IA visual para la detección de anomalías: resumen rápido

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. Todos los sectores se enfrentan al reto de detectar a tiempo cualquier problema potencialmente peligroso para evitar fallos, pérdidas económicas o riesgos para la seguridad.

En concreto, es necesario detectar las anomalías. La detección de anomalías 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, podrían pasar desapercibidos. Los métodos tradicionales se basan en reglas fijas para encontrar estas anomalías, pero suelen ser lentos y tienen dificultades con las variaciones complejas. Aquí es donde la visión artificial desempeña un papel crucial.

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

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

La necesidad de detectar anomalías#

En el ámbito de la visión artificial, las anomalías o irregularidades suelen aparecer como defectos o patrones inusuales en imágenes y vídeos. Durante años, las empresas han confiado en inspecciones manuales o sistemas basados en reglas para detectar defectos.

Por ejemplo, en la fabricación farmacéutica, las anomalías en los comprimidos pueden incluir grietas, formas incorrectas, decoloración o impresiones ausentes, lo que puede comprometer la calidad y la seguridad. Detectar estos defectos a tiempo es fundamental para evitar que los productos defectuosos lleguen a los consumidores. Sin embargo, los métodos manuales de detección de anomalías suelen ser lentos e 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 aprendiendo de grandes conjuntos de datos y mejorando continuamente su capacidad para reconocer patrones con el tiempo. A diferencia de los métodos basados en reglas fijas, los sistemas de IA pueden aprender y mejorar con el tiempo.

Los modelos avanzados como Ultralytics YOLO11 mejoran la detección de anomalías al permitir analizar 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 detectar irregularidades de forma rápida y precisa.

Cómo permite la visión artificial detectar anomalías#

Los sistemas de detección de anomalías basados en IA de visión funcionan capturando primero imágenes o vídeos de alta calidad mediante cámaras, sensores o drones. Disponer de datos visuales nítidos es fundamental, ya sea para detectar un producto defectuoso en una línea de producción, identificar a una persona no autorizada en una zona segura o reconocer un movimiento inusual en un espacio público.

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

Después del preprocesamiento, la visión artificial puede utilizarse para analizar las imágenes e identificar cualquier elemento fuera de lo normal. Cuando se señala una anomalía, el sistema puede activar una alerta, como notificar a un trabajador que retire un producto defectuoso, avisar al personal de seguridad de una posible amenaza o informar a los operadores de tráfico para que gestionen la congestión.

Fig. 2. Ejemplos de defectos que pueden detectarse mediante IA de visión.

Detección de anomalías mediante las capacidades de Ultralytics YOLO11#

Veamos más de cerca cómo los modelos de visión artificial, como Ultralytics YOLO11, pueden analizar imágenes para detectar anomalías.

Ultralytics YOLO11 admite varias tareas de visión artificial, como la detección de objetos, la clasificación de imágenes, la segmentación de instancias, el seguimiento de objetos y la 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 colocados incorrectamente en un almacén. Del mismo modo, la segmentación de instancias permite delimitar con precisión anomalías, como grietas en maquinaria o contaminación en productos comestibles.

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

Estos son otros ejemplos de tareas de visión artificial utilizadas para detectar anomalías:

• Seguimiento de objetos: puede utilizarse para supervisar patrones de movimiento con el fin de detectar amenazas de seguridad, realizar el seguimiento de anomalías en vehículos en el tráfico o evaluar los movimientos de pacientes en el ámbito sanitario.
• Estimación de poses: Ultralytics YOLO11 puede detectar movimientos corporales inusuales para identificar riesgos de seguridad en el lugar de trabajo o realizar el seguimiento del progreso de la rehabilitación en el ámbito sanitario.
• Detección de cajas delimitadoras orientadas (OBB): mejora la detección de anomalías al identificar y localizar con precisión objetos girados o inclinados, lo que resulta útil para analizar imágenes aéreas, la conducción autónoma y las inspecciones industriales.

¿Por qué deberías utilizar Ultralytics YOLO11?#

Entre los distintos modelos de visión artificial, los modelos Ultralytics YOLO destacan por su velocidad y precisión. Ultralytics YOLOv5 simplificó la implementación con su framework basado en PyTorch, haciéndolo accesible para un mayor número de usuarios. Mientras tanto, Ultralytics YOLOv8 mejoró aún más la flexibilidad al introducir compatibilidad con tareas como la segmentación de instancias, el seguimiento de objetos y la estimación de poses, lo que lo hace más adaptable a distintas aplicaciones.

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

Cómo entrenar Ultralytics YOLO11 de forma personalizada para detectar anomalías#

El entrenamiento personalizado de Ultralytics YOLO11 para detectar 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 muestras normales y anómalas. Asegúrate de incluir variaciones de iluminación, ángulos y resoluciones para ayudar al modelo a adaptarse mejor.
• Etiqueta tus datos: marca las anomalías mediante cajas delimitadoras, segmentación o puntos clave para que el modelo sepa qué debe 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 y mejora su capacidad para identificar casos normales y anómalos en tiempo real.
• Prueba y valida: ejecuta el modelo entrenado con imágenes nuevas que no haya visto para evaluar su rendimiento y asegurarte de que funciona correctamente antes de implementarlo.

Además, al crear un sistema de detección de anomalías, es importante valorar si realmente necesitas un entrenamiento personalizado. En algunos casos, un modelo preentrenado puede ser suficiente.

Por ejemplo, si estás desarrollando un sistema de gestión del tráfico y la anomalía que necesitas detectar son los peatones que cruzan por lugares indebidos, el modelo preentrenado Ultralytics YOLO11 ya puede detectar personas con gran precisión. Como «persona» es una categoría bien representada en el conjunto de datos COCO (con el que se ha preentrenado), no es necesario realizar 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 frecuentes en la fabricación, enfermedades específicas en imágenes médicas u objetos únicos que no están incluidos en los conjuntos de datos estándar, entrenar un modelo con datos específicos del ámbito garantiza un mejor rendimiento y precisión.

Aplicaciones reales de la detección de anomalías basada en visión#

La detección de anomalías es un concepto amplio que abarca muchas aplicaciones del mundo real. Repasemos algunas de ellas para ver cómo la visión artificial ayuda a identificar irregularidades, mejorar la eficiencia y optimizar la toma de decisiones en distintos sectores.

Detección de anomalías en la fabricación#

La visión artificial en la fabricación ayuda a mantener unos estándares de alta calidad al detectar defectos, desalineaciones y componentes ausentes en las líneas de producción. Los modelos de visión artificial pueden señalar al instante los productos defectuosos, evitando que avancen 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 retiradas costosas y pérdidas económicas.

Además del control de calidad, la detección de anomalías también puede mejorar la seguridad en el trabajo. Las fábricas suelen enfrentarse a calor, humo y emisiones peligrosas que pueden provocar incendios. Los modelos de IA de visión pueden detectar patrones inusuales de humo, maquinaria sobrecalentada o incluso signos tempranos de incendio, lo que permite a los fabricantes actuar antes de que se produzcan accidentes.

Fig. 4. Visión artificial utilizada para detectar incendios y humo.

Identificación de casos extremos en el sector de la automoción#

El sector de la automoción puede utilizar modelos como Ultralytics YOLO11 para detectar fallos en motores, sistemas de frenado y componentes de la transmisión antes de que provoquen averías críticas. Gracias a la compatibilidad de YOLO11 con la detección de objetos y la segmentación de instancias, es fácil identificar con precisión anomalías que las inspecciones manuales podrían pasar por alto.

Estos son otros ejemplos de detección de anomalías en el sector de la automoción:

• Detección de anomalías en el tráfico: reconocimiento de vehículos que circulan en sentido contrario, salidas repentinas del carril o accesos no autorizados a zonas restringidas.
• Supervisión del comportamiento del conductor: identificación de conducción somnolienta, distracciones o maniobras erráticas para mejorar la seguridad vial.
• Seguridad de los vehículos autónomos: detección de peatones, ciclistas y obstáculos inesperados para evitar colisiones.

Detección de irregularidades en dispositivos electrónicos#

Inspeccionar dispositivos electrónicos manualmente puede ser lento, incoherente y propenso a errores humanos, lo que significa que los defectos en microchips, placas de circuitos y conexiones soldadas pueden pasar desapercibidos. Incluso los defectos pequeños, como una unión de soldadura agrietada o un componente desalineado, pueden provocar interrupciones de señal, fallos del sistema o cortocircuitos, dando lugar a dispositivos poco fiables.

Con la detección de anomalías basada en Ultralytics 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, YOLO11 puede detectar fácilmente una pequeña separación en una unión de soldadura que los inspectores humanos podrían pasar por alto mediante su detección de objetos.

Conclusiones clave#

A medida que los sectores adoptan la detección de anomalías mediante visión artificial, 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 basada en IA puede mejorar la precisión, acelerar las inspecciones y minimizar los errores humanos. De cara al futuro, es probable que los avances en IA hagan que la detección de anomalías sea más precisa.

¡Únete a nuestra creciente comunidad! Explora nuestro repositorio de GitHub para aprender más sobre IA. ¿Listo para empezar tus propios proyectos de visión por ordenador? Consulta nuestras opciones de licencia. Descubre la IA en la agricultura y la IA de visión en la sanidad visitando nuestras páginas de soluciones.