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.

Konkret müssen Anomalien erkannt werden. Anomaly detection konzentriert sich darauf, Muster zu identifizieren, die nicht dem erwarteten Verhalten entsprechen. Ziel ist es, Defekte, Fehler oder unregelmäßige Aktivitäten zu markieren, die sonst unbemerkt bleiben könnten. Herkömmliche Methoden stützen sich auf feste Regeln, um diese Anomalien zu finden, sind jedoch oft langsam und haben Schwierigkeiten mit komplexen Abweichungen. 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 werden wir untersuchen, wie bildbasierte Anomalieerkennung funktioniert und wie Ultralytics YOLO11 dabei helfen kann.

Der 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 pharmaceutical manufacturing können Anomalien bei Tabletten beispielsweise Risse, falsche Formen, Verfärbungen oder fehlende Prägungen sein, die Qualität und Sicherheit gefährden können. Die frühzeitige Erkennung dieser Mängel ist von entscheidender Bedeutung, um zu verhindern, dass fehlerhafte Produkte die Verbraucher erreichen. Manuelle Methoden zur Anomalieerkennung sind jedoch oft langsam, inkonsistent und können der Komplexität realer Unregelmäßigkeiten nicht gerecht werden.

Fig 1. Anomalieerkennung in der pharmazeutischen Industrie.

KI-basierte Anomalieerkennung löst diese Herausforderungen, indem sie aus riesigen datasets lernt und ihre Fähigkeit, Muster im Laufe der Zeit zu erkennen, kontinuierlich verbessert. Im Gegensatz zu festen regelbasierten Methoden können KI-Systeme lernen und sich im Laufe der Zeit 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, was es einfacher macht, Unregelmäßigkeiten schnell und genau zu erkennen.

Wie 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 werden die Bilder oder Videos Techniken der image processing wie Rauschunterdrückung, Kontrastverbesserung und Schwellenwertbildung unterzogen. Diese Vorverarbeitungsschritte helfen vision AI-Modellen, sich auf wichtige Details zu konzentrieren und gleichzeitig Hintergrundrauschen herauszufiltern, wodurch die Genauigkeit bei verschiedenen Anwendungen von der Sicherheitsüberwachung bis hin zu medizinischen Diagnosen und der Verkehrssteuerung verbessert wird.

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 Mängel, die mit vision AI erkannt werden können.

Anomalieerkennung unter Nutzung der Funktionen von Ultralytics YOLO11#

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

Ultralytics YOLO11 unterstützt verschiedene computer vision tasks wie Objekterkennung, Bildklassifizierung, Instanzsegmentierung, Objektverfolgung und Pose Estimation. Diese Aufgaben vereinfachen die Anomalieerkennung in verschiedenen realen Anwendungen.

Beispielsweise kann object detection verwendet werden, um fehlerhafte Produkte am Fließband, unbefugte Personen in Sperrgebieten oder verlegte Gegenstände in einem Lager zu identifizieren. Ebenso ermöglicht die Instanzsegmentierung die präzise Abgrenzung von Anomalien wie Rissen in Maschinen oder Verunreinigungen in essbaren Produkten.

Fig 3. Segmentierung von Rissen mit Hilfe von Ultralytics 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 Estimation: Ultralytics YOLO11 kann ungewöhnliche Körperbewegungen erkennen, um Sicherheitsrisiken am Arbeitsplatz zu identifizieren oder den Rehabilitationsfortschritt 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.

Warum solltest du Ultralytics YOLO11 verwenden?#

Unter verschiedenen anderen computer vision-Modellen zeichnen sich Ultralytics YOLO models durch ihre Geschwindigkeit und Genauigkeit aus. Ultralytics YOLOv5 vereinfachte die Bereitstellung mit seinem PyTorch-basierten Framework und machte es für einen größeren Kreis von Benutzern zugänglich. In der Zwischenzeit hat Ultralytics YOLOv8 die Flexibilität durch die Einführung von Unterstützung für Aufgaben wie Instanzsegmentierung, Objektverfolgung und Pose Estimation weiter verbessert, wodurch es anpassungsfähiger für verschiedene Anwendungen wird.

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.

So trainierst du Ultralytics YOLO11 benutzerdefiniert für die Anomalieerkennung#

Das Custom-training von Ultralytics 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 Verkehrsmanagement-System entwickelst und die zu erkennende Anomalie bei Rot über die Straße gehende Fußgänger (Jaywalker) sind, kann das vortrainierte Ultralytics YOLO11-Modell bereits Personen mit hoher Genauigkeit erkennen. Da „Person“ eine gut vertretene 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.

Reale 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.

Erkennung von Anomalien in der Fertigung#

Computer vision in manufacturing trägt dazu bei, hohe Qualitätsstandards aufrechtzuerhalten, indem Defekte, Fehlausrichtungen und fehlende Komponenten an Produktionslinien erkannt werden. Computer vision-Modelle können fehlerhafte Produkte sofort kennzeichnen, verhindern, dass sie sich weiter entlang der Linie bewegen, und Abfall reduzieren. Die frühzeitige Erkennung von Problemen wie Rohstofffehlern, Verpackungsfehlern oder schwachen Strukturkomponenten hilft, kostspielige Rückrufe und finanzielle Verluste zu vermeiden.

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 wird zur Erkennung von Feuer und Rauch eingesetzt.

Identifizierung von automobilen Randfällen#

Die Automobilindustrie kann Modelle wie Ultralytics YOLO11 nutzen, um Fehler in Motoren, Bremssystemen und Getriebekomponenten zu erkennen, bevor sie zu kritischen Ausfällen führen. Dank 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.

Erkennung 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 auf Ultralytics YOLO11 basierenden Anomalieerkennung können Hersteller diesen Prozess automatisieren und Probleme wie falsch ausgerichtete Teile, fehlerhafte Lötstellen oder elektrische Fehler mit deutlich höherer Genauigkeit als bei herkömmlichen Methoden schnell identifizieren. Zum Beispiel kann ein winziger Spalt in einer Lötstelle, der von menschlichen Prüfern übersehen werden könnte, von der Objekterkennung von YOLO11 problemlos erkannt werden.

Wichtige Erkenntnisse#

Da sich Industrien der computer-vision-basierten Anomalieerkennung zuwenden, werden Modelle wie Ultralytics YOLO11 unverzichtbar, um die Qualität aufrechtzuerhalten, die Sicherheit zu verbessern und Betriebsrisiken zu reduzieren.

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.

Werde Teil unserer wachsenden community! Erkunde unser GitHub repository, um mehr über KI zu erfahren. Bist du bereit, deine eigenen Computer-Vision-Projekte zu starten? Schau dir unsere licensing options an. Entdecke AI in agriculture und vision AI in healthcare, indem du unsere Lösungsseiten besuchst!