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.

Específicamente, 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 dependen de reglas fijas para encontrar estas anomalías, pero a menudo son lentos y tienen dificultades con variaciones complejas. Aquí es donde la visión artificial desempeña un papel fundamental.

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 visión y cómo puede ayudarte YOLO11.

Link to this sectionLa 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 fabricación farmacéutica, las anomalías en las tabletas pueden incluir grietas, formas incorrectas, decoloración o marcas faltantes, lo que puede comprometer la calidad y la seguridad. Detectar estos fallos a tiempo es vital para evitar que los productos defectuosos lleguen a los consumidores. Sin embargo, los métodos de detección de anomalías manuales suelen ser lentos, inconsistentes y no pueden manejar 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 desafíos aprendiendo de vastos datasets, 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 visual pueden analizar detalles en las imágenes, como la forma, la textura y la estructura, lo que facilita la detección de irregularidades de forma rápida y precisa.

Link to this sectionCómo 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 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 IA visual a centrarse en detalles importantes mientras filtran el ruido de fondo, mejorando la precisión en diversas aplicaciones, desde la monitorización de seguridad hasta los diagnósticos médicos 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 IA visual.

Link to this sectionDetección de anomalías utilizando las capacidades de YOLO11#

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

YOLO11 es compatible con varias tareas de visión artificial, 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 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 áreas restringidas o artículos fuera de lugar en un almacén. De manera similar, la segmentación de instancias permite delinear con precisión las anomalías, tales como grietas en maquinaria o contaminación en productos comestibles.

Fig 3. Segmentación de grietas con la ayuda de 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 poses: YOLO11 puede detectar movimientos corporales inusuales para identificar riesgos de seguridad en los lugares de trabajo o realizar un seguimiento del progreso de la rehabilitación en la atención sanitaria.
• 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.

Link to this section¿Por qué deberías usar YOLO11?#

Entre otros modelos de visión artificial, los modelos Ultralytics YOLO 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. 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 precisión media media (mAP) más alta en el conjunto de datos COCO, lo que permite una detección de objetos más precisa y eficiente.

Link to this sectionCómo entrenar YOLO11 de forma personalizada para la detección de anomalías#

El entrenamiento personalizado de YOLO11 para la detección de anomalías es sencillo y directo. 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 peatones que cruzan indebidamente, 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 (con el que está preentrenado), no hay necesidad de 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.

Link to this sectionAplicaciones 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.

Link to this sectionDetección de anomalías en la fabricación#

La visión artificial en la fabricación ayuda a mantener altos estándares de calidad detectando defectos, desalineaciones y componentes faltantes en las líneas de producción. Los modelos de visión artificial pueden marcar al instante los productos defectuosos, deteniéndolos antes de que sigan avanzando por la línea y reduciendo los residuos. La detección temprana de problemas como defectos en las materias primas, errores de empaquetado 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 artificial utilizada para detectar fuego y humo.

Link to this sectionIdentificación de casos extremos en la automoción#

La industria automotriz puede utilizar modelos como YOLO11 para detectar fallos en motores, sistemas de frenado y componentes de transmisión antes de que provoquen fallos críticos. Utilizando el soporte de YOLO11 para la detección de objetos y la segmentación de instancias, es fácil identificar con precisión las 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.

Link to this sectionDetección 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 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, una pequeña brecha en una unión de soldadura que podría pasar desapercibida para los inspectores humanos puede detectarse fácilmente mediante la detección de objetos de YOLO11.

Link to this sectionConclusiones clave#

A medida que las industrias recurren a la detección de anomalías mediante visión artificial, 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 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 aprender más sobre IA. ¿Estás listo para empezar tus propios proyectos de visión artificial? Consulta nuestras opciones de licencia. ¡Descubre la IA en la agricultura y la IA visual en la sanidad visitando nuestras páginas de soluciones!