Vision AI zur Anomalieerkennung: Ein kurzer Überblick

Ein winziger Riss in einem Flugzeugflügel, ein falsch gedrucktes Etikett auf einem Medikament oder eine ungewöhnliche Finanztransaktion kann schwerwiegende 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 geht es darum, Anomalien zu erkennen. Die Anomalieerkennung konzentriert sich darauf, Muster zu identifizieren, die nicht dem erwarteten Verhalten entsprechen. Ziel ist es, Fehler, Mängel oder ungewöhnliche Aktivitäten zu markieren, die sonst möglicherweise unbemerkt blieben. Herkömmliche Methoden suchen mithilfe festgelegter Regeln nach solchen Anomalien, sind dabei aber oft langsam und stoßen bei komplexen Abweichungen an ihre Grenzen. Hier kommt Computer Vision eine entscheidende Rolle zu.

Indem sie aus umfangreichen visuellen Datensätzen lernen, können Computer-Vision-Modelle wie Ultralytics YOLO11 Unregelmäßigkeiten präziser erkennen als herkömmliche Methoden.

In diesem Artikel sehen wir uns an, wie visuelle Anomalieerkennung funktioniert und wie Ultralytics YOLO11 dabei helfen kann.

Warum Anomalieerkennung wichtig ist#

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

So können Anomalien bei Tabletten in der Arzneimittelherstellung beispielsweise Risse, falsche Formen, Verfärbungen oder fehlende Prägungen sein, die Qualität und Sicherheit beeinträchtigen können. Diese Fehler frühzeitig zu erkennen, ist entscheidend, um zu verhindern, dass fehlerhafte Produkte die Verbraucher erreichen. Manuelle Verfahren zur Anomalieerkennung sind jedoch oft langsam, uneinheitlich und können mit der Komplexität realer Unregelmäßigkeiten nicht umgehen.

Abb. 1. Anomalieerkennung in der Pharmaindustrie.

KI-basierte Anomalieerkennung begegnet diesen Herausforderungen, indem sie Muster in großen Datensätzen lernt. Anders als starre, regelbasierte Verfahren können KI-Systeme mit neuen Daten erneut trainiert und verbessert werden.

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

Wie Computer Vision die Anomalieerkennung ermöglicht#

Von Vision AI gesteuerte Anomalieerkennungssysteme nehmen zunächst mithilfe von Kameras, Sensoren oder Drohnen hochwertige Bilder oder Videos auf. Klare visuelle Daten sind entscheidend – ganz gleich, ob es darum geht, ein fehlerhaftes Produkt am Fließband, eine unbefugte Person in einem Sicherheitsbereich oder ungewöhnliche Bewegungen an einem öffentlichen Ort zu erkennen.

Nach der Aufnahme werden die Bilder oder Videos mithilfe von Techniken zur Bildverarbeitung bearbeitet, etwa durch Rauschunterdrückung, Kontrastverstärkung und Schwellwertverfahren. Diese Vorverarbeitungsschritte helfen Vision-AI-Modellen, sich auf wichtige Details zu konzentrieren und Hintergrundrauschen herauszufiltern. Das verbessert die Genauigkeit in verschiedenen Anwendungsbereichen, von der Sicherheitsüberwachung bis hin zu medizinischer Diagnostik und Verkehrssteuerung.

Nach der Vorverarbeitung kann Computer Vision die Bilder analysieren und Ungewöhnliches erkennen. Wird eine Anomalie markiert, kann das System einen Alarm auslösen, etwa einen Mitarbeiter auffordern, ein fehlerhaftes Produkt zu entfernen, das Sicherheitspersonal auf eine potenzielle Bedrohung hinweisen oder die Verkehrsleitstelle über einen Stau informieren.

Abb. 2. Beispiele für Fehler, die sich mit Vision AI erkennen lassen.

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, darunter Objekterkennung, Bildklassifizierung, Instanzsegmentierung, Objektverfolgung und Posenschätzung. Diese Aufgaben vereinfachen die Anomalieerkennung in unterschiedlichen realen Anwendungsbereichen.

So kann die Objekterkennung beispielsweise fehlerhafte Produkte am Fließband, unbefugte Personen in gesperrten Bereichen oder falsch platzierte Gegenstände in einem Lager erkennen. Die Instanzsegmentierung ermöglicht es ebenso, Anomalien wie Risse in Maschinen oder Verunreinigungen in Lebensmitteln präzise zu umranden.

Abb. 3. Risse mithilfe von Ultralytics YOLO11 segmentieren.

Hier sind weitere Beispiele für Computer-Vision-Aufgaben zur Anomalieerkennung:

• Objektverfolgung: Sie kann eingesetzt werden, um Bewegungsmuster zu überwachen, Sicherheitsbedrohungen zu erkennen, Anomalien bei Fahrzeugen im Verkehr zu verfolgen oder Patientenbewegungen im Gesundheitswesen zu beurteilen.
• Posenschätzung: Ultralytics YOLO11 kann ungewöhnliche Körperbewegungen erkennen, um Sicherheitsrisiken am Arbeitsplatz aufzudecken oder den Fortschritt der Rehabilitation im Gesundheitswesen zu verfolgen.
• Erkennung orientierter Begrenzungsrahmen (OBB): Verbessert die Anomalieerkennung, indem gedrehte oder schräg ausgerichtete Objekte präzise erkannt und lokalisiert werden. Das ist nützlich für die Analyse von Luftbildern, autonomes Fahren und industrielle Inspektionen.

Warum solltest du Ultralytics YOLO11 verwenden?#

Unter den zahlreichen Computer-Vision-Modellen zeichnen sich Ultralytics YOLO-Modelle durch Geschwindigkeit und Genauigkeit aus. Ultralytics YOLOv5 vereinfachte mit seinem auf PyTorch basierenden Framework die Bereitstellung und machte sie einem breiteren Nutzerkreis zugänglich. Ultralytics YOLOv8 steigerte die Flexibilität weiter, indem es Aufgaben wie Instanzsegmentierung, Objektverfolgung und Posenschätzung unterstützte und sich so besser für verschiedene Anwendungen eignete.

YOLO11, zum Zeitpunkt der Veröffentlichung die neueste Version (inzwischen abgelöst durch Ultralytics YOLO26), bietet eine höhere Präzision und Leistung als seine Vorgänger. YOLO11m erzielt beispielsweise auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) als YOLOv8m und benötigt dabei 22 % weniger Parameter. Dadurch erkennt das Modell Objekte präziser und effizienter.

Ultralytics YOLO11 für die Anomalieerkennung speziell trainieren#

Das benutzerdefinierte Training von Ultralytics YOLO11 zur Anomalieerkennung ist unkompliziert. Mit einem auf deinen konkreten Anwendungsfall zugeschnittenen Datensatz kannst du das Modell so abstimmen, dass es Anomalien präzise erkennt.

Führe die folgenden einfachen Schritte aus, um loszulegen:

• Bereite deinen Datensatz vor: Sammle hochwertige Bilder mit normalen Beispielen und Anomalien. Achte darauf, unterschiedliche Lichtverhältnisse, Blickwinkel und Auflösungen einzubeziehen, damit sich das Modell besser anpassen kann. Öffentliche Benchmarks wie MVTec AD sind ein guter Ausgangspunkt für die Erkennung industrieller Mängel.
• Annotiere deine Daten: Markiere Anomalien mit Begrenzungsrahmen, Segmentierungen oder Keypoints, damit das Modell weiß, wonach es suchen soll. Annotationswerkzeuge beschleunigen und vereinfachen diesen Prozess.
• Modell trainieren: Das Modell lernt über mehrere Durchläufe hinweg und verbessert seine Fähigkeit, normale und anomale Fälle in Echtzeit zu erkennen.
• Testen und validieren: Führe das trainierte Modell mit neuen, bisher unbekannten Bildern aus, um seine Leistung zu bewerten und vor der Bereitstellung sicherzustellen, dass es zuverlässig funktioniert.

Beim Aufbau eines Systems zur Anomalieerkennung solltest du außerdem überlegen, ob ein spezielles Training wirklich notwendig ist. In manchen Fällen reicht ein vortrainiertes Modell bereits aus.

Wenn du beispielsweise ein Verkehrsmanagementsystem entwickelst und Fußgänger erkennen möchtest, die die Straße unerlaubt überqueren, kann das vortrainierte Modell Ultralytics YOLO11 Personen bereits mit hoher Genauigkeit erkennen. Da die Kategorie „Person“ im COCO-Datensatz, mit dem das Modell vortrainiert wurde, gut vertreten ist, ist kein zusätzliches Training erforderlich.

Ein spezielles Training ist unerlässlich, wenn die zu erkennenden Anomalien oder Objekte nicht im COCO-Datensatz enthalten sind. Wenn deine Anwendung seltene Fertigungsfehler, bestimmte Krankheitsbilder in Bildern oder einzigartige Objekte erkennen muss, die in Standarddatensätzen nicht berücksichtigt werden, sorgt das Training mit domänenspezifischen Daten für bessere Leistung und Genauigkeit.

Reale Anwendungen der visuellen Anomalieerkennung#

Anomalieerkennung ist ein weit gefasster Begriff, der viele praktische Anwendungen umfasst. Sehen wir uns einige davon an und betrachten wir, wie Computer Vision Unregelmäßigkeiten erkennt, die Effizienz steigert und die Entscheidungsfindung in verschiedenen Branchen verbessert.

Anomalieerkennung in der Fertigung#

Computer Vision in der Fertigung trägt zur Einhaltung hoher Qualitätsstandards bei, indem Fehler, Fehlausrichtungen und fehlende Komponenten an Produktionslinien erkannt werden. Computer-Vision-Modelle können fehlerhafte Produkte sofort markieren, bevor sie in der Produktionslinie weiterbefördert werden, und so Ausschuss verringern. Die frühzeitige Erkennung von Problemen wie Mängeln an Rohstoffen, Verpackungsfehlern oder schwachen Bauteilen hilft, kostspielige Rückrufe und finanzielle Verluste zu verhindern.

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. So können Hersteller handeln, bevor es zu Unfällen kommt.

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

Grenzfälle in der Automobilbranche erkennen#

Die Automobilbranche kann Modelle wie Ultralytics YOLO11 einsetzen, um Fehler an Motoren, Bremssystemen und Getriebekomponenten zu erkennen, bevor es zu kritischen Ausfällen kommt. Dank der Unterstützung von YOLO11 für Objekterkennung und Instanzsegmentierung lassen sich Anomalien präzise identifizieren, die bei manuellen Inspektionen möglicherweise übersehen werden.

Hier sind weitere Beispiele für Anomalieerkennung in der Automobilbranche:

• Erkennung von Verkehrsanomalien: Erkennen von Fahrzeugen, die entgegen der Verkehrsrichtung fahren, plötzlichen Spurwechseln oder unbefugtem Zutritt zu Sperrbereichen.
• Überwachung des Fahrerverhaltens: Erkennen von Müdigkeit am Steuer, Ablenkung oder unberechenbarem Lenkverhalten, um die Verkehrssicherheit zu verbessern.
• Sicherheit autonomer Fahrzeuge: Fußgänger, Radfahrer und unerwartete Hindernisse erkennen, um Kollisionen zu verhindern.

Unregelmäßigkeiten in Elektronik erkennen#

Die manuelle Prüfung von Elektronik kann langsam, uneinheitlich und anfällig für menschliche Fehler sein. Dadurch bleiben Defekte an Mikrochips, Leiterplatten und Lötverbindungen möglicherweise unentdeckt. Selbst kleine Mängel wie eine gerissene Lötstelle oder ein falsch ausgerichtetes Bauteil können Signalstörungen, Systemausfälle oder Kurzschlüsse verursachen und so 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 Defekte deutlich genauer als mit herkömmlichen Methoden erkennen. So kann YOLO11 beispielsweise eine winzige Lücke in einer Lötstelle zuverlässig aufspüren, die menschlichen Prüfern möglicherweise entgeht. Die Ultralytics Platform bietet außerdem ein Modell zur Erkennung von Leiterplattenfehlern, das anhand von YOLO26s feinabgestimmt wurde.

Die wichtigsten Erkenntnisse#

Da immer mehr Branchen auf Anomalieerkennung mit Computer Vision setzen, werden Modelle wie Ultralytics YOLO11 unverzichtbar, um die Qualität zu sichern, die Sicherheit zu verbessern und betriebliche Risiken zu verringern.

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

Werde Teil unserer wachsenden Community! In unserem GitHub-Repository erfährst du mehr über KI. Möchtest du eigene Computer-Vision-Projekte starten? Sieh dir unsere Lizenzoptionen an. Entdecke KI in der Landwirtschaft und Vision-KI im Gesundheitswesen auf unseren Lösungsseiten!