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 se concentre sur l'identification de modèles qui ne correspondent pas aux comportements attendus. Elle vise à signaler les défauts, les erreurs ou les activités irrégulières qui pourraient autrement passer inaperçus. Les méthodes traditionnelles reposent sur des règles fixes pour trouver ces anomalies, mais elles sont souvent lentes et peinent à gérer 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 comme Ultralytics YOLO11 peuvent détecter les irrégularités avec plus de précision que les méthodes traditionnelles.

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

Link to this sectionLe 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 la fabrication pharmaceutique, les anomalies dans les comprimés peuvent inclure des fissures, des formes incorrectes, une décoloration ou des impressions manquantes, ce qui peut compromettre la qualité et la sécurité. Détecter ces défauts tôt est vital pour empêcher les produits défectueux d'atteindre les consommateurs. Cependant, les méthodes manuelles de détection d'anomalies sont souvent lentes, incohérentes et ne peuvent pas 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 datasets, améliorant continuellement sa capacité à reconnaître des modèles au fil du temps. Contrairement aux méthodes basées sur des règles fixes, les systèmes d'IA peuvent apprendre et s'améliorer au fil du temps.

Des modèles avancés comme YOLO11 améliorent la détection d'anomalies en permettant une analyse d'image en temps réel avec une grande précision. Les systèmes d'IA visuelle peuvent analyser les détails des images tels que la forme, la texture et la structure, facilitant ainsi la détection rapide et précise des irrégularités.

Link to this sectionComment 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 vidéos subissent des techniques de traitement d'image telles que la réduction du bruit, l'amélioration du contraste et le seuillage. Ces étapes de pré-traitement aident les modèles d'IA visuelle à se concentrer sur les détails importants tout en filtrant le bruit de fond, améliorant ainsi la précision dans diverses applications, de la surveillance de 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 l'IA visuelle.

Link to this sectionDétection d'anomalies à l'aide des capacités de YOLO11#

Examinons de plus près comment les modèles de vision par ordinateur comme YOLO11 sont capables d'analyser les images pour détecter des anomalies.

YOLO11 prend en charge diverses tâches de vision par ordinateur comme 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 ligne d'assemblage, des individus non autorisés dans des zones restreintes ou des objets déplacés dans un entrepôt. De même, la segmentation d'instances permet de délimiter précisément les anomalies, telles que les fissures dans les machines ou la contamination dans les produits comestibles.

Fig 3. Segmentation de fissures avec l'aide de 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 (Pose estimation) : YOLO11 peut détecter des mouvements corporels inhabituels pour identifier des risques de sécurité au travail ou suivre les progrès de rééducation dans les soins de 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.

Link to this sectionPourquoi devrais-tu utiliser 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 avec 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 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.

Link to this sectionComment entraîner sur mesure YOLO11 pour la détection d'anomalies#

L'entraînement sur mesure de YOLO11 pour la détection d'anomalies est simple et direct. Avec un dataset conçu pour ton application spécifique, tu peux ajuster 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 que tu dois détecter est le non-respect des passages piétons, le modèle YOLO11 pré-entraîné peut déjà détecter les personnes avec une grande précision. Puisque "personne" est une catégorie bien représentée dans le dataset COCO (sur lequel il est pré-entraîné), il n'y a pas besoin d'entraînement supplémentaire.

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.

Link to this sectionApplications 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.

Link to this sectionDétection d'anomalies dans la fabrication#

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

Link to this sectionIdentification des cas limites automobiles#

L'industrie automobile peut utiliser des modèles comme YOLO11 pour détecter les défauts dans les moteurs, les systèmes de freinage et les composants de transmission avant qu'ils ne conduisent à des défaillances critiques. En utilisant la prise en charge de YOLO11 pour la détection d'objets et la segmentation d'instances, il est facile d'identifier précisément les 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.

Link to this sectionRepérage 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.

Avec la détection d'anomalies propulsée par YOLO11, les fabricants peuvent automatiser ce processus et identifier rapidement les problèmes comme les pièces mal alignées, la soudure défectueuse ou les défauts électriques avec une précision bien supérieure aux méthodes traditionnelles. Par exemple, un minuscule 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.

Link to this sectionPoints clés#

Alors que les industries se tournent vers la détection d'anomalies basée sur la vision par ordinateur, les modèles comme 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 grandissante ! Explore notre dépôt GitHub pour en savoir plus sur l'IA. Prêt à démarrer tes propres projets de vision par ordinateur ? Consulte nos options de licence. Découvre l'IA dans l'agriculture et l'IA visuelle dans la santé en visitant nos pages de solutions !