IA de visión para detección de anomalías: Una descripción rápida

Una pequeña grieta en el ala de un avión, una etiqueta mal impresa en un medicamento o una transacción financiera inusual pueden causar problemas graves si no se detectan. Todas las industrias se enfrentan al desafío de tratar de detectar cualquier problema de riesgo a tiempo para evitar fallos, pérdidas financieras o riesgos para la seguridad.

Concretamente, es necesario detectar anomalías. La Anomaly detection se centra en identificar patrones que no coinciden con los comportamientos esperados. Su objetivo es señalar defectos, errores o actividades irregulares que de otro modo pasarían desapercibidas. Los métodos tradicionales se basan en reglas fijas para encontrar estas anomalías, pero a menudo son lentos y tienen dificultades con variaciones complejas. Aquí es donde la computer vision desempeña un papel fundamental.

Al aprender de grandes conjuntos de datos visuales, los modelos de visión por ordenador como Ultralytics YOLO11 pueden detectar irregularidades con mayor precisión que los métodos tradicionales.

En este artículo, exploraremos cómo funciona la detección de anomalías basada en visión y cómo Ultralytics YOLO11 puede ayudar.

La necesidad de la detección de anomalías#

Con respecto a la visión artificial, las anomalías o irregularidades suelen aparecer como defectos o patrones inusuales en imágenes y vídeos. Durante años, las empresas han dependido de inspecciones manuales o sistemas basados en reglas para detectar defectos.

Por ejemplo, en la pharmaceutical manufacturing, las anomalías en las tabletas pueden incluir grietas, formas incorrectas, decoloración o impresiones faltantes, 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, incoherentes y no pueden gestionar la complejidad de las irregularidades del mundo real.

Fig 1. Detección de anomalías en la industria farmacéutica.

La detección de anomalías basada en IA resuelve estos retos al aprender de vastos datasets, mejorando continuamente su capacidad para reconocer patrones a lo largo del tiempo. A diferencia de los métodos fijos basados en reglas, los sistemas de IA pueden aprender y mejorar con el tiempo.

Modelos avanzados como Ultralytics YOLO11 mejoran la detección de anomalías al permitir el análisis de imágenes en tiempo real con gran precisión. Los sistemas de Vision AI pueden analizar detalles en las imágenes como la forma, la textura y la estructura, lo que facilita detectar irregularidades de forma rápida y precisa.

Cómo permite la visión artificial la detección de anomalías#

Los sistemas de detección de anomalías impulsados por IA visual funcionan capturando primero imágenes o vídeos de alta calidad mediante cámaras, sensores o drones. Unos datos visuales claros son clave, ya sea para detectar un producto defectuoso en una línea de fábrica, identificar a una persona no autorizada en un área segura o localizar movimientos inusuales en un espacio público.

Una vez recopiladas, las imágenes o vídeos se someten a técnicas de image processing como la reducción de ruido, la mejora del contraste y la binarización. Estos pasos de preprocesamiento ayudan a los modelos de visión artificial a centrarse en los detalles importantes mientras filtran el ruido de fondo, lo que mejora la precisión en diversas aplicaciones, desde la supervisión de la seguridad hasta el diagnóstico médico y el control del tráfico.

Tras el preprocesamiento, se puede utilizar la visión artificial para analizar las imágenes e identificar cualquier cosa fuera de lo común. Una vez que se señala una anomalía, el sistema puede activar una alerta, como notificar a un trabajador para que retire un producto defectuoso, avisar al personal de seguridad sobre una posible amenaza o informar a los operadores de tráfico para gestionar la congestión.

Fig 2. Ejemplos de defectos que se pueden detectar mediante visión artificial.

Detección de anomalías utilizando las capacidades de Ultralytics YOLO11#

Echemos un vistazo más de cerca a cómo los modelos de visión por ordenador como Ultralytics YOLO11 son capaces de analizar imágenes para detectar anomalías.

Ultralytics YOLO11 es compatible con varias computer vision tasks como la detección de objetos, la clasificación de imágenes, la segmentación de instancias, el seguimiento de objetos y la estimación de postura. Estas tareas simplifican la detección de anomalías en diferentes aplicaciones del mundo real.

Por ejemplo, el object detection se puede utilizar para identificar productos defectuosos en una línea de montaje, personas no autorizadas en zonas restringidas o artículos mal colocados en un almacén. Del mismo modo, la segmentación de instancias permite delinear con precisión las anomalías, como grietas en la maquinaria o contaminación en productos comestibles.

Fig 3. Segmentando grietas con la ayuda de Ultralytics YOLO11.

Aquí tienes otros ejemplos de tareas de visión artificial utilizadas para la detección de anomalías:

• Seguimiento de objetos: Se puede usar para monitorizar patrones de movimiento con el fin de detectar amenazas de seguridad, rastrear anomalías de vehículos en el tráfico o evaluar los movimientos de pacientes en la atención sanitaria.
• Estimación de postura: Ultralytics YOLO11 puede detectar movimientos corporales inusuales para identificar riesgos de seguridad en los centros de trabajo o seguir el progreso de la rehabilitación en el sector sanitario.
• Detección de cajas delimitadoras orientadas (OBB): Mejora la detección de anomalías mediante la identificación y localización precisa de objetos rotados o en ángulo, lo que resulta útil para el análisis de imágenes aéreas, la conducción autónoma y las inspecciones industriales.

¿Por qué deberías usar Ultralytics YOLO11?#

Entre otros modelos de visión por ordenador, los Ultralytics YOLO models destacan por su velocidad y precisión. Ultralytics YOLOv5 simplificó el despliegue con su marco basado en PyTorch, haciéndolo accesible a una gama más amplia de usuarios. Por su parte, Ultralytics YOLOv8 mejoró aún más la flexibilidad al introducir soporte para tareas como la segmentación de instancias, el seguimiento de objetos y la estimación de posturas, lo que lo hace más adaptable a diferentes aplicaciones.

La última versión, YOLO11, ofrece una precisión y un rendimiento superiores en comparación con sus predecesores. Por ejemplo, con un 22% menos de parámetros que YOLOv8m, YOLO11m ofrece una precisión media media (mAP) más alta en el conjunto de datos COCO, lo que permite una detección de objetos más precisa y eficiente.

Cómo entrenar a medida Ultralytics YOLO11 para la detección de anomalías#

Custom-training Ultralytics YOLO11 para la detección de anomalías es directo y sencillo. Con un conjunto de datos diseñado para tu aplicación específica, puedes ajustar el modelo para detectar anomalías con precisión.

Sigue estos sencillos pasos para empezar:

• Prepara tu conjunto de datos: Recopila imágenes de alta calidad que incluyan tanto muestras normales como de anomalías. Asegúrate de incluir variaciones en la iluminación, los ángulos y las resoluciones para ayudar al modelo a adaptarse mejor.
• Etiqueta tus datos: Marca las anomalías utilizando cajas delimitadoras, segmentación o puntos clave para que el modelo sepa qué buscar. Las herramientas de código abierto hacen que este proceso sea más rápido y sencillo.
• Entrena el modelo: El modelo aprende a lo largo de múltiples ciclos, mejorando su capacidad para identificar casos normales y anómalos en tiempo real.
• Prueba y valida: Ejecuta el modelo entrenado con imágenes nuevas y no vistas para evaluar su rendimiento y asegurarte de que funciona bien antes de desplegarlo.

Además, al construir un sistema de detección de anomalías, es importante considerar si realmente es necesario un entrenamiento personalizado. En algunos casos, un modelo preentrenado puede ser suficiente.

Por ejemplo, si estás desarrollando un sistema de gestión de tráfico y la anomalía que necesitas detectar son los peatones que cruzan mal, el modelo preentrenado Ultralytics YOLO11 ya puede detectar personas con gran precisión. Dado que "person" es una categoría bien representada en el conjunto de datos COCO (con el que está preentrenado), no es necesario realizar ningún entrenamiento adicional.

El entrenamiento personalizado se vuelve esencial cuando las anomalías u objetos que necesitas detectar no están incluidos en el conjunto de datos COCO. Si tu aplicación requiere identificar defectos poco comunes en la fabricación, afecciones médicas específicas en imágenes u objetos únicos no cubiertos por los conjuntos de datos estándar, entonces entrenar un modelo con datos específicos del dominio garantiza un mejor rendimiento y precisión.

Aplicaciones en el mundo real de la detección de anomalías impulsada por visión#

La detección de anomalías es un concepto amplio que abarca muchas aplicaciones del mundo real. Repasemos algunas de ellas y veamos cómo la visión artificial ayuda a identificar irregularidades, mejorar la eficiencia y perfeccionar la toma de decisiones en diferentes industrias.

Detección de anomalías en la fabricación#

La Computer vision in manufacturing ayuda a mantener unos altos estándares de calidad al detectar defectos, desalineaciones y componentes faltantes en las líneas de producción. Los modelos de visión por ordenador pueden señalar al instante los productos defectuosos, impidiendo que sigan avanzando por la línea y reduciendo los residuos. La detección temprana de problemas como defectos en las materias primas, errores de embalaje o componentes estructurales débiles ayuda a evitar costosas retiradas del mercado y pérdidas financieras.

Más allá del control de calidad, la detección de anomalías también puede mejorar la seguridad en el lugar de trabajo. Las fábricas suelen lidiar con calor, humo y emisiones peligrosas, lo que puede provocar riesgos de incendio. Los modelos de IA visual pueden detectar patrones de humo inusuales, maquinaria sobrecalentada o incluso signos tempranos de un incendio, lo que permite a los fabricantes tomar medidas antes de que ocurran accidentes.

Fig 4. Visión por ordenador utilizada para detectar fuego y humo.

Identificación de casos extremos en la automoción#

La industria de la automoción puede utilizar modelos como Ultralytics YOLO11 para detectar fallos en motores, sistemas de frenado y componentes de transmisión antes de que provoquen fallos críticos. Gracias a la compatibilidad de YOLO11 con la detección de objetos y la segmentación de instancias, resulta sencillo identificar con precisión anomalías que las inspecciones manuales podrían pasar por alto.

Aquí tienes otros ejemplos de detección de anomalías en la industria automotriz:

• Detección de anomalías de tráfico: Reconocimiento de vehículos que circulan en sentido contrario, salidas de carril repentinas o acceso no autorizado a áreas restringidas.
• Monitorización del comportamiento del conductor: Identificación de somnolencia al volante, comportamiento distraído o conducción errática para mejorar la seguridad vial.
• Seguridad de vehículos autónomos: Detección de peatones, ciclistas y obstáculos inesperados para prevenir colisiones.

Detección de irregularidades en la electrónica#

Inspeccionar la electrónica manualmente puede ser lento, inconsistente y propenso al error humano, lo que significa que los defectos en microchips, placas de circuito y conexiones de soldadura pueden pasar desapercibidos. Incluso defectos pequeños, como una unión de soldadura agrietada o un componente desalineado, pueden causar interrupciones en la señal, fallos del sistema o cortocircuitos, lo que conduce a dispositivos poco fiables.

Con la detección de anomalías impulsada por Ultralytics YOLO11, los fabricantes pueden automatizar este proceso e identificar rápidamente problemas como piezas desalineadas, soldaduras defectuosas o fallos eléctricos con una precisión muy superior a la de los métodos tradicionales. Por ejemplo, un pequeño hueco en una unión soldada que los inspectores humanos podrían pasar por alto se detecta fácilmente mediante la detección de objetos de YOLO11.

Conclusiones clave#

A medida que las industrias recurren a la detección de anomalías basada en visión por ordenador, modelos como Ultralytics YOLO11 se están volviendo esenciales para mantener la calidad, mejorar la seguridad y reducir los riesgos operativos.

Desde la fabricación hasta la agricultura, la detección de anomalías impulsada por IA puede mejorar la precisión, acelerar las inspecciones y minimizar los errores humanos. De cara al futuro, es probable que los avances en la IA hagan que la detección de anomalías sea más precisa.

¡Únete a nuestra creciente community! Explora nuestro GitHub repository para obtener más información sobre la IA. ¿Todo listo para empezar tus propios proyectos de computer vision? Consulta nuestras licensing options. ¡Descubre la AI in agriculture y la vision AI in healthcare visitando nuestras páginas de soluciones!