En cliquant sur « Accepter tous les cookies », vous acceptez le stockage de cookies sur votre appareil pour améliorer la navigation sur le site, analyser son utilisation et contribuer à nos efforts de marketing. Plus d’infos
Paramètres des cookies
En cliquant sur « Accepter tous les cookies », vous acceptez le stockage de cookies sur votre appareil pour améliorer la navigation sur le site, analyser son utilisation et contribuer à nos efforts de marketing. Plus d’infos
Découvrez comment la vision par ordinateur permet une détection précise des anomalies dans divers secteurs. Apprenez à former des modèles personnalisés comme Ultralytics YOLO11 pour la détection d'anomalies.
Une minuscule fissure dans une aile d'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 est confronté au défi d'essayer de repérer tout problème risqué à un stade précoce afin de prévenir les défaillances, les pertes financières ou les risques pour la sécurité.
Plus précisément, les anomalies doivent être détectées. La détection d'anomalies est axée sur l'identification des schémas qui ne correspondent pas aux comportements attendus. Elle vise à signaler les défauts, les erreurs ou les activités irrégulières qui pourraient autrement passer inaperçues. Les méthodes traditionnelles reposent sur des règles fixes pour trouver ces anomalies, mais elles sont souvent lentes et ont du mal avec les 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 par ordinateur tels que Ultralytics YOLO11 peuvent detect 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 la détection d'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 detect 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. La détection précoce de ces défauts est essentielle pour empêcher les produits défectueux d'atteindre 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.
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 ensembles de données, améliorant continuellement leur capacité à reconnaître les schémas au fil du temps. Contrairement aux méthodes fixes basées sur des règles, les systèmes d'IA peuvent apprendre et s'améliorer avec le 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 par ordinateur permet-elle la détection d'anomalies ?
Les systèmes de détection d'anomalies basés sur la Vision IA 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 la seuillage. Ces étapes de prétraitement aident les modèles de Vision IA 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 la sécurité aux diagnostics médicaux et au contrôle 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. Une fois qu'une anomalie est signalée, le système peut déclencher une alerte, comme notifier un travailleur pour qu'il retire un produit défectueux, alerter le personnel de sécurité d'une menace potentielle ou informer les opérateurs de la circulation pour qu'ils gèrent la congestion.
Fig 2. Exemples de défauts pouvant être détectés à l'aide de la Vision IA.
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 detect 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 les produits défectueux sur une chaîne de montage, les personnes non autorisées dans les zones réglementées ou les articles mal placés dans un entrepôt. De même, la segmentation d'instance permet de délimiter précisément les anomalies, telles que les fissures dans les machines ou la contamination dans les produits comestibles.
Fig. 3. Segmentation des fissures à l'aide de YOLO11.
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 detect menaces à la sécurité, track anomalies des véhicules dans la circulation ou évaluer les mouvements des patients dans les services de santé.
Estimation de la pose: YOLO11 peut detect mouvements corporels inhabituels afin d'identifier les risques de sécurité sur le lieu de travail ou de track progrès de la rééducation dans le domaine de la santé.
Détection de boîtes englobantes orientées (OBB) : Améliore la détection d'anomalies en identifiant et en localisant avec précision les objets pivotés ou inclinés, ce qui la rend utile pour l'analyse d'imagerie aérienne, la conduite autonome et les inspections industrielles.
Pourquoi utiliser YOLO11?
Parmi d'autres modèles de vision par ordinateur, les modèlesYOLO d'Ultralytics se distinguent par leur rapidité et leur précision. Ultralytics YOLOv5 a simplifié le déploiement grâce à son cadre de travail PyTorch, ce qui le rend accessible à un plus grand nombre d'utilisateurs. En attendant, 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 élevéemAP 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 detect anomalies avec précision.
Suivez ces étapes simples pour commencer :
Préparez votre jeu de données : Collectez des images de haute qualité qui incluent à la fois des échantillons normaux et des anomalies. Assurez-vous d'inclure des variations d'éclairage, d'angles et de résolutions pour aider le modèle à mieux s'adapter.
Étiquetez vos données : Marquez les anomalies à l'aide de boîtes englobantes, de segmentation ou de points clés afin que le modèle sache ce qu'il doit rechercher. Les outils open source rendent ce processus plus rapide et plus facile.
Entraîner le modèle : Le modèle apprend au cours de plusieurs cycles, améliorant ainsi sa capacité à identifier les cas normaux et les anomalies en temps réel.
Tester et valider : Exécutez le modèle entraîné sur de nouvelles images inédites pour évaluer ses performances et vous assurer qu'il fonctionne bien avant de le déployer.
De plus, lors de la construction d'un système de détection d'anomalies, il est important de déterminer si un entraînement personnalisé est réellement nécessaire. Dans certains cas, un modèle pré-entraîné peut déjà être suffisant.
Par exemple, si vous développez un système de gestion du trafic et que l'anomalie que vous devez detect concerne les piétons, le modèle YOLO11 pré-entraîné peut déjà detect 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 detect 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 concrètes de la détection d'anomalies basée sur la vision
La détection d'anomalies est un concept large qui couvre de nombreuses applications concrètes. Examinons quelques-unes d'entre elles et voyons comment la vision par ordinateur aide à identifier les irrégularités, à améliorer l'efficacité et à renforcer la prise de décision dans différents secteurs.
Détection d'anomalies dans la fabrication
La vision par ordinateur dans la fabrication contribue 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 empêchant de progresser sur la chaîne et réduisant ainsi le gaspillage. La détection précoce de problèmes tels que les défauts de matières premières, les erreurs d'emballage ou la faiblesse des composants structurels permet d'éviter des rappels coûteux et des 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 detect 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.
Fig. 4. La vision par ordinateur est utilisée pour detect incendies et la fumée.
Identification des cas limites automobiles
L'industrie automobile peut utiliser des modèles tels que YOLO11 pour detect 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 d'anomalies de trafic : Reconnaissance des véhicules circulant à contre-sens, des départs de voie soudains ou des accès non autorisés aux zones réglementées.
Surveillance du comportement du conducteur : Identification de la somnolence au volant, du comportement distrait ou de la direction erratique afin d'améliorer la sécurité routière.
Sécurité des véhicules autonomes : Détection des piétons, des cyclistes et des obstacles imprévus afin de prévenir les collisions.
Repérage des irrégularités dans l'électronique
L'inspection manuelle des appareils électroniques peut être lente, incohérente et sujette à des erreurs humaines, ce qui signifie que des défauts dans les micropuces, les cartes de 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 provoquer des perturbations du signal, des défaillances du système ou des courts-circuits, ce qui entraîne 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 points à retenir
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 basée sur 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 d'anomalies plus précise.
