La vision par IA pour la détection des anomalies : aperçu rapide

Une minuscule fissure dans l’aile d’un avion, une étiquette mal imprimée sur un médicament ou une transaction financière inhabituelle peuvent entraîner de graves problèmes si elles passent inaperçues. Tous les secteurs doivent relever le défi de repérer rapidement les problèmes potentiellement risqués afin d’éviter les défaillances, les pertes financières ou les risques pour la sécurité.

Plus précisément, il faut détecter les anomalies. La détection des anomalies vise à repérer les schémas qui ne correspondent pas aux comportements attendus. Elle cherche à 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 gérer les variations complexes. C’est là que la vision par ordinateur joue un rôle essentiel.

En apprenant à partir de grands 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 allons examiner le fonctionnement de la détection des anomalies par vision et la manière dont Ultralytics YOLO11 peut t’aider.

Pourquoi la détection des anomalies est-elle nécessaire ?#

En vision par ordinateur, les anomalies ou irrégularités se présentent généralement sous forme de défauts ou de schémas inhabituels dans les images et les vidéos. Depuis des années, les entreprises s’appuient sur des inspections manuelles ou des systèmes fondés sur des règles pour détecter les défauts.

Par exemple, dans la fabrication de produits pharmaceutiques, les anomalies des comprimés peuvent inclure des fissures, des formes incorrectes, une décoloration ou des marquages manquants, qui risquent de compromettre la qualité et la sécurité. Il est essentiel de détecter ces défauts rapidement pour éviter que des produits défectueux n’atteignent les consommateurs. Cependant, les méthodes manuelles de détection des anomalies sont souvent lentes et incohérentes, et ne parviennent pas à gérer la complexité des irrégularités du monde réel.

Fig 1. Détection des anomalies dans l’industrie pharmaceutique.

La détection des anomalies par l’IA relève ces défis en apprenant à partir de vastes jeux de données et en améliorant continuellement sa capacité à reconnaître des schémas au fil du temps. Contrairement aux méthodes fondées sur des règles fixes, les systèmes d’IA peuvent apprendre et s’améliorer au fil du temps.

Des modèles avancés comme Ultralytics YOLO11 améliorent la détection des anomalies en permettant l’analyse d’images en temps réel avec une grande précision. Les systèmes d’IA visuelle peuvent analyser des détails des images, comme la forme, la texture et la structure, ce qui facilite la détection rapide et précise des irrégularités.

Comment la vision par ordinateur permet de détecter les anomalies#

Les systèmes de détection des anomalies basés sur l’IA visuelle commencent par capturer des images ou des vidéos de haute qualité à l’aide de caméras, de capteurs ou de drones. Des données visuelles nettes 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 sont soumises à des techniques de traitement d’image, comme la réduction du bruit, l’amélioration du contraste et le seuillage. Ces étapes de prétraitement aident les modèles d’IA visuelle 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 sécurité aux diagnostics médicaux et à la gestion de la circulation.

Après le prétraitement, la vision par ordinateur peut analyser les images et repérer tout élément inhabituel. Lorsqu’une anomalie est signalée, le système peut déclencher une alerte : par exemple, demander à un employé de retirer un produit défectueux, avertir le personnel de sécurité d’une menace potentielle ou informer les opérateurs de la circulation afin qu’ils gèrent la congestion.

Fig 2. Exemples de défauts détectables à l’aide de l’IA visuelle.

Détection des anomalies grâce aux capacités d’Ultralytics YOLO11#

Examinons de plus près comment les modèles de vision par ordinateur comme Ultralytics YOLO11 analysent les images pour détecter les anomalies.

Ultralytics YOLO11 prend en charge différentes 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 facilitent la détection des anomalies dans diverses applications du monde réel.

Par exemple, la détection d’objets peut servir à repérer des produits défectueux sur une chaîne de montage, des personnes non autorisées dans des zones à accès restreint ou des objets mal placés dans un entrepôt. De même, la segmentation d’instances permet de délimiter précisément des anomalies, comme des fissures dans des machines ou une contamination de produits alimentaires.

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

Voici d’autres exemples de tâches de vision par ordinateur utilisées pour détecter des anomalies :

• Suivi d’objets : Il peut servir à surveiller les schémas de déplacement pour détecter des menaces à la sécurité, suivre les anomalies des véhicules dans la circulation ou évaluer les mouvements des patients dans le secteur de la santé.
• Estimation de pose : Ultralytics YOLO11 peut détecter des mouvements corporels inhabituels pour repérer les risques professionnels ou suivre les progrès de la rééducation dans le secteur de la santé.
• Détection de boîtes englobantes orientées (OBB) : Elle améliore la détection des anomalies en repérant et en localisant avec précision les objets inclinés ou orientés, ce qui la rend utile pour l’analyse d’images aériennes, la conduite autonome et les inspections industrielles.

Pourquoi utiliser Ultralytics YOLO11 ?#

Parmi les nombreux 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 grand nombre d’utilisateurs. De son côté, Ultralytics YOLOv8 a encore amélioré la flexibilité en ajoutant la prise en charge de tâches comme la segmentation d’instances, le suivi d’objets et l’estimation de pose, ce qui le rend plus adaptable à différentes applications.

La dernière version, YOLO11, offre une précision et des performances supérieures à celles de ses prédécesseurs. Par exemple, avec 22 % de paramètres en moins que YOLOv8m, YOLO11m obtient une précision moyenne moyenne (mAP) supérieure sur le jeu de données COCO, ce qui permet une détection d’objets plus précise et plus efficace.

Comment entraîner Ultralytics YOLO11 sur mesure pour détecter les anomalies#

Personnaliser l’entraînement d’Ultralytics YOLO11 pour détecter les anomalies est simple et direct. Avec un jeu de données adapté à ton application, tu peux affiner le modèle pour qu’il détecte les anomalies avec précision.

Suis ces étapes simples pour commencer :

• Prépare ton jeu de données : Rassemble des images de haute qualité comprenant des exemples normaux et des anomalies. Veille à inclure des variations d’éclairage, d’angle et de résolution pour aider le modèle à mieux s’adapter.
• Annote tes données : Marque les anomalies à l’aide de cadres de délimitation, de segmentations ou de points clés afin d’indiquer au modèle ce qu’il doit rechercher. Les outils open source accélèrent et simplifient ce processus.
• Entraîne le modèle : Le modèle apprend au fil de plusieurs cycles, ce qui améliore sa capacité à distinguer les cas normaux des anomalies en temps réel.
• Teste et valide : Exécute le modèle entraîné sur de nouvelles images qu’il n’a pas encore vues pour évaluer ses performances et vérifier qu’il fonctionne bien avant son déploiement.

De plus, lors de la création d’un système de détection des anomalies, il est important de déterminer si un entraînement personnalisé est réellement nécessaire. Dans certains cas, un modèle préentraîné peut déjà suffire.

Par exemple, si tu développes un système de gestion de la circulation et que tu dois détecter les piétons qui traversent hors des passages, le modèle Ultralytics YOLO11 préentraîné sait déjà détecter les personnes avec une grande précision. Comme la catégorie « personne » est bien représentée dans le jeu de données COCO sur lequel le modèle est préentraîné, aucun entraînement supplémentaire n’est nécessaire.

L’entraînement personnalisé devient essentiel lorsque les anomalies ou les objets à détecter ne figurent pas dans le jeu de données COCO. Si ton application doit repérer des défauts rares dans la fabrication, des conditions médicales spécifiques dans des images ou des objets uniques absents des jeux de données standard, l’entraînement d’un modèle sur des données propres à ton domaine garantit de meilleures performances et une meilleure précision.

Applications concrètes de la détection des anomalies par vision#

La détection des anomalies est un concept général qui englobe de nombreuses applications concrètes. Examinons-en quelques-unes et voyons comment la vision par ordinateur aide à repérer les irrégularités, à améliorer l’efficacité et à optimiser la prise de décision dans différents secteurs.

Détection des anomalies dans la fabrication#

La vision par ordinateur dans l’industrie manufacturière aide à maintenir des normes de qualité élevées en repérant les défauts, les désalignements et les composants manquants sur les chaînes de production. Les modèles de vision par ordinateur peuvent signaler instantanément les produits défectueux, les empêcher de poursuivre leur parcours sur la chaîne et réduire le gaspillage. La détection précoce de problèmes comme les défauts des matières premières, les erreurs d’emballage ou les composants structurels fragiles contribue à éviter des rappels coûteux et des pertes financières.

Au-delà du contrôle qualité, la détection des anomalies peut également améliorer la sécurité au travail. Les usines sont souvent exposées à la chaleur, à la fumée et aux émissions dangereuses, qui peuvent provoquer des incendies. Les modèles d’IA visuelle peuvent détecter des formes inhabituelles de fumée, des machines en surchauffe ou même les premiers signes d’un incendie, ce qui permet aux fabricants d’agir avant qu’un accident ne se produise.

Fig 4. La vision par ordinateur utilisée pour détecter le feu et la fumée.

Repérage des cas limites dans l’automobile#

Le secteur automobile peut utiliser des modèles comme Ultralytics YOLO11 pour détecter les défauts des moteurs, des systèmes de freinage et des composants de transmission avant qu’ils n’entraînent 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 de repérer précisément des anomalies que les inspections manuelles pourraient ne pas détecter.

Voici d’autres exemples de détection des anomalies dans le secteur automobile :

• Détection des anomalies de circulation : Repérer les véhicules qui roulent à contresens, les changements de voie soudains ou les accès non autorisés aux zones à accès restreint.
• Surveillance du comportement des conducteurs : Détecter la conduite en état de somnolence, les comportements distraits ou les changements de direction erratiques pour améliorer la sécurité routière.
• Sécurité des véhicules autonomes : détecter les piétons, les cyclistes et les obstacles inattendus pour prévenir les collisions.

Repérer les anomalies dans les composants électroniques#

L’inspection manuelle des composants électroniques peut être lente, irrégulière et sujette aux erreurs humaines, ce qui peut laisser passer des défauts dans les micropuces, les cartes de circuits imprimés et les soudures. Même de petits défauts, comme une soudure fissurée ou un composant mal aligné, peuvent provoquer des perturbations du signal, des pannes système ou des courts-circuits, et rendre les appareils peu fiables.

Grâce à la détection d’anomalies propulsée par Ultralytics YOLO11, les fabricants peuvent automatiser ce processus et repérer rapidement des problèmes comme des pièces mal alignées, des soudures défectueuses ou des défauts électriques, avec une précision bien supérieure à celle des méthodes traditionnelles. Par exemple, un minuscule interstice dans une soudure qui pourrait échapper aux inspecteurs peut être facilement détecté par la détection d’objets de YOLO11.

Points clés à retenir#

À mesure que les industries adoptent la détection d’anomalies basée sur la 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 basée sur l’IA peut améliorer la précision, accélérer les inspections et réduire les erreurs humaines. À l’avenir, les progrès de 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 sur nos pages consacrées à nos solutions !