Détection d'anomalies

La détection d'anomalies est une capacité essentielle de l'intelligence l 'intelligence artificielle, qui consiste à d'identifier les points de données, les événements ou les observations qui s'écartent de manière significative de la majorité de l'ensemble de données. Ces déviants, communément appelés "outliers", indiquent souvent des incidents critiques tels que des défauts structurels, des conditions médicales ou des failles de sécurité, des défauts structurels, des conditions médicales ou des failles de sécurité. Dans le contexte spécifique de la vision par ordinateur, les algorithmes de détection d'anomalies analysent les données visuelles pour repérer les modèles irréguliers qui ne se conforment pas à une représentation apprise d'un comportement ou d'une apparence "normale", filtrant ainsi efficacement le bruit. comportement ou de l'apparence "normale", filtrant ainsi efficacement le bruit des signaux significatifs.

Mécanismes et approches de base

La mise en œuvre de la détection d'anomalies s'appuie généralement sur l'analyse statistique et les techniques d'apprentissage profond. En fonction de la la disponibilité de données d'entraînement étiquetées, l'approche peut être classée en trois catégories principales :

• Apprentissage supervisé: Cette méthode utilise un ensemble de données entièrement étiquetées contenant à la fois des exemples normaux et anormaux. Le modèle est entraîné pour effectuer une classification binaire ou multi-classes. Bien qu'efficace, cette approche nécessite un volume important d'exemples d'anomalies connues, qui peuvent être rares dans la réalité. d'exemples d'anomalies connues, qui peuvent être rares dans les scénarios du monde réel.
• Apprentissage non supervisé: Fonctionnant sans données étiquetées, cette technique suppose que les anomalies sont rares et distinctes. Des algorithmes tels que K-means clustering ou DBSCAN regroupent les points de données similaires, laissant les points isolés être classés comme aberrants.
• Apprentissage semi-supervisé: Il s'agit d'une approche populaire dans le domaine de l'inspection visuelle, où le système est système est formé exclusivement sur des données normales. Pendant l'inférence, toute entrée qui produit une erreur de reconstruction élevée - souvent calculée à l'aide d'un autoencodeur - est signalée comme étant une erreur de reconstruction. souvent calculée à l'aide d'un autoencodeur - estsignalée comme une anomalie.

Détection d'anomalies vs. Détection d'objets

Bien que les deux techniques soient utilisées pour analyser les images, il est important de distinguer la détection d'anomalies de la détection d'objets. détection d'objets.

• La détection d'objets se concentre sur la localisation et la classification d'instances de catégories connues (par exemple, les voitures, les piétons) à l'aide de boîtes de délimitation définies, voitures, piétons) à l'aide de boîtes de délimitation définies. Le modèle Le modèle doit avoir vu des exemples de ces objets spécifiques au cours de la formation.
• La détection des anomalies est souvent ouverte, ce qui signifie qu'elle recherche des écarts inconnus. Par exemple, un système de surveillance d'une bande transporteuse peut être formé à des produits parfaits. Par exemple, un système de surveillance d'une bande transporteuse peut être formé sur des produits parfaits et doit signaler toute rayure, bosse ou décoloration sans savoir explicitement à l'avance à quoi ressemblent ces défauts, ou décoloration sans savoir explicitement à quoi ressemblent ces défauts au préalable. Cependant, des modèles robustes tels que Ultralytics YOLO11 peuvent être adaptés à la détection supervisée d'anomalies en traitant les défauts spécifiques comme des classes distinctes.

Applications concrètes

La capacité à repérer automatiquement les irrégularités rend cette technologie indispensable dans divers secteurs.

• Contrôle de la qualité industrielle: A l'ère de la fabrication intelligente, l'inspection visuelle automatisée fabrication intelligente, des systèmes d'inspection visuelle d'inspection visuelle automatisés surveillent les lignes d'assemblage pour detect défauts des produits. L'identification précoce des défauts permet de réduire le gaspillage et de s'assurer que seuls des produits de haute qualité parviennent au consommateur. que seuls des produits de haute qualité parviennent au consommateur, comme l'explique notre guide sur l'IA dans l'industrie manufacturière. L 'IA dans la fabrication.
• Sécurité financière: Les banques utilisent la détection statistique des anomalies pour identifier les activités frauduleuses. En en établissant une base de référence du comportement typique des utilisateurs, les systèmes peuvent déclencher des alertes en cas de transactions inhabituelles, un processus souvent cité dans le cadre de la lutte contre le blanchiment d'argent et le financement du terrorisme. souvent cité dans recherche sur la détection des fraudes financières.
• Diagnostic médical: Dans le domaine de la santé, les algorithmes analysent l'imagerie médicale pour mettre en évidence pathologies potentielles. Par exemple, la détection de tumeurs dans les IRM qui s'écartent des modèles de tissus sains aide les radiologues à poser des diagnostics plus rapides, ce qui constitue un avantage clé. radiologues à poser des diagnostics plus rapides, un avantage clé de l'IA dans le secteur de la santé. L'IA dans les soins de santé.
• Sécurité des réseaux: Les outils de cybersécurité surveillent le trafic réseau à la recherche de pics ou de signatures de paquets inhabituelles qui pourraient indiquer une cyberattaque. de paquets inhabituels qui pourraient indiquer une cyberattaque, aidant ainsi les organisations à se conformer aux lignes directrices de l'Agence pour la cybersécurité et la sécurité des infrastructures (CISA). Cybersecurity and Infrastructure Security Agency (CISA).

Mise en œuvre de la détection des défauts avec YOLO11

Une façon pratique de mettre en œuvre une forme supervisée de détection d'anomalies consiste à entraîner un modèle de vision à reconnaître des classes de défauts spécifiques. des classes de défauts spécifiques. L'exemple suivant montre comment charger un modèle formé sur mesure et d'exécuter l'inférence pour identifier les anomalies étiquetées comme des objets.

from ultralytics import YOLO

# Load a YOLO11 model trained to detect specific defects (e.g., scratches)
model = YOLO("yolo11n.pt")  # Replace with your custom trained weights

# Perform inference on a new image to check for anomalies
results = model.predict("path/to/product_image.jpg", conf=0.25)

# Display the results to visualize identified defects
for result in results:
    result.show()  # Renders the image with bounding boxes around defects

Outils et frameworks

Le développement de ces systèmes nécessite des écosystèmes logiciels robustes.

• Bibliothèques: bibliothèques de base comme PyTorch et TensorFlow fournissent les éléments de base des architectures d'apprentissage profond.
• Traitement des données: Pour les données non visuelles, le module de détection des valeurs aberrantes de Scikit-learn outlier detection module propose des algorithmes standards comme Isolation Forest.
• Des solutions de bout en bout: La prochaine plateforme Ultralytics Platform est conçue pour rationaliser l'ensemble du flux de travail, de l'annotation des données à l'entraînement et au déploiement des modèles. de l'annotation des données à l'entraînement et au déploiement des modèles, facilitant la création de systèmes de vision spécialisés pour la détection d'anomalies dans des environnements en temps réel.