GenauigkeitmAP) auf dem COCO und ermöglicht eine präzisere und effizientere Objekterkennung.

Wie man YOLO11 für die Erkennung von Anomalien trainiert

Das individuelle Training YOLO11 zur Erkennung von Anomalien ist unkompliziert und einfach. Mit einem Datensatz, der für Ihre spezifische Anwendung entwickelt wurde, können Sie das Modell feinabstimmen, um Anomalien genau detect . 

Befolgen Sie diese einfachen Schritte, um loszulegen:

• Bereiten Sie Ihren Datensatz vor: Sammeln Sie hochwertige Bilder, die sowohl normale als auch anomale Beispiele enthalten. Achten Sie darauf, dass Sie Variationen in Bezug auf Beleuchtung, Winkel und Auflösung einbeziehen, damit sich das Modell besser anpassen kann.
  ‍
• Beschriften Sie Ihre Daten: Markieren Sie Anomalien mit Bounding Boxes, Segmentierung oder Keypoints, damit das Modell weiß, wonach es suchen muss. Open-Source-Tools machen diesen Prozess schneller und einfacher.
  ‍
• Das Modell trainieren: Das Modell lernt über mehrere Zyklen hinweg und verbessert seine Fähigkeit, Normal- und Anomaliefälle in Echtzeit zu identifizieren.
  ‍
• Testen und validieren: Führen Sie das trainierte Modell auf neuen, ungesehenen Bildern aus, um seine Leistung zu bewerten und sicherzustellen, dass es gut funktioniert, bevor Sie es bereitstellen.

Auch beim Aufbau eines Anomalieerkennungssystems ist es wichtig zu überlegen, ob ein benutzerdefiniertes Training tatsächlich erforderlich ist. In manchen Fällen kann ein vortrainiertes Modell bereits ausreichend sein. 

Wenn Sie z. B. ein Verkehrsmanagementsystem entwickeln und die Anomalie, die Sie detect müssen, sind Fußgänger, kann das vortrainierte YOLO11 bereits Personen mit hoher Genauigkeit detect . Da die Kategorie "Person" im COCO (auf dem es vortrainiert ist) gut repräsentiert ist, ist kein zusätzliches Training erforderlich.

Benutzerdefiniertes Training ist unerlässlich, wenn die Anomalien oder Objekte, die Sie detect müssen, nicht im COCO enthalten sind. Wenn Ihre Anwendung seltene Defekte in der Fertigung, spezifische medizinische Bedingungen in Bildern oder einzigartige Objekte, die nicht von Standarddatensätzen abgedeckt werden, identifizieren muss, dann gewährleistet das Training eines Modells auf domänenspezifischen Daten eine bessere Leistung und Genauigkeit.

Anwendungsbereiche der visionsgesteuerten Anomalieerkennung in der Praxis

Anomalieerkennung ist ein breites Konzept, das viele reale Anwendungen abdeckt. Lassen Sie uns einige davon durchgehen und sehen, wie Computer Vision hilft, Unregelmäßigkeiten zu erkennen, die Effizienz zu verbessern und die Entscheidungsfindung in verschiedenen Branchen zu verbessern.

Erkennung von Anomalien in der Fertigung

Computer Vision in der Fertigung trägt zur Aufrechterhaltung hoher Qualitätsstandards bei, indem es Fehler, Fehlausrichtungen und fehlende Komponenten an Produktionslinien erkennt. Computer-Vision-Modelle können fehlerhafte Produkte sofort erkennen und verhindern, dass sie sich weiter die Linie entlang bewegen, wodurch Abfall reduziert wird. Die frühzeitige Erkennung von Problemen wie Rohstoffdefekten, Verpackungsfehlern oder schwachen Strukturkomponenten hilft, kostspielige Rückrufe und finanzielle Verluste zu vermeiden.

Neben der Qualitätskontrolle kann die Erkennung von Anomalien auch die Sicherheit am Arbeitsplatz verbessern. Fabriken haben oft mit Hitze, Rauch und gefährlichen Emissionen zu tun, die zu Brandgefahren führen können. KI-Modelle können ungewöhnliche Rauchmuster, überhitzte Maschinen oder sogar frühe Anzeichen eines Brandes detect , so dass Hersteller Maßnahmen ergreifen können, bevor Unfälle passieren.

‍

Identifizierung von Automotive-Edge-Cases

Die Automobilindustrie kann Modelle wie YOLO11 nutzen, um Fehler in Motoren, Bremssystemen und Getriebekomponenten detect , bevor sie zu kritischen Ausfällen führen. Mit der Unterstützung von YOLO11für die Objekterkennung und Instanzsegmentierung ist es einfach, Anomalien zu identifizieren, die bei manuellen Inspektionen übersehen werden könnten.

Hier sind einige weitere Beispiele für Anomalieerkennung in der Automobilindustrie:

• Erkennung von Verkehrsanomalien: Erkennen von Fahrzeugen, die sich entgegen der Fahrtrichtung bewegen, plötzliches Verlassen der Fahrspur oder unbefugter Zutritt zu Sperrbereichen.
  ‍
• Überwachung des Fahrerverhaltens: Erkennung von Müdigkeit am Steuer, abgelenktem Verhalten oder unregelmäßigen Lenkbewegungen zur Verbesserung der Verkehrssicherheit.
  ‍
• Sicherheit autonomer Fahrzeuge: Erkennung von Fußgängern, Radfahrern und unerwarteten Hindernissen zur Verhinderung von Kollisionen.

Erkennung von Unregelmäßigkeiten in der Elektronik

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

Mit der YOLO11 Anomalieerkennung können Hersteller diesen Prozess automatisieren und Probleme wie falsch ausgerichtete Teile, fehlerhafte Lötstellen oder elektrische Fehler mit weitaus größerer Genauigkeit als mit herkömmlichen Methoden erkennen. Zum Beispiel kann ein winziger Spalt in einer Lötstelle, der von menschlichen Inspektoren übersehen werden könnte, von der Objekterkennung von YOLO11leicht erkannt werden.

Wesentliche Erkenntnisse

In dem Maße, in dem die Industrie auf die Erkennung von Anomalien mit Hilfe von Computer Vision setzt, werden Modelle wie YOLO11 für die Aufrechterhaltung der Qualität, die Verbesserung der Sicherheit und die Verringerung von Betriebsrisiken immer wichtiger.  

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

Treten Sie unserer wachsenden Community bei! Erkunden Sie unser GitHub-Repository, um mehr über KI zu erfahren. Sind Sie bereit, Ihre eigenen Computer-Vision-Projekte zu starten? Sehen Sie sich unsere Lizenzoptionen an. Entdecken Sie KI in der Landwirtschaft und Vision AI im Gesundheitswesen, indem Sie unsere Lösungsseiten besuchen!