19 de febrero de 2025
Descubra cómo la visión por ordenador permite la detección precisa de anomalías en diversos sectores. Aprenda a entrenar modelos personalizados como Ultralytics YOLO11 para la detección de anomalías.
Una pequeña grieta en el ala de un avión, una etiqueta mal impresa en un medicamento o una transacción financiera inusual pueden causar graves problemas si no se detectan. Todas las industrias se enfrentan al reto de detectar a tiempo cualquier problema de riesgo para evitar fallos, pérdidas económicas o riesgos para la seguridad.
En concreto, es necesario detectar las anomalías. La detección de anomalías se centra en la identificación de patrones que no coinciden con los comportamientos esperados. Su objetivo es señalar defectos, errores o actividades irregulares que, de otro modo, podrían pasar desapercibidas. Los métodos tradicionales se basan en reglas fijas para encontrar estas anomalías, pero a menudo son lentos y tienen dificultades con las variaciones complejas. Aquí es donde la visión por ordenador desempeña un papel crucial.
Al aprender de grandes conjuntos de datos visuales, los modelos de visión por ordenador como Ultralytics YOLO11 pueden detectar irregularidades con más precisión que los métodos tradicionales.
En este artículo, exploraremos cómo funciona la detección de anomalías basada en la visión y cómo puede ayudar YOLO11.
En lo que respecta a la visión por ordenador, las anomalías o irregularidades suelen aparecer como defectos o patrones inusuales en imágenes y vídeos. Durante años, las empresas han recurrido a inspecciones manuales o a sistemas basados en reglas para detectar defectos.
Por ejemplo, en la fabricación de productos farmacéuticos, las anomalías en los comprimidos pueden incluir grietas, formas incorrectas, decoloración o falta de impresiones, lo que puede comprometer la calidad y la seguridad. Detectar estos defectos a tiempo es vital para evitar que los productos defectuosos lleguen a los consumidores. Sin embargo, los métodos manuales de detección de anomalías suelen ser lentos, inconsistentes y no pueden manejar la complejidad de las irregularidades del mundo real.
La detección de anomalías basada en IA resuelve estos retos aprendiendo de vastos conjuntos de datos, mejorando continuamente su capacidad para reconocer patrones a lo largo del tiempo. A diferencia de los métodos basados en reglas fijas, los sistemas de IA pueden aprender y mejorar con el tiempo.
Modelos avanzados como YOLO11 mejoran la detección de anomalías al permitir el análisis de imágenes en tiempo real con gran precisión. Los sistemas de IA de visión pueden analizar detalles de las imágenes como la forma, la textura y la estructura, lo que facilita la detección de irregularidades con rapidez y precisión.
Los sistemas de detección de anomalías impulsados por Vision AI funcionan capturando primero imágenes o vídeos de alta calidad mediante cámaras, sensores o drones. La clave está en obtener datos visuales claros, ya sea para detectar un producto defectuoso en una línea de producción, una persona no autorizada en una zona segura o un movimiento inusual en un espacio público.
Una vez recogidas, las imágenes o vídeos se someten a técnicas de procesamiento de imágenes como la reducción de ruido, la mejora del contraste y el umbral. Estos pasos de preprocesamiento ayudan a los modelos de Vision AI a centrarse en los detalles importantes y filtrar el ruido de fondo, lo que mejora la precisión en diversas aplicaciones, desde la vigilancia de la seguridad hasta el diagnóstico médico y el control del tráfico.
Tras el preprocesamiento, puede utilizarse la visión por ordenador para analizar las imágenes e identificar cualquier anomalía. Una vez señalada una anomalía, el sistema puede activar una alerta, como avisar a un trabajador para que retire un producto defectuoso, alertar al personal de seguridad sobre una amenaza potencial o informar a los operadores de tráfico para que gestionen los atascos.
Veamos más de cerca cómo los modelos de visión por ordenador como YOLO11 son capaces de analizar imágenes para detectar anomalías.
YOLO11 soporta varias tareas de visión por ordenador como detección de objetos, clasificación de imágenes, segmentación de instancias, seguimiento de objetos y estimación de poses. Estas tareas simplifican la detección de anomalías en distintas aplicaciones del mundo real.
Por ejemplo, la detección de objetos puede utilizarse para identificar productos defectuosos en una cadena de montaje, personas no autorizadas en zonas restringidas o artículos extraviados en un almacén. Del mismo modo, la segmentación de instancias permite delinear con precisión anomalías, como grietas en la maquinaria o contaminación en productos comestibles.
He aquí otros ejemplos de tareas de visión por ordenador que se utilizan para la detección de anomalías:
Entre otros modelos de visión por ordenador, los modelos YOLO de Ultralytics destacan por su velocidad y precisión. Ultralytics YOLOv5 simplificó el despliegue con su marco de trabajo basado en PyTorch, haciéndolo accesible a un mayor número de usuarios. Por su parte, Ultralytics YOLOv8 mejoró aún más su flexibilidad al introducir soporte para tareas como la segmentación de instancias, el seguimiento de objetos y la estimación de poses, lo que lo hace más adaptable a diferentes aplicaciones.
La última versión, YOLO11, ofrece una precisión y un rendimiento superiores a los de sus predecesores. Por ejemplo, con un 22 % menos de parámetros que YOLOv8m, YOLO11m ofrece una mayor precisión media (mAP) en el conjunto de datos COCO, lo que permite una detección de objetos más precisa y eficaz.
El entrenamiento personalizado de YOLO11 para la detección de anomalías es directo y sencillo. Con un conjunto de datos diseñado para su aplicación específica, puede ajustar el modelo para detectar anomalías con precisión.
Sigue estos sencillos pasos para empezar:
Además, a la hora de crear un sistema de detección de anomalías, es importante considerar si es realmente necesario un entrenamiento personalizado. En algunos casos, un modelo preentrenado puede ser suficiente.
Por ejemplo, si está desarrollando un sistema de gestión del tráfico y la anomalía que necesita detectar son los peatones imprudentes, el modelo YOLO11 preentrenado ya puede detectar personas con gran precisión. Como "persona" es una categoría bien representada en el conjunto de datos COCO (con el que está preentrenado), no hay necesidad de entrenamiento adicional.
El entrenamiento personalizado resulta esencial cuando las anomalías u objetos que necesita detectar no están incluidos en el conjunto de datos COCO. Si su aplicación requiere identificar defectos raros en la fabricación, condiciones médicas específicas en imágenes u objetos únicos no cubiertos por los conjuntos de datos estándar, entonces el entrenamiento de un modelo en datos específicos del dominio garantiza un mejor rendimiento y precisión.
La detección de anomalías es un concepto amplio que abarca muchas aplicaciones del mundo real. Repasemos algunas de ellas y veamos cómo la visión por ordenador ayuda a identificar irregularidades, mejorar la eficiencia y potenciar la toma de decisiones en distintos sectores.
La visión por ordenador en la fabricación ayuda a mantener unos estándares de alta calidad detectando defectos, desajustes y componentes que faltan en las líneas de producción. Los modelos de visión por ordenador pueden detectar al instante productos defectuosos, impidiendo que sigan avanzando por la línea y reduciendo los residuos. La detección precoz de problemas como defectos en las materias primas, errores de embalaje o componentes estructurales débiles ayuda a evitar costosas retiradas y pérdidas económicas.
Más allá del control de calidad, la detección de anomalías también puede mejorar la seguridad en el lugar de trabajo. En las fábricas suele haber calor, humo y emisiones peligrosas, que pueden provocar incendios. Los modelos de IA por visión pueden detectar patrones de humo inusuales, maquinaria sobrecalentada o incluso los primeros signos de un incendio, lo que permite a los fabricantes tomar medidas antes de que se produzcan accidentes.
La industria del automóvil puede utilizar modelos como YOLO11 para detectar fallos en motores, sistemas de frenado y componentes de transmisión antes de que provoquen averías críticas. Gracias a la detección de objetos y la segmentación de instancias de YOLO11, es fácil identificar con precisión anomalías que las inspecciones manuales podrían pasar por alto.
He aquí otros ejemplos de detección de anomalías en la industria del automóvil:
La inspección manual de componentes electrónicos puede ser lenta, incoherente y propensa al error humano, lo que significa que los defectos en microchips, placas de circuitos y conexiones de soldadura pueden pasar desapercibidos. Incluso los defectos más pequeños, como una junta de soldadura agrietada o un componente desalineado, pueden causar interrupciones de la señal, fallos del sistema o cortocircuitos, dando lugar a dispositivos poco fiables.
Con la detección de anomalías de YOLO11, los fabricantes pueden automatizar este proceso e identificar rápidamente problemas como piezas desalineadas, soldaduras defectuosas o fallos eléctricos con mucha más precisión que los métodos tradicionales. Por ejemplo, la detección de objetos de YOLO11 puede detectar fácilmente un pequeño hueco en una junta de soldadura que los inspectores humanos pasarían por alto.
A medida que las industrias recurren a la detección de anomalías por visión computerizada, modelos como YOLO11 se están convirtiendo en esenciales para mantener la calidad, mejorar la seguridad y reducir los riesgos operativos.
Desde la fabricación hasta la agricultura, la detección de anomalías basada en IA puede mejorar la precisión, acelerar las inspecciones y minimizar los errores humanos. De cara al futuro, los avances en IA probablemente harán que la detección de anomalías sea más precisa.
Únase a nuestra creciente comunidad Explora nuestro repositorio GitHub para aprender más sobre IA. ¿Listo para empezar tus propios proyectos de visión por ordenador? Consulte nuestras opciones de licencia. Descubra la IA en la agricultura y la IA de visión en la sanidad visitando nuestras páginas de soluciones.
.webp)