Vision AI per il rilevamento delle anomalie: una panoramica rapida

Una piccola crepa nell’ala di un aereo, un’etichetta stampata male su un farmaco o una transazione finanziaria insolita possono causare problemi seri se non vengono rilevati. Ogni settore deve affrontare la sfida di individuare tempestivamente eventuali problemi rischiosi per prevenire guasti, perdite finanziarie o rischi per la sicurezza.

Nello specifico, è necessario rilevare le anomalie. Il rilevamento delle anomalie si concentra sull’identificazione di schemi che non corrispondono ai comportamenti attesi. Mira a segnalare difetti, errori o attività irregolari che altrimenti potrebbero passare inosservati. I metodi tradizionali si basano su regole fisse per individuare queste anomalie, ma spesso sono lenti e hanno difficoltà a gestire variazioni complesse. È qui che la computer vision svolge un ruolo fondamentale.

Apprendendo da grandi dataset visivi, i modelli di computer vision come Ultralytics YOLO11 possono rilevare le irregolarità con maggiore precisione rispetto ai metodi tradizionali.

In questo articolo esamineremo il funzionamento del rilevamento delle anomalie basato sulla visione e vedremo come Ultralytics YOLO11 può aiutarti.

La necessità del rilevamento delle anomalie#

Nel contesto della computer vision, le anomalie o irregolarità si presentano in genere come difetti o schemi insoliti nelle immagini e nei video. Da anni, le aziende si affidano a ispezioni manuali o a sistemi basati su regole per rilevare i difetti.

Ad esempio, nella produzione farmaceutica, le anomalie nelle compresse possono includere crepe, forme non corrette, scolorimento o impronte mancanti, compromettendo potenzialmente qualità e sicurezza. Rilevare tempestivamente questi difetti è fondamentale per impedire che prodotti difettosi raggiungano i consumatori. Tuttavia, i metodi manuali di rilevamento delle anomalie sono spesso lenti, incoerenti e non riescono a gestire la complessità delle irregolarità del mondo reale.

Fig. 1. Rilevamento delle anomalie nell’industria farmaceutica.

Il rilevamento delle anomalie basato sull’AI risolve queste difficoltà apprendendo da ampi dataset e migliorando continuamente la capacità di riconoscere gli schemi nel tempo. A differenza dei metodi basati su regole fisse, i sistemi di AI possono apprendere e migliorare nel tempo.

Modelli avanzati come Ultralytics YOLO11 migliorano il rilevamento delle anomalie consentendo l’analisi delle immagini in tempo reale con elevata precisione. I sistemi di Vision AI possono analizzare dettagli delle immagini come forma, trama e struttura, rendendo più semplice individuare le irregolarità in modo rapido e preciso.

Come la computer vision consente il rilevamento delle anomalie#

I sistemi di rilevamento delle anomalie basati sulla Vision AI iniziano acquisendo immagini o video di alta qualità tramite telecamere, sensori o droni. Dati visivi chiari sono fondamentali, sia che si tratti di individuare un prodotto difettoso su una linea di produzione, rilevare una persona non autorizzata in un’area protetta o identificare movimenti insoliti in uno spazio pubblico.

Una volta raccolti, le immagini o i video vengono sottoposti a tecniche di elaborazione delle immagini come riduzione del rumore, miglioramento del contrasto e sogliatura. Queste fasi di pre-elaborazione aiutano i modelli di Vision AI a concentrarsi sui dettagli importanti filtrando il rumore di fondo e migliorando la precisione in diverse applicazioni, dal monitoraggio della sicurezza alla diagnostica medica e alla gestione del traffico.

Dopo la pre-elaborazione, la computer vision può essere utilizzata per analizzare le immagini e identificare qualsiasi elemento fuori dall’ordinario. Quando viene segnalata un’anomalia, il sistema può attivare un avviso, ad esempio notificando a un operatore di rimuovere un prodotto difettoso, avvisando il personale di sicurezza di una potenziale minaccia o informando gli operatori del traffico affinché gestiscano la congestione.

Fig. 2. Esempi di difetti rilevabili utilizzando la Vision AI.

Rilevamento delle anomalie con le funzionalità di Ultralytics YOLO11#

Vediamo più da vicino come i modelli di computer vision come Ultralytics YOLO11 riescano ad analizzare le immagini per rilevare le anomalie.

Ultralytics YOLO11 supporta diverse attività di computer vision, come il rilevamento degli oggetti, la classificazione delle immagini, la segmentazione delle istanze, il tracciamento degli oggetti e la stima della posa. Queste attività semplificano il rilevamento delle anomalie in diverse applicazioni del mondo reale.

Ad esempio, il rilevamento degli oggetti può essere utilizzato per identificare prodotti difettosi su una linea di assemblaggio, persone non autorizzate in aree soggette a restrizioni o articoli fuori posto in un magazzino. Allo stesso modo, la segmentazione delle istanze consente di delineare con precisione le anomalie, come crepe nei macchinari o contaminazioni nei prodotti alimentari.

Fig. 3. Segmentazione delle crepe con l’aiuto di Ultralytics YOLO11.

Ecco altri esempi di attività di computer vision utilizzate per il rilevamento delle anomalie:

• Tracciamento degli oggetti: può essere utilizzato per monitorare i modelli di movimento e rilevare minacce alla sicurezza, tracciare anomalie dei veicoli nel traffico o valutare i movimenti dei pazienti in ambito sanitario.
• Stima della posa: Ultralytics YOLO11 può rilevare movimenti insoliti del corpo per identificare rischi per la sicurezza sul luogo di lavoro o monitorare i progressi della riabilitazione in ambito sanitario.
• Rilevamento di bounding box orientati (OBB): migliora il rilevamento delle anomalie identificando e localizzando con precisione oggetti ruotati o inclinati, risultando utile per l’analisi di immagini aeree, la guida autonoma e le ispezioni industriali.

Perché dovresti usare Ultralytics YOLO11?#

Tra i numerosi altri modelli di computer vision, i modelli Ultralytics YOLO si distinguono per velocità e precisione. Ultralytics YOLOv5 ha semplificato la distribuzione grazie al suo framework basato su PyTorch, rendendolo accessibile a una gamma più ampia di utenti. Nel frattempo, Ultralytics YOLOv8 ha ulteriormente migliorato la flessibilità introducendo il supporto per attività come la segmentazione delle istanze, il tracciamento degli oggetti e la stima della posa, rendendolo più adattabile a diverse applicazioni.

La versione più recente, YOLO11, offre precisione e prestazioni superiori rispetto ai predecessori. Ad esempio, con il 22% di parametri in meno rispetto a YOLOv8m, YOLO11m raggiunge una media della precisione media (mAP) più elevata sul dataset COCO, consentendo un rilevamento degli oggetti più preciso ed efficiente.

Come addestrare Ultralytics YOLO11 in modo personalizzato per il rilevamento delle anomalie#

L’addestramento personalizzato di Ultralytics YOLO11 per il rilevamento delle anomalie è semplice e diretto. Con un dataset progettato per la tua applicazione specifica, puoi ottimizzare il modello per rilevare le anomalie con precisione.

Segui questi semplici passaggi per iniziare:

• Prepara il dataset: raccogli immagini di alta qualità che includano sia campioni normali sia campioni anomali. Assicurati di includere variazioni di illuminazione, angolazioni e risoluzioni per aiutare il modello ad adattarsi meglio.
• Etichetta i dati: contrassegna le anomalie utilizzando bounding box, segmentazione o punti chiave, così il modello saprà cosa cercare. Gli strumenti open source rendono questo processo più rapido e semplice.
• Addestra il modello: il modello apprende attraverso più cicli, migliorando la capacità di identificare casi normali e anomali in tempo reale.
• Testa e convalida: esegui il modello addestrato su immagini nuove e non viste in precedenza per valutarne le prestazioni e assicurarti che funzioni correttamente prima della distribuzione.

Inoltre, quando sviluppi un sistema di rilevamento delle anomalie, è importante valutare se l’addestramento personalizzato sia effettivamente necessario. In alcuni casi, un modello pre-addestrato può essere già sufficiente.

Ad esempio, se stai sviluppando un sistema di gestione del traffico e l’anomalia che devi rilevare sono i pedoni che attraversano fuori dalle strisce, il modello Ultralytics YOLO11 pre-addestrato è già in grado di rilevare le persone con elevata precisione. Poiché la categoria "person" è ben rappresentata nel dataset COCO (sul quale è stato pre-addestrato), non è necessario alcun addestramento aggiuntivo.

L’addestramento personalizzato diventa essenziale quando le anomalie o gli oggetti che devi rilevare non sono inclusi nel dataset COCO. Se la tua applicazione richiede di identificare difetti rari nella produzione, condizioni mediche specifiche nelle immagini o oggetti unici non presenti nei dataset standard, addestrare un modello con dati specifici del dominio garantisce prestazioni e precisione migliori.

Applicazioni reali del rilevamento delle anomalie basato sulla visione#

Il rilevamento delle anomalie è un concetto ampio che comprende molte applicazioni del mondo reale. Esaminiamone alcune per vedere come la computer vision aiuti a identificare le irregolarità, migliorare l’efficienza e rendere più efficaci i processi decisionali in diversi settori.

Rilevamento delle anomalie nella produzione#

La computer vision nella produzione contribuisce a mantenere standard qualitativi elevati individuando difetti, disallineamenti e componenti mancanti sulle linee di produzione. I modelli di computer vision possono segnalare istantaneamente i prodotti difettosi, impedendo che proseguano lungo la linea e riducendo gli sprechi. Il rilevamento tempestivo di problemi come difetti delle materie prime, errori di confezionamento o componenti strutturali fragili aiuta a prevenire costosi richiami e perdite finanziarie.

Oltre al controllo qualità, il rilevamento delle anomalie può migliorare anche la sicurezza sul luogo di lavoro. Le fabbriche devono spesso gestire calore, fumo ed emissioni pericolose, che possono causare incendi. I modelli di Vision AI possono rilevare schemi di fumo insoliti, macchinari surriscaldati o persino i primi segnali di un incendio, consentendo ai produttori di intervenire prima che si verifichino incidenti.

Fig. 4. Computer vision utilizzata per rilevare incendi e fumo.

Identificazione dei casi limite nel settore automobilistico#

Il settore automobilistico può utilizzare modelli come Ultralytics YOLO11 per rilevare guasti nei motori, nei sistemi frenanti e nei componenti della trasmissione prima che causino guasti critici. Grazie al supporto di YOLO11 per il rilevamento degli oggetti e la segmentazione delle istanze, è facile identificare con precisione le anomalie che le ispezioni manuali potrebbero non rilevare.

Ecco altri esempi di rilevamento delle anomalie nel settore automobilistico:

• Rilevamento delle anomalie nel traffico: riconoscimento di veicoli che procedono contromano, improvvisi cambi di corsia o accessi non autorizzati ad aree soggette a restrizioni.
• Monitoraggio del comportamento del conducente: identificazione della guida in stato di sonnolenza, della distrazione o di manovre irregolari per migliorare la sicurezza stradale.
• Sicurezza dei veicoli autonomi: rilevamento di pedoni, ciclisti e ostacoli imprevisti per prevenire le collisioni.

Individuazione delle irregolarità nell’elettronica#

Ispezionare manualmente i componenti elettronici può essere lento, incoerente e soggetto a errori umani; di conseguenza, i difetti nei microchip, nelle schede elettroniche e nelle connessioni saldate possono passare inosservati. Anche piccoli difetti, come una giunzione di saldatura crepata o un componente disallineato, possono causare interruzioni del segnale, guasti del sistema o cortocircuiti, portando a dispositivi inaffidabili.

Grazie al rilevamento delle anomalie basato su Ultralytics YOLO11, i produttori possono automatizzare questo processo e identificare rapidamente problemi come componenti disallineati, saldature difettose o guasti elettrici con una precisione molto maggiore rispetto ai metodi tradizionali. Ad esempio, una piccola fessura in una giunzione di saldatura che potrebbe sfuggire agli ispettori umani può essere facilmente rilevata dal rilevamento degli oggetti di YOLO11.

Punti chiave#

Mentre i settori adottano il rilevamento delle anomalie basato sulla computer vision, modelli come Ultralytics YOLO11 stanno diventando essenziali per mantenere la qualità, migliorare la sicurezza e ridurre i rischi operativi.

Dalla produzione all’agricoltura, il rilevamento delle anomalie basato sull’AI può migliorare la precisione, accelerare le ispezioni e ridurre al minimo gli errori umani. In prospettiva, i progressi nell’AI probabilmente renderanno il rilevamento delle anomalie ancora più preciso.

Unisciti alla nostra community in crescita! Esplora il nostro repository GitHub per saperne di più sull'IA. Vuoi iniziare i tuoi progetti di computer vision? Dai un'occhiata alle nostre opzioni di licenza. Scopri l'IA in agricoltura e la computer vision nell'assistenza sanitaria visitando le nostre pagine dedicate alle soluzioni!