Vision AI per il rilevamento di anomalie: una rapida panoramica

Una minuscola crepa nell'ala di un aereo, un'etichetta stampata male su un farmaco o un'insolita transazione finanziaria possono causare gravi problemi se non rilevati. Ogni settore affronta la sfida di cercare di individuare tempestivamente eventuali problemi rischiosi per prevenire guasti, perdite finanziarie o rischi per la sicurezza.

Nello specifico, è necessario rilevare le anomalie. L'Anomaly detection si concentra sull'identificazione di pattern che non corrispondono ai comportamenti previsti. Mira a segnalare difetti, errori o attività irregolari che altrimenti potrebbero passare inosservati. I metodi tradizionali si basano su regole fisse per trovare queste anomalie, ma spesso sono lenti e faticano a gestire variazioni complesse. È qui che la computer vision gioca un ruolo cruciale.

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

In questo articolo esploreremo come funziona il rilevamento delle anomalie basato sulla visione e in che modo Ultralytics YOLO11 può aiutarti.

La necessità del rilevamento delle anomalie#

Per quanto riguarda la computer vision, le anomalie o le irregolarità appaiono solitamente come difetti o modelli insoliti in immagini e video. Per anni, le aziende si sono affidate a ispezioni manuali o sistemi basati su regole per rilevare i difetti.

Ad esempio, nella pharmaceutical manufacturing, le anomalie nelle compresse possono includere crepe, forme errate, scolorimento o impronte mancanti, che possono compromettere qualità e sicurezza. Rilevare tempestivamente questi difetti è fondamentale per evitare che i prodotti difettosi arrivino ai consumatori. Tuttavia, i metodi di rilevamento manuale delle anomalie sono spesso lenti, incoerenti e incapaci di 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 sfide imparando da vasti datasets, migliorando continuamente la propria capacità di riconoscere i pattern nel tempo. A differenza dei metodi fissi basati su regole, i sistemi di AI possono imparare 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 nelle immagini come forma, texture e struttura, rendendo più semplice individuare le irregolarità in modo rapido e accurato.

Come la computer vision abilita il rilevamento delle anomalie#

I sistemi di rilevamento delle anomalie guidati dalla Vision AI funzionano acquisendo innanzitutto immagini o video di alta qualità tramite fotocamere, sensori o droni. Dati visivi chiari sono fondamentali, che si tratti di individuare un prodotto difettoso su una linea di produzione, rilevare una persona non autorizzata in un'area sicura o identificare movimenti insoliti in uno spazio pubblico.

Una volta raccolte, le immagini o i video vengono sottoposti a tecniche di image processing come la riduzione del rumore, il potenziamento del contrasto e la sogliatura. Queste fasi di pre-elaborazione aiutano i modelli di vision AI a concentrarsi sui dettagli importanti filtrando il rumore di fondo, migliorando la precisione in varie applicazioni, dal monitoraggio della sicurezza alla diagnostica medica e al controllo del traffico.

Dopo la pre-elaborazione, la computer vision può essere utilizzata per analizzare le immagini e identificare tutto ciò che è fuori dall'ordinario. Una volta segnalata un'anomalia, il sistema può attivare un avviso, come notificare a un lavoratore di rimuovere un prodotto difettoso, allertare il personale di sicurezza su una potenziale minaccia o informare gli operatori del traffico per gestire la congestione.

Fig 2. Esempi di difetti rilevabili tramite la vision AI.

Rilevamento delle anomalie tramite le funzionalità di Ultralytics YOLO11#

Diamo un'occhiata più da vicino a come i modelli di computer vision come Ultralytics YOLO11 siano in grado di analizzare le immagini per rilevare le anomalie.

Ultralytics YOLO11 supporta vari computer vision tasks come object detection, image classification, instance segmentation, object tracking e pose estimation. Questi task rendono più semplice il rilevamento delle anomalie in diverse applicazioni del mondo reale.

Ad esempio, l'object detection può essere utilizzata per identificare prodotti difettosi su una catena di montaggio, individui non autorizzati in aree ristrette o oggetti smarriti in un magazzino. Allo stesso modo, l'instance segmentation consente di delineare con precisione le anomalie, come crepe nei macchinari o contaminazioni nei prodotti commestibili.

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

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

• Tracciamento oggetti: può essere utilizzato per monitorare modelli di movimento per rilevare minacce alla sicurezza, tracciare anomalie dei veicoli nel traffico o valutare i movimenti dei pazienti nel settore sanitario.
• Pose estimation: Ultralytics YOLO11 può rilevare movimenti corporei insoliti per identificare pericoli per la sicurezza nei luoghi di lavoro o monitorare i progressi della riabilitazione in ambito sanitario.
• Rilevamento con bounding box orientate (OBB): migliora il rilevamento delle anomalie identificando e localizzando con precisione oggetti ruotati o angolati, rendendolo utile per l'analisi di immagini aeree, la guida autonoma e le ispezioni industriali.

Perché dovresti usare Ultralytics YOLO11?#

Tra vari altri modelli di computer vision, i Ultralytics YOLO models si distinguono per velocità e precisione. Ultralytics YOLOv5 ha semplificato il deployment con il 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 instance segmentation, object tracking e pose estimation, rendendolo più adattabile a diverse applicazioni.

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

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

L'Custom-training di Ultralytics YOLO11 per il rilevamento delle anomalie è semplice e immediato. Con un set di dati progettato per la tua specifica applicazione, puoi mettere a punto il modello per rilevare le anomalie con precisione.

Segui questi semplici passaggi per iniziare:

• Prepara il tuo dataset: Raccogli immagini di alta qualità che includano sia campioni normali che campioni di anomalie. Assicurati di includere variazioni di illuminazione, angolazioni e risoluzioni per aiutare il modello ad adattarsi meglio.
• Etichetta i tuoi dati: Segna le anomalie utilizzando bounding box, segmentazione o punti chiave in modo che il modello sappia cosa cercare. Gli strumenti open-source rendono questo processo più veloce e semplice.
• Addestra il modello: Il modello impara attraverso più cicli, migliorando la sua capacità di identificare casi normali e anomali in tempo reale.
• Testa e convalida: Esegui il modello addestrato su immagini nuove e non viste per valutarne le prestazioni e assicurarti che funzioni bene prima di distribuirlo.

Inoltre, quando si costruisce un sistema di rilevamento delle anomalie, è importante considerare se l'addestramento personalizzato sia effettivamente necessario. In alcuni casi, un modello pre-addestrato potrebbe 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 pre-addestrato Ultralytics YOLO11 è già in grado di rilevare le persone con elevata precisione. Poiché "person" è una categoria ben rappresentata nel set di dati COCO (su cui è 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 l'identificazione di difetti rari nella produzione, condizioni mediche specifiche nelle immagini o oggetti unici non coperti dai dataset standard, allora addestrare un modello su dati specifici del dominio garantisce prestazioni e precisione migliori.

Applicazioni nel mondo reale del rilevamento delle anomalie basato sulla visione#

Il rilevamento delle anomalie è un concetto ampio che copre molte applicazioni del mondo reale. Analizziamone alcune per vedere come la computer vision aiuti a identificare irregolarità, migliorare l'efficienza e migliorare il processo decisionale in diversi settori.

Rilevamento di anomalie nella produzione#

La Computer vision in manufacturing aiuta a mantenere standard di alta qualità individuando difetti, disallineamenti e componenti mancanti sulle linee di produzione. I modelli di computer vision possono segnalare istantaneamente i prodotti difettosi, impedendo loro di avanzare lungo la linea e riducendo gli sprechi. La rilevazione precoce di problemi come difetti delle materie prime, errori di imballaggio o componenti strutturali deboli aiuta a prevenire costosi richiami e perdite finanziarie.

Oltre al controllo qualità, il rilevamento delle anomalie può anche migliorare la sicurezza sul posto di lavoro. Le fabbriche hanno spesso a che fare con calore, fumo ed emissioni pericolose, che possono portare a rischi di incendio. I modelli di Vision AI possono rilevare modelli di fumo insoliti, macchinari surriscaldati o persino primi segnali di incendio, consentendo ai produttori di agire prima che si verifichino incidenti.

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

Identificazione di edge case automobilistici#

L'industria automobilistica può utilizzare modelli come Ultralytics YOLO11 per rilevare difetti in motori, sistemi frenanti e componenti della trasmissione prima che portino a guasti critici. Sfruttando il supporto di YOLO11 per il rilevamento di oggetti e la segmentazione delle istanze, è facile individuare con precisione anomalie che le ispezioni manuali potrebbero trascurare.

Ecco alcuni altri esempi di rilevamento delle anomalie nell'industria automobilistica:

• Rilevamento anomalie del traffico: riconoscimento di veicoli che viaggiano contromano, improvvisi cambi di corsia o accesso non autorizzato ad aree riservate.
• Monitoraggio del comportamento del conducente: identificazione di guida in stato di sonnolenza, comportamento distratto o sterzate irregolari per migliorare la sicurezza stradale.
• Sicurezza dei veicoli autonomi: rilevamento di pedoni, ciclisti e ostacoli imprevisti per prevenire collisioni.

Individuazione di irregolarità nell'elettronica#

L'ispezione manuale dell'elettronica può essere lenta, incoerente e soggetta a errori umani, il che significa che difetti in microchip, circuiti stampati e connessioni di saldatura possono passare inosservati. Anche piccoli difetti, come un giunto di saldatura incrinato o un componente disallineato, possono causare interruzioni del segnale, guasti del sistema o cortocircuiti, portando a dispositivi inaffidabili.

Con il rilevamento delle anomalie basato su Ultralytics YOLO11, i produttori possono automatizzare questo processo e identificare rapidamente problemi come parti disallineate, saldature difettose o guasti elettrici con una precisione notevolmente superiore rispetto ai metodi tradizionali. Ad esempio, una minuscola fessura in un giunto di saldatura che potrebbe sfuggire agli ispettori umani può essere facilmente rilevata dal rilevamento di oggetti di YOLO11.

Punti chiave#

Man mano che le industrie si rivolgono al rilevamento delle anomalie abilitato dalla 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'IA può migliorare la precisione, accelerare le ispezioni e ridurre al minimo gli errori umani. Guardando al futuro, i progressi nell'IA renderanno probabilmente il rilevamento delle anomalie più preciso.

Unisciti alla nostra crescente community! Esplora il nostro repository GitHub per saperne di più sull'IA. Pronto a iniziare i tuoi progetti di computer vision? Scopri le nostre opzioni di licenza. Scopri l'IA in agricoltura e la computer vision nella sanità visitando le nostre pagine delle soluzioni!