19 febbraio 2025
Scoprite come la visione computerizzata consente un rilevamento preciso delle anomalie in vari settori. Scoprite come addestrare modelli personalizzati come Ultralytics YOLO11 per il rilevamento delle anomalie.
Una piccola crepa nell'ala di un aereo, un'etichetta sbagliata su un farmaco o un'insolita transazione finanziaria possono causare seri problemi se non vengono individuati. Ogni settore si trova ad affrontare la sfida di cercare di individuare tempestivamente qualsiasi problema rischioso per evitare fallimenti, perdite finanziarie o rischi per la sicurezza.
In particolare, è necessario rilevare le anomalie. Il rilevamento delle anomalie si concentra sull'identificazione di modelli che non corrispondono ai comportamenti previsti. L'obiettivo è 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 hanno difficoltà con le variazioni complesse. È qui che la computer vision svolge un ruolo cruciale.
Apprendendo da grandi insiemi di dati visivi, i modelli di visione artificiale come Ultralytics YOLO11 sono in grado di rilevare le irregolarità con maggiore precisione rispetto ai metodi tradizionali.
In questo articolo analizzeremo come funziona il rilevamento delle anomalie basato sulla visione e come YOLO11 può aiutarci.
Per quanto riguarda la computer vision, le anomalie o le irregolarità appaiono tipicamente come difetti o schemi insoliti nelle immagini e nei video. Per anni, le aziende si sono affidate 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 errate, scolorimento o impronte mancanti, che possono compromettere la qualità e la sicurezza. Rilevare tempestivamente questi difetti è fondamentale per evitare che i prodotti difettosi raggiungano i consumatori. Tuttavia, i metodi di rilevamento manuale delle anomalie sono spesso lenti, incoerenti e non riescono a gestire la complessità delle irregolarità del mondo reale.
Il rilevamento delle anomalie basato sull'IA risolve queste sfide imparando da vasti set di dati, migliorando continuamente la propria capacità di riconoscere gli schemi nel corso del tempo. A differenza dei metodi basati su regole fisse, i sistemi di intelligenza artificiale possono imparare e migliorare nel tempo.
Modelli avanzati come YOLO11 migliorano il rilevamento delle anomalie consentendo l'analisi delle immagini in tempo reale e con elevata precisione. I sistemi di intelligenza artificiale sono in grado di analizzare i dettagli delle immagini, come la forma, la consistenza e la struttura, facilitando l'individuazione di irregolarità in modo rapido e preciso.
I sistemi di rilevamento delle anomalie guidati da Vision AI funzionano acquisendo innanzitutto immagini o video di alta qualità tramite telecamere, sensori o droni. La chiarezza dei dati visivi è fondamentale, sia che si tratti di individuare un prodotto difettoso su una linea di produzione, sia che si tratti di rilevare una persona non autorizzata in un'area protetta o di identificare un movimento insolito in uno spazio pubblico.
Una volta raccolte, le immagini o i video vengono sottoposti a tecniche di elaborazione delle immagini come la riduzione del rumore, il miglioramento del contrasto e la sogliatura. Queste fasi di pre-elaborazione aiutano i modelli Vision AI a concentrarsi sui dettagli importanti e a filtrare il rumore di fondo, migliorando la precisione in diverse 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 qualsiasi anomalia. Una volta segnalata un'anomalia, il sistema può attivare un allarme, come ad esempio avvisare un lavoratore di rimuovere un prodotto difettoso, avvisare il personale di sicurezza di una potenziale minaccia o informare gli operatori del traffico per gestire la congestione.
Vediamo più da vicino come i modelli di computer vision come YOLO11 sono in grado di analizzare le immagini per rilevare le anomalie.
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. Questi compiti semplificano il rilevamento delle anomalie in diverse applicazioni del mondo reale.
Ad esempio, il rilevamento di oggetti può essere utilizzato per identificare prodotti difettosi in una catena di montaggio, persone non autorizzate in aree riservate o articoli fuori posto in un magazzino. Analogamente, la segmentazione delle istanze consente di delineare con precisione le anomalie, come le crepe nei macchinari o la contaminazione nei prodotti commestibili.
Ecco alcuni altri esempi di attività di computer vision utilizzate per il rilevamento delle anomalie:
Tra i vari modelli di computer vision, i modelli Ultralytics YOLO si distinguono per la loro velocità e precisione. Ultralytics YOLOv5 ha semplificato la distribuzione grazie al suo framework basato su PyTorch, rendendolo accessibile a una più ampia gamma di utenti. Nel frattempo, Ultralytics YOLOv8 ha ulteriormente migliorato la flessibilità introducendo il supporto per compiti quali la segmentazione di istanze, il tracciamento di oggetti e la stima della posa, 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 precisione media superiore (mAP) sul set di dati COCO, consentendo un rilevamento più preciso ed efficiente degli oggetti.
L'addestramento personalizzato di YOLO11 per il rilevamento delle anomalie è semplice e diretto. Con un set di dati progettato per la vostra specifica applicazione, potete mettere a punto il modello per rilevare le anomalie in modo accurato.
Seguite questi semplici passi per iniziare:
Inoltre, quando si costruisce un sistema di rilevamento delle anomalie, è importante considerare se la formazione personalizzata è effettivamente necessaria. In alcuni casi, un modello pre-addestrato potrebbe essere già sufficiente.
Ad esempio, se si sta sviluppando un sistema di gestione del traffico e l'anomalia da rilevare è quella delle persone che camminano sulle strisce pedonali, il modello YOLO11 pre-addestrato è già in grado di rilevare le persone con un'elevata precisione. Poiché "persona" è una categoria ben rappresentata nel set di dati COCO (su cui è pre-addestrato), non è necessario un ulteriore addestramento.
L'addestramento personalizzato diventa essenziale quando le anomalie o gli oggetti da rilevare non sono inclusi nel set di dati COCO. Se l'applicazione richiede l'identificazione di difetti rari nella produzione, di condizioni mediche specifiche nelle immagini o di oggetti unici non coperti dai set di dati standard, l'addestramento di un modello su dati specifici del dominio garantisce prestazioni e accuratezza migliori.
Il rilevamento delle anomalie è un concetto ampio che copre molte applicazioni reali. Vediamo alcune di queste e come la computer vision aiuta a identificare le irregolarità, a migliorare l'efficienza e a migliorare il processo decisionale in diversi settori.
La visione computerizzata nella produzione aiuta a mantenere standard di alta qualità individuando difetti, disallineamenti e componenti mancanti sulle linee di produzione. I modelli di visione computerizzata possono segnalare istantaneamente i prodotti difettosi, impedendo loro di avanzare lungo la linea e riducendo gli sprechi. L'individuazione precoce di problemi come difetti delle materie prime, errori di confezionamento o componenti strutturali deboli aiuta a prevenire costosi richiami e perdite finanziarie.
Oltre al controllo della 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 Vision AI possono rilevare modelli di fumo insoliti, macchinari surriscaldati o persino i primi segni di un incendio, consentendo ai produttori di intervenire prima che si verifichino incidenti.
L'industria automobilistica può utilizzare modelli come YOLO11 per rilevare i guasti nei motori, nei sistemi frenanti e nei componenti della trasmissione prima che questi portino a 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 trascurare.
Ecco alcuni altri esempi di rilevamento delle anomalie nel settore automobilistico:
L'ispezione manuale dei componenti elettronici può essere lenta, incoerente e soggetta a errori umani, il che significa che i difetti nei microchip, nei circuiti e nelle 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 al sistema o cortocircuiti, portando a dispositivi inaffidabili.
Con il rilevamento delle anomalie alimentato da YOLO11, i produttori possono automatizzare questo processo e identificare rapidamente problemi come parti disallineate, saldature difettose o guasti elettrici con una precisione di gran lunga superiore rispetto ai metodi tradizionali. Ad esempio, una minuscola fessura in un giunto di saldatura che potrebbe sfuggire agli ispettori umani può essere facilmente individuata dal rilevamento di oggetti di YOLO11.
Man mano che le industrie si rivolgono al rilevamento delle anomalie basato sulla computer vision, modelli come YOLO11 stanno diventando essenziali per mantenere la qualità, migliorare la sicurezza e ridurre i rischi operativi.
Dal settore manifatturiero a quello agricolo, il rilevamento delle anomalie guidato dall'IA può migliorare l'accuratezza, accelerare le ispezioni e ridurre al minimo gli errori umani. In prospettiva, i progressi dell'IA renderanno probabilmente più preciso il rilevamento delle anomalie.
Unisciti alla nostra comunità in crescita! Esplorate il nostro repository GitHub per saperne di più sull'intelligenza artificiale. Siete pronti ad avviare i vostri progetti di computer vision? Scoprite le nostre opzioni di licenza. Scoprite l'IA in agricoltura e l'IA di visione nella sanità visitando le nostre pagine dedicate alle soluzioni!
.webp)