19 de febrero de 2025
Explore cómo la visión artificial permite la detección precisa de anomalías en diversas industrias. 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 intentar detectar cualquier problema de riesgo de forma temprana para evitar fallos, pérdidas financieras o riesgos para la seguridad.
Específicamente, es necesario detectar 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 a menudo son lentos y tienen dificultades con las variaciones complejas. Aquí es donde la visión artificial juega 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, exploraremos cómo funciona la detección de anomalías basada en la visión y cómo puede ayudar YOLO11.
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 confiado en inspecciones manuales o sistemas basados en reglas para detectar defectos.
Por ejemplo, en la fabricación farmacéutica, 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, inconsistentes y no pueden manejar la complejidad de las irregularidades del mundo real.
La detección de anomalías basada en la 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 fijos basados en reglas, los sistemas de IA pueden aprender y mejorar con el tiempo.
Los modelos avanzados como YOLO11 mejoran la detección de anomalías al permitir el análisis de imágenes en tiempo real con alta precisión. Los sistemas de visión artificial pueden analizar detalles en imágenes como la forma, la textura y la estructura, lo que facilita la detección de irregularidades de forma rápida y precisa.
Los sistemas de detección de anomalías impulsados por la IA visual funcionan capturando primero imágenes o vídeos de alta calidad utilizando cámaras, sensores o drones. La claridad de los datos visuales es clave, ya sea para detectar un producto defectuoso en una línea de fábrica, detectar a una persona no autorizada en una zona de seguridad o identificar movimientos inusuales en un espacio público.
Una vez recogidas, las imágenes o los vídeos se someten a técnicas de procesamiento de imágenes como la reducción de ruido, la mejora del contraste y la umbralización. Estos pasos de preprocesamiento ayudan a los modelos de Visión Artificial a centrarse en los detalles importantes, a la vez que filtran el ruido de fondo, mejorando la precisión en diversas aplicaciones, desde la supervisión de la seguridad hasta los diagnósticos médicos y el control del tráfico.
Después del preprocesamiento, la visión artificial se puede utilizar para analizar las imágenes e identificar cualquier cosa fuera de lo común. Una vez que se detecta una anomalía, el sistema puede activar una alerta, como notificar a un trabajador para que retire un producto defectuoso, alertar al personal de seguridad sobre una posible amenaza o informar a los operadores de tráfico para que gestionen la congestión.
Echemos un vistazo más de cerca a cómo los modelos de visión artificial como YOLO11 pueden analizar imágenes para detectar anomalías.
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 la pose. Estas tareas simplifican la detección de anomalías en diferentes aplicaciones del mundo real.
Por ejemplo, la detección de objetos puede utilizarse para identificar productos defectuosos en una línea 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.
Aquí hay otros ejemplos de tareas de visión artificial que se utilizan para la detección de anomalías:
Entre varios otros modelos de visión artificial, los modelos YOLO de Ultralytics destacan por su velocidad y precisión. Ultralytics YOLOv5 simplificó la implementación con su framework basado en PyTorch, haciéndolo accesible a una gama más amplia de usuarios. Mientras tanto, 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 poses, haciéndolo 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 mayor precisión media (mAP) en el conjunto de datos COCO, lo que permite una detección de objetos más precisa y eficiente.
El entrenamiento personalizado de YOLO11 para la detección de anomalías es sencillo y simple. Con un conjunto de datos diseñado para su aplicación específica, puede ajustar el modelo para detectar anomalías con precisión.
Siga estos sencillos pasos para empezar:
Además, al construir un sistema de detección de anomalías, es importante considerar si el entrenamiento personalizado es realmente necesario. En algunos casos, un modelo pre-entrenado ya puede ser suficiente.
Por ejemplo, si está desarrollando un sistema de gestión de tráfico y la anomalía que necesita detectar son los peatones que cruzan imprudentemente la calle, el modelo YOLO11 preentrenado ya puede detectar personas con gran precisión. Dado que "persona" es una categoría bien representada en el conjunto de datos COCO (en el que está preentrenado), no es necesario un 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 raros en la fabricación, condiciones médicas específicas en imágenes u objetos únicos no cubiertos por conjuntos de datos estándar, entonces entrenar un modelo con 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. Analicemos algunas de ellas y veamos cómo la visión artificial ayuda a identificar irregularidades, mejorar la eficiencia y optimizar la toma de decisiones en diferentes industrias.
La visión artificial en la fabricación ayuda a mantener altos estándares de calidad al detectar defectos, desalineaciones y componentes faltantes en las líneas de producción. Los modelos de visión artificial pueden señalar instantáneamente los productos defectuosos, evitando que avancen más en la línea y reduciendo el desperdicio. La detección temprana de problemas como defectos en las materias primas, errores de embalaje o componentes estructurales débiles ayuda a prevenir 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 a menudo lidian con calor, humo y emisiones peligrosas, lo que puede provocar riesgos de incendio. Los modelos de visión artificial 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.
La industria automotriz puede utilizar modelos como YOLO11 para detectar fallas en motores, sistemas de frenado y componentes de transmisión antes de que provoquen fallas críticas. Usando el soporte de YOLO11 para la detección de objetos y la segmentación de instancias, es fácil identificar con precisión anomalías que las inspecciones manuales podrían pasar por alto.
Aquí hay otros ejemplos de detección de anomalías en la industria automotriz:
La inspección manual de productos electrónicos puede ser lenta, inconsistente y propensa a errores humanos, lo que significa que los defectos en microchips, placas de circuitos y conexiones de soldadura pueden pasar desapercibidos. Incluso los pequeños defectos, como una junta de soldadura agrietada o un componente desalineado, pueden causar interrupciones de la señal, fallas del sistema o cortocircuitos, lo que lleva a dispositivos no confiables.
Con la detección de anomalías impulsada por YOLO11, los fabricantes pueden automatizar este proceso e identificar rápidamente problemas como piezas desalineadas, soldaduras defectuosas o fallos eléctricos con mucha mayor precisión que los métodos tradicionales. Por ejemplo, un pequeño hueco en una junta de soldadura que podría pasar desapercibido para los inspectores humanos puede ser detectado fácilmente por la detección de objetos de YOLO11.
A medida que las industrias recurren a la detección de anomalías habilitada por visión artificial, los modelos como 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 la 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 comunidad! Explora nuestro repositorio de GitHub para obtener más información sobre la IA. ¿Listo para comenzar tus propios proyectos de visión artificial? Consulta nuestras opciones de licencia. ¡Descubre la IA en la agricultura y la IA de visión en la atención médica visitando nuestras páginas de soluciones!
