L’IA visuelle pour la détection d’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 causer de graves problèmes si elles ne sont pas détectées. Chaque secteur doit relever le défi de repérer rapidement les problèmes potentiellement dangereux afin de prévenir les défaillances, les pertes financières ou les risques pour la sécurité.

Plus précisément, il faut détecter les anomalies. La détection d’anomalies vise à identifier 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 ont du mal à gérer les variations complexes. C’est là que la vision par ordinateur joue un rôle crucial.

En apprenant à partir de vastes jeux de données visuels, 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 d’anomalies basée sur la vision et voir comment Ultralytics YOLO11 peut t’aider.

Pourquoi la détection d’anomalies est nécessaire#

Dans le domaine de la vision par ordinateur, les anomalies ou les irrégularités se présentent généralement sous la 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 pharmaceutique, les anomalies présentes 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. Il est essentiel de détecter rapidement ces défauts pour éviter que des produits défectueux n’atteignent les 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 difficultés en apprenant à partir de vastes jeux de données, améliorant continuellement sa capacité à reconnaître les 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.

Les modèles avancés comme Ultralytics YOLO11 améliorent la détection d’anomalies en permettant l’analyse d’images en temps réel avec une grande précision. Les systèmes d’IA de vision peuvent analyser des détails dans les 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 la détection d’anomalies#

Les systèmes de détection d’anomalies pilotés par l’IA de vision commencent par capturer 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 ligne 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 telles que la réduction du bruit, l’amélioration du contraste et le seuillage. Ces étapes de prétraitement aident les modèles d’IA de vision 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 du trafic.

Après le prétraitement, la vision par ordinateur peut être utilisée pour analyser les images et identifier tout ce qui sort de l’ordinaire. Lorsqu’une anomalie est signalée, le système peut déclencher une alerte, par exemple en avertissant un opérateur de retirer un produit défectueux, en alertant le personnel de sécurité d’une menace potentielle ou en informant les opérateurs de la circulation afin qu’ils gèrent les embouteillages.

Fig. 2. Exemples de défauts pouvant être détectés à l’aide de l’IA de vision.

Détection d’anomalies grâce aux fonctionnalités d’Ultralytics YOLO11#

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

Ultralytics 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 servir à identifier des produits défectueux sur une chaîne de montage, des personnes non autorisées dans des zones réglementées ou des articles mal rangés dans un entrepôt. De même, la segmentation d’instances permet de délimiter précisément les anomalies, comme les fissures dans des machines ou la contamination de 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 : il peut servir à surveiller les schémas de déplacement afin de détecter les menaces de sécurité, à suivre les anomalies des véhicules dans la circulation ou à évaluer les mouvements des patients dans le domaine de la santé.
• Estimation de pose : Ultralytics YOLO11 peut détecter des mouvements corporels inhabituels afin d’identifier les risques pour la sécurité sur le lieu de travail ou de suivre les progrès de la rééducation dans le domaine de la santé.
• Détection de boîtes englobantes orientées (OBB) : elle améliore la détection d’anomalies en identifiant et en localisant précisément 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 autres modèles de vision par ordinateur, les modèles Ultralytics YOLO se distinguent par leur rapidité 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. Parallèlement, Ultralytics YOLOv8 a encore amélioré la flexibilité en prenant en charge des 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 atteint une précision moyenne (mAP) plus élevée 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 la détection d’anomalies#

L’entraînement personnalisé d’Ultralytics YOLO11 pour la détection d’anomalies est simple et direct. Avec un jeu de données conçu pour ton application spécifique, tu peux affiner le modèle afin qu’il détecte les anomalies avec précision.

Suis ces quelques étapes simples pour commencer :

• Prépare ton jeu de données : collecte des images de haute qualité comprenant à la fois des échantillons normaux et des échantillons présentant des anomalies. Veille à inclure des variations d’éclairage, d’angles et de résolutions afin d’aider le modèle à mieux s’adapter.
• Étiquette tes données : marque les anomalies à l’aide de boîtes englobantes, de segmentations ou de points clés afin que le modèle sache quoi rechercher. Les 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 en temps réel les cas normaux et les cas présentant des anomalies.
• Teste et valide : exécute le modèle entraîné sur de nouvelles images inédites pour évaluer ses performances et t’assurer qu’il fonctionne correctement avant de le déployer.

Par ailleurs, lors de la conception d’un système de détection d’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 du trafic et que l’anomalie à détecter est la traversée illégale de la chaussée par des piétons, le modèle Ultralytics YOLO11 préentraîné peut déjà détecter les personnes avec une grande précision. Comme la catégorie « person » est bien représentée dans le jeu de données COCO (sur lequel il est préentraîné), aucun entraînement supplémentaire n’est nécessaire.

L’entraînement personnalisé devient essentiel lorsque les anomalies ou les objets à détecter ne sont pas inclus dans le jeu de données COCO. Si ton application nécessite d’identifier des défauts rares dans la fabrication, des pathologies spécifiques dans des images ou des objets uniques qui ne sont pas couverts par les jeux de données standards, entraîner un modèle sur des données propres au domaine garantit de meilleures performances et une meilleure précision.

Applications concrètes de la détection d’anomalies pilotée par la vision#

La détection d’anomalies est un concept vaste qui couvre de nombreuses applications du monde réel. Examinons-en quelques-unes pour voir comment la vision par ordinateur aide à identifier les irrégularités, à améliorer l’efficacité et à renforcer la prise de décision dans différents secteurs.

Détecter les anomalies dans la fabrication#

La vision par ordinateur dans la fabrication contribue à maintenir des normes de qualité élevées en repérant les défauts, les défauts d’alignement et les composants manquants sur les lignes de production. Les modèles de vision par ordinateur peuvent signaler instantanément les produits défectueux, les empêchant de poursuivre leur parcours sur la ligne et réduisant ainsi les déchets. La détection précoce de problèmes comme les défauts des matières premières, les erreurs d’emballage ou les composants structurels fragiles contribue 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 sont souvent confrontées à la chaleur, à la fumée et aux émissions dangereuses, qui peuvent provoquer des incendies. Les modèles d’IA de vision peuvent détecter des schémas de fumée inhabituels, des machines en surchauffe ou même les premiers signes d’un incendie, permettant ainsi aux fabricants d’agir avant qu’un accident ne survienne.

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

Identifier les cas limites dans l’automobile#

Le secteur automobile peut utiliser des modèles comme Ultralytics YOLO11 pour détecter les défaillances des moteurs, des systèmes de freinage et des composants de transmission avant qu’elles n’entraînent des pannes 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 les anomalies que les inspections manuelles pourraient négliger.

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

• Détection d’anomalies de circulation : reconnaître les véhicules circulant à contresens, les changements de voie soudains ou les accès non autorisés à des zones réglementées.
• Surveillance du comportement du conducteur : identifier la conduite somnolente, les comportements distraits ou les mouvements de volant irréguliers afin d’améliorer la sécurité routière.
• Sécurité des véhicules autonomes : détecter les piétons, les cyclistes et les obstacles inattendus afin d’éviter les collisions.

Repérer les irrégularités dans l’électronique#

Inspecter manuellement les composants électroniques peut être lent, incohérent et sujet aux erreurs humaines, ce qui signifie que les défauts des micropuces, des cartes de circuits imprimés et des connexions soudées peuvent passer inaperçus. Même de petits défauts, comme une soudure fissurée ou un composant mal aligné, peuvent provoquer des perturbations du signal, des défaillances du système ou des courts-circuits, entraînant des appareils peu fiables.

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

Points clés à retenir#

Alors que les secteurs adoptent la détection d’anomalies rendue possible par la vision par ordinateur, les 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 réduire les erreurs humaines. À l’avenir, les progrès de l’IA rendront probablement la détection d’anomalies encore plus précise.

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en apprendre davantage sur l’IA. Tu veux commencer tes propres projets de vision par ordinateur ? Consulte nos options de licence. Découvre l’IA dans l’agriculture et l’IA de vision dans les soins de santé en consultant nos pages consacrées aux solutions !