Vision AI pour la détection d'anomalies : Un aperçu rapide

Une minuscule fissure dans une aile d'avion, une étiquette mal imprimée sur un médicament ou une transaction financière inhabituelle peuvent entraîner de graves problèmes s'ils ne sont pas détectés. Tous les secteurs d'activité sont confrontés au défi d'essayer de détecter rapidement tout problème risqué afin d'éviter les échecs, les pertes financières ou les risques pour la sécurité.

Plus précisément, il s'agit de détecter les anomalies. La détection des anomalies est axée sur l'identification de modèles qui ne correspondent pas aux comportements attendus. Elle vise à repérer 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 des variations complexes. C'est là que la vision par ordinateur joue un rôle crucial. 

En apprenant à partir de vastes ensembles de données visuelles, les modèles de vision artificielle comme Ultralytics YOLO11 peuvent détecter les irrégularités avec plus de précision que les méthodes traditionnelles. 

Dans cet article, nous verrons comment fonctionne la détection d'anomalies basée sur la vision et comment YOLO11 peut vous aider.

La nécessité de détecter les anomalies

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

Par exemple, dans la fabrication de produits pharmaceutiques, les anomalies dans les comprimés peuvent inclure des fissures, des formes incorrectes, une décoloration ou des empreintes manquantes, ce qui peut compromettre la qualité et la sécurité. La détection précoce de ces défauts est essentielle pour éviter que des produits défectueux n'atteignent les consommateurs. Cependant, les méthodes manuelles de détection des anomalies sont souvent lentes, incohérentes et ne peuvent pas gérer la complexité des irrégularités du monde réel.

‍

La détection d'anomalies basée sur l'IA résout ces problèmes en apprenant à partir de vastes ensembles de données et en 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 des anomalies en permettant l'analyse d'images en temps réel avec une grande précision. Les systèmes de vision artificielle peuvent analyser les détails des images tels que la forme, la texture et la structure, ce qui permet de repérer plus facilement les irrégularités, avec rapidité et précision. 

Comment la vision artificielle permet de détecter les anomalies

Les systèmes de détection d'anomalies pilotés par Vision AI 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 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 permettent aux modèles de Vision AI de se concentrer sur les détails importants tout en filtrant les bruits de fond, ce qui améliore la précision dans diverses applications, de la surveillance de la sécurité aux diagnostics médicaux en passant par le contrôle de la circulation.

Après le prétraitement, la vision par ordinateur peut être utilisée pour analyser les images et identifier tout ce qui sort de l'ordinaire. Une fois l'anomalie repérée, le système peut déclencher une alerte, par exemple en demandant à un ouvrier de retirer un produit défectueux, en avertissant le personnel de sécurité d'une menace potentielle ou en informant les opérateurs de la circulation pour gérer les embouteillages.

‍

Détection d'anomalies grâce aux capacités de YOLO11

Examinons de plus près comment les modèles de vision artificielle tels que YOLO11 sont capables d'analyser les images pour détecter les anomalies. 

YOLO11 prend en charge diverses tâches de vision par ordinateur telles que la détection d'objets, la classification d'images, la segmentation d'instances, le suivi d'objets et l'estimation de la pose. Ces tâches simplifient la détection des 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 personnes non autorisées dans des zones restreintes ou des articles mal placés dans un entrepôt. De même, la segmentation des instances permet de délimiter précisément les anomalies, telles que les fissures dans les machines ou la contamination des produits comestibles.

‍

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

• Suivi d'objets: Il peut être utilisé pour surveiller les mouvements afin de détecter les menaces à la sécurité, suivre les anomalies des véhicules dans la circulation ou évaluer les mouvements des patients dans les services de santé.
  ‍
• Estimation de la pose: YOLO11 peut détecter des mouvements corporels inhabituels afin d'identifier les risques de sécurité sur le lieu de travail ou de suivre les progrès de la rééducation dans le domaine de la santé.
  ‍
• Détection des boîtes de délimitation orientées (OBB): Améliore la détection des anomalies en identifiant et en localisant avec précision les objets tournés ou inclinés, ce qui est utile pour l'analyse des images aériennes, la conduite autonome et les inspections industrielles.

Pourquoi utiliser YOLO11 ?

Parmi d'autres modèles de vision par ordinateur, les modèles YOLO d'Ultralytics se distinguent par leur rapidité et leur précision. Ultralytics YOLOv5 a simplifié le déploiement grâce à son cadre de travail basé sur PyTorch, ce qui le rend accessible à un plus grand nombre d'utilisateurs. 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 la 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 offre une précision moyenne plus élevée (mAP) sur le jeu de données COCO, ce qui permet une détection d'objets plus précise et plus efficace.

Comment entraîner YOLO11 à la détection d'anomalies ?

L'entraînement personnalisé de YOLO11 pour la détection d'anomalies est simple et direct. Avec un ensemble de données conçu pour votre application spécifique, vous pouvez affiner le modèle pour détecter les anomalies avec précision. 

Suivez ces étapes simples pour commencer :

• Préparez votre ensemble de données : Collectez des images de haute qualité comprenant à la fois des échantillons normaux et des échantillons d'anomalies. Veillez à inclure des variations d'éclairage, d'angle et de résolution pour aider le modèle à mieux s'adapter.
  ‍
• Étiquetez vos données : Marquez les anomalies à l'aide de boîtes de délimitation, de segmentations ou de points clés afin que le modèle sache ce qu'il doit rechercher. Des outils libres permettent d'accélérer et de faciliter ce processus.
  ‍
• Entraîner le modèle : Le modèle apprend sur plusieurs cycles, améliorant ainsi sa capacité à identifier les cas normaux et les anomalies en temps réel.
  ‍
• Tester et valider : Exécutez le modèle formé sur de nouvelles images inédites afin d'évaluer ses performances et de vous assurer qu'il fonctionne bien avant de le déployer.

En outre, lors de la création d'un système de détection d'anomalies, il est important de se demander si un entraînement personnalisé est réellement nécessaire. Dans certains cas, un modèle pré-entraîné peut déjà suffire. 

Par exemple, si vous développez un système de gestion du trafic et que l'anomalie que vous devez détecter concerne les piétons, le modèle YOLO11 pré-entraîné peut déjà détecter les personnes avec une grande précision. Le terme "personne" étant une catégorie bien représentée dans l'ensemble de données COCO (sur lequel il a été pré-entraîné), il n'est pas nécessaire d'effectuer un entraînement supplémentaire.

L'entraînement personnalisé devient essentiel lorsque les anomalies ou les objets que vous devez détecter ne sont pas inclus dans l'ensemble de données COCO. Si votre application nécessite l'identification de défauts rares dans la fabrication, de conditions médicales spécifiques dans les images ou d'objets uniques non couverts par les ensembles de données standard, l'entraînement d'un modèle sur des données spécifiques à un domaine garantit de meilleures performances et une plus grande précision.

Applications réelles de la détection d'anomalies par vision

La détection des anomalies est un vaste concept qui couvre de nombreuses applications dans le monde réel. Passons en revue quelques-unes d'entre elles et voyons comment la vision par ordinateur permet d'identifier les irrégularités, d'améliorer l'efficacité et la prise de décision dans différents secteurs d'activité.

Détection des anomalies dans la fabrication

La vision par ordinateur dans la fabrication permet de maintenir des normes de haute qualité en repérant les défauts, les mauvais alignements et les composants manquants sur les chaînes de production. Les modèles de vision par ordinateur peuvent signaler instantanément les produits défectueux, les empêchant ainsi d'avancer dans la chaîne et réduisant les déchets. La détection précoce de problèmes tels que les défauts des matières premières, les erreurs d'emballage ou la faiblesse des composants structurels permet d'éviter les rappels coûteux et les pertes financières.

Au-delà du contrôle de la qualité, la détection des anomalies peut également améliorer la sécurité sur le lieu de travail. Les usines sont souvent confrontées à la chaleur, à la fumée et à des émissions dangereuses, ce qui peut entraîner des risques d'incendie. Les modèles d'IA de vision peuvent détecter des modèles de fumée inhabituels, des machines en surchauffe ou même des signes précurseurs d'un incendie, ce qui permet aux fabricants de prendre des mesures avant qu'un accident ne se produise.

‍

Identifier les cas de figure dans l'automobile

L'industrie automobile peut utiliser des modèles tels que 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. Grâce à la prise en charge de la détection d'objets et de la segmentation d'instances par YOLO11, il est facile d'identifier avec précision les anomalies que les inspections manuelles pourraient négliger.

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

• Détection des anomalies du trafic: Reconnaissance des véhicules circulant à contre-courant, des sorties de voie soudaines ou de l'accès non autorisé à des zones restreintes.
  ‍
• Surveillance du comportement du conducteur: Identifier la somnolence au volant, les distractions ou la conduite erratique pour améliorer la sécurité routière.
  ‍
• Sécurité des véhicules autonomes : Détection des piétons, des cyclistes et des obstacles inattendus pour éviter les collisions.

Repérer les irrégularités dans l'électronique

L'inspection manuelle des produits électroniques peut être lente, incohérente et sujette à l'erreur humaine, ce qui signifie que les défauts des micropuces, des cartes de circuits imprimés et des connexions de soudure peuvent passer inaperçus. Même de petits défauts, comme un joint de soudure fissuré ou un composant mal aligné, peuvent entraîner des perturbations du signal, des défaillances du système ou des courts-circuits, ce qui se traduit par des appareils peu fiables.

Grâce à la détection d'anomalies de YOLO11, les fabricants peuvent automatiser ce processus et identifier rapidement des problèmes tels que 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 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.

Principaux enseignements

Alors que les industries se tournent vers la détection d'anomalies par vision artificielle, des 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 par l'IA peut améliorer la précision, accélérer les inspections et minimiser les erreurs humaines. À l'avenir, les progrès de l'IA rendront probablement la détection des anomalies plus précise. 

Rejoignez notre communauté grandissante ! Explorez notre dépôt GitHub pour en savoir plus sur l'IA. Prêt à lancer vos propres projets de vision par ordinateur ? Consultez nos options de licence. Découvrez l'IA dans l'agriculture et l'IA de vision dans les soins de santé en visitant nos pages de solutions !