IA de vision pour la détection d'anomalies : Un aperçu rapide

Une minuscule fissure sur l'aile d'un avion, une étiquette mal imprimée sur un médicament ou une transaction financière inhabituelle peuvent causer de graves problèmes s'ils ne sont pas détectés. Chaque industrie fait face au défi consistant à repérer rapidement les problèmes à risque pour prévenir les défaillances, les pertes financières ou les risques de sécurité.

Plus précisément, les anomalies doivent être détectées. La détection d'anomalies vise à identifier les schémas qui ne correspondent pas aux comportements attendus. Elle a pour but de signaler les défauts, les erreurs ou les activités irrégulières qui pourraient autrement passer inaperçus. Les méthodes traditionnelles s'appuient sur des règles fixes pour trouver ces anomalies, mais elles sont souvent lentes et peinent à faire face à des variations complexes. C'est là que la vision par ordinateur joue un rôle crucial.

En apprenant à partir de vastes jeux de données visuelles, les modèles de vision par ordinateur tels que Ultralytics YOLO11 peuvent détecter les irrégularités avec plus de précision que les méthodes traditionnelles.

Dans cet article, nous allons explorer le fonctionnement de la détection d'anomalies par vision et comment Ultralytics YOLO11 peut t'aider.

Le besoin de détection d'anomalies#

En ce qui concerne la vision par ordinateur, les anomalies ou irrégularités apparaissent généralement sous forme de défauts ou de motifs inhabituels dans les images et les vidéos. Pendant des années, les entreprises ont compté sur des inspections manuelles ou des systèmes basés sur des règles pour détecter les défauts.

Par exemple, dans l'industrie pharmaceutique, les anomalies sur les comprimés peuvent inclure des fissures, des formes incorrectes, une décoloration ou des marquages manquants, ce qui peut compromettre la qualité et la sécurité. Détecter ces défauts tôt est essentiel pour empêcher que des produits défectueux ne parviennent aux consommateurs. Cependant, les méthodes manuelles de détection d'anomalies sont souvent lentes, incohérentes et incapables de gérer la complexité des irrégularités du monde réel.

Fig 1. Détection d'anomalies dans l'industrie pharmaceutique.

La détection d'anomalies basée sur l'IA résout ces défis en apprenant à partir de vastes jeux de données, améliorant ainsi continuellement sa capacité à reconnaître des schémas au fil du temps. Contrairement aux méthodes fixes basées sur des règles, les systèmes d'IA peuvent apprendre et progresser au fil du temps.

Des modèles avancés comme Ultralytics YOLO11 améliorent la détection d'anomalies en permettant une analyse d'images en temps réel avec une haute précision. Les systèmes de Vision AI peuvent analyser des détails dans les images tels que la forme, la texture et la structure, ce qui facilite le repérage rapide et précis des irrégularités.

Comment la vision par ordinateur permet la détection d'anomalies#

Les systèmes de détection d'anomalies pilotés par l'IA visuelle fonctionnent en capturant d'abord des images ou des vidéos de haute qualité à l'aide de caméras, de capteurs ou de drones. Des données visuelles claires sont essentielles, qu'il s'agisse de repérer un produit défectueux sur une chaîne de production, de détecter une personne non autorisée dans une zone sécurisée ou d'identifier un mouvement inhabituel dans un espace public.

Une fois collectées, les images ou les vidéos subissent des techniques de traitement d'image telles que la réduction du bruit, l'amélioration du contraste et le seuil de binarisation. Ces étapes de prétraitement aident les modèles de vision par ordinateur à se concentrer sur les détails importants tout en filtrant le bruit de fond, ce qui améliore la précision dans diverses applications, de la surveillance de la sécurité aux diagnostics médicaux et au contrôle du trafic.

Après le pré-traitement, la vision par ordinateur peut être utilisée pour analyser les images et identifier tout ce qui sort de l'ordinaire. Une fois qu'une anomalie est signalée, le système peut déclencher une alerte, comme avertir un travailleur de retirer un produit défectueux, alerter le personnel de sécurité d'une menace potentielle ou informer les opérateurs de trafic pour gérer la congestion.

Fig 2. Exemples de défauts pouvant être détectés à l'aide de la vision par IA.

Détection d'anomalies à l'aide des fonctionnalités d'Ultralytics YOLO11#

Examinons de plus près comment les modèles de vision par ordinateur comme Ultralytics YOLO11 parviennent à analyser des images pour détecter des anomalies.

Ultralytics YOLO11 prend en charge diverses computer vision tasks telles que la détection d'objets, la classification d'images, la segmentation d'instances, le suivi d'objets et l'estimation de pose. Ces tâches simplifient la détection d'anomalies dans différentes applications du monde réel.

Par exemple, la détection d'objets peut être utilisée pour identifier des produits défectueux sur une chaîne de montage, des individus non autorisés dans des zones restreintes ou des articles mal placés dans un entrepôt. De même, la segmentation d'instances permet de délimiter précisément les anomalies, telles que des fissures dans des machines ou une contamination dans des produits alimentaires.

Fig 3. Segmentation de fissures à l'aide d'Ultralytics YOLO11.

Voici quelques autres exemples de tâches de vision par ordinateur utilisées pour la détection d'anomalies :

• Suivi d'objets (Object tracking) : Il peut être utilisé pour surveiller les modèles de mouvement afin de détecter des menaces de sécurité, suivre les anomalies de véhicules dans le trafic ou évaluer les mouvements des patients dans les soins de santé.
• Estimation de pose : Ultralytics YOLO11 peut détecter des mouvements corporels inhabituels pour identifier des risques pour la sécurité sur les lieux de travail ou suivre les progrès de rééducation dans le secteur de la santé.
• Détection de boîtes englobantes orientées (OBB) : Améliore la détection d'anomalies en identifiant et en localisant précisément les objets tournés ou inclinés, ce qui le rend utile pour l'analyse d'imagerie aérienne, la conduite autonome et les inspections industrielles.

Pourquoi devrais-tu utiliser Ultralytics YOLO11 ?#

Parmi divers autres modèles de vision par ordinateur, les modèles Ultralytics YOLO se distinguent par leur vitesse et leur précision. Ultralytics YOLOv5 a simplifié le déploiement grâce à son framework basé sur PyTorch, le rendant accessible à un plus large éventail d'utilisateurs. Pendant ce temps, Ultralytics YOLOv8 a encore amélioré la flexibilité en introduisant la prise en charge de tâches telles que la segmentation d'instances, le suivi d'objets et l'estimation de pose, le rendant ainsi plus adaptable à différentes applications.

La dernière version, YOLO11, offre une précision et des performances supérieures par rapport à ses prédécesseurs. Par exemple, avec 22 % de paramètres en moins que YOLOv8m, YOLO11m offre une précision moyenne (mAP) plus élevée sur le dataset COCO, permettant une détection d'objets plus précise et efficace.

Comment entraîner sur mesure Ultralytics YOLO11 pour la détection d'anomalies#

L'entraînement Custom-training d'Ultralytics YOLO11 pour la détection d'anomalies est direct et simple. Avec un jeu de données conçu pour ton application spécifique, tu peux affiner le modèle pour détecter les anomalies avec précision.

Suis ces étapes simples pour commencer :

• Prépare ton dataset : Collecte des images de haute qualité incluant à la fois des échantillons normaux et des échantillons d'anomalies. Assure-toi d'inclure des variations d'éclairage, d'angles et de résolutions pour aider le modèle à mieux s'adapter.
• Étiquette tes données : Marque les anomalies à l'aide de boîtes englobantes, de segmentation ou de points clés afin que le modèle sache quoi chercher. Des outils open-source rendent ce processus plus rapide et plus facile.
• Entraîne le modèle : Le modèle apprend au fil de plusieurs cycles, améliorant sa capacité à identifier les cas normaux et anormaux en temps réel.
• Teste et valide : Exécute le modèle entraîné sur de nouvelles images inédites pour évaluer ses performances et t'assurer qu'il fonctionne bien avant de le déployer.

Aussi, lors de la construction d'un système de détection d'anomalies, il est important de considérer si l'entraînement sur mesure est vraiment nécessaire. Dans certains cas, un modèle pré-entraîné peut déjà être suffisant.

Par exemple, si tu développes un système de gestion du trafic et que l'anomalie à détecter concerne les piétons traversant hors des clous, le modèle pré-entraîné Ultralytics YOLO11 peut déjà détecter les personnes avec une grande précision. Puisque "person" est une catégorie bien représentée dans le jeu de données COCO (sur lequel il est pré-entraîné), aucun entraînement supplémentaire n'est nécessaire.

L'entraînement sur mesure devient essentiel lorsque les anomalies ou les objets que tu dois détecter ne sont pas inclus dans le dataset COCO. Si ton application nécessite d'identifier des défauts rares dans la fabrication, des conditions médicales spécifiques dans les images ou des objets uniques non couverts par les datasets standards, alors entraîner un modèle sur des données spécifiques au domaine garantit de meilleures performances et une meilleure précision.

Applications concrètes de la détection d'anomalies par vision#

La détection d'anomalies est un concept large qui couvre de nombreuses applications du monde réel. Parcourons quelques-unes d'entre elles et voyons comment la vision par ordinateur aide à identifier les irrégularités, améliorer l'efficacité et faciliter la prise de décision dans différentes industries.

Détection d'anomalies dans la fabrication#

La vision par ordinateur dans la fabrication aide à maintenir des normes de qualité élevées en repérant les défauts, les désalignements et les composants manquants sur les lignes de production. Les modèles de vision par ordinateur peuvent signaler instantanément les produits défectueux, les empêchant de progresser sur la ligne et réduisant le gaspillage. La détection précoce de problèmes tels que les défauts de matières premières, les erreurs d'emballage ou les composants structurels fragiles aide à prévenir des rappels coûteux et des pertes financières.

Au-delà du contrôle qualité, la détection d'anomalies peut également améliorer la sécurité au travail. Les usines font souvent face à la chaleur, à la fumée et aux émissions dangereuses, ce qui peut entraîner des risques d'incendie. Les modèles d'IA visuelle peuvent détecter des modèles de fumée inhabituels, des machines en surchauffe ou même les premiers signes d'un incendie, permettant aux fabricants d'agir avant que des accidents ne surviennent.

Fig 4. Utilisation de la vision par ordinateur pour détecter le feu et la fumée.

Identification des cas limites automobiles#

L'industrie automobile peut utiliser des modèles comme Ultralytics YOLO11 pour détecter des pannes dans les moteurs, les systèmes de freinage et les composants de transmission avant qu'ils ne provoquent des défaillances critiques. Grâce à la prise en charge de la détection d'objets et de la segmentation d'instances par YOLO11, il est facile d'identifier précisément des anomalies que les inspections manuelles pourraient négliger.

Voici quelques autres exemples de détection d'anomalies dans l'industrie automobile :

• Détection d'anomalies de trafic : Reconnaître les véhicules circulant à contre-sens, les changements de voie soudains ou l'accès non autorisé à des zones restreintes.
• Surveillance du comportement du conducteur : Identifier la somnolence au volant, les comportements distraits ou la direction erratique pour améliorer la sécurité routière.
• Sécurité des véhicules autonomes : Détecter les piétons, les cyclistes et les obstacles imprévus pour prévenir les collisions.

Repérage des irrégularités dans l'électronique#

Inspecter manuellement l'électronique peut être lent, incohérent et sujet à l'erreur humaine, ce qui signifie que les défauts dans les micro-puces, les circuits imprimés et les connexions de soudure peuvent passer inaperçus. Même de petits défauts, comme un joint de soudure fissuré ou un composant mal aligné, peuvent causer des perturbations de signal, des défaillances système ou des courts-circuits, conduisant à des appareils peu fiables.

Grâce à la détection d'anomalies propulsée par Ultralytics YOLO11, les fabricants peuvent automatiser ce processus et identifier rapidement des problèmes tels que des pièces mal alignées, des soudures défectueuses ou des pannes électriques avec une précision bien supérieure à celle des méthodes traditionnelles. Par exemple, un tout petit espace dans un joint de soudure qui pourrait être manqué par des inspecteurs humains peut être facilement détecté par la détection d'objets de YOLO11.

Points clés#

Alors que les industries se tournent vers la détection d'anomalies par vision par ordinateur, des modèles comme Ultralytics YOLO11 deviennent essentiels pour maintenir la qualité, améliorer la sécurité et réduire les risques opérationnels.

De la fabrication à l'agriculture, la détection d'anomalies pilotée par l'IA peut améliorer la précision, accélérer les inspections et minimiser les erreurs humaines. En regardant vers l'avenir, les avancées dans l'IA rendront probablement la détection d'anomalies plus précise.

Rejoins notre communauté en pleine croissance ! Explore notre dépôt GitHub pour en savoir plus sur l'IA. Prêt à lancer tes propres projets de vision par ordinateur ? Consulte nos options de licence. Découvre l'IA en agriculture et l'IA visuelle dans la santé en visitant nos pages de solutions !