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. Il rilevamento delle anomalie si concentra sull'identificazione di modelli 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 sono spesso lenti e hanno difficoltà con 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 come YOLO11 può essere d'aiuto.

Link to this sectionLa 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 produzione farmaceutica, le anomalie nelle compresse possono includere crepe, forme errate, scolorimento o impronte mancanti, che possono compromettere qualità e sicurezza. Rilevare precocemente questi difetti è fondamentale per evitare che prodotti difettosi raggiungano i consumatori. Tuttavia, i metodi manuali di rilevamento delle anomalie sono spesso lenti, incoerenti e non sono in grado di gestire la complessità delle irregolarità del mondo reale.

Fig 1. Rilevamento delle anomalie nell'industria farmaceutica.

Il rilevamento delle anomalie basato sull'IA risolve queste sfide imparando da vasti dataset, migliorando continuamente la propria capacità di riconoscere i modelli nel tempo. A differenza dei metodi basati su regole fisse, i sistemi di IA possono imparare e migliorare nel tempo.

Modelli avanzati come 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, consistenza e struttura, rendendo più facile individuare le irregolarità in modo rapido e accurato.

Link to this sectionCome 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 elaborazione delle immagini come riduzione del rumore, miglioramento del contrasto e soglia. Questi passaggi di pre-elaborazione aiutano i modelli di Vision AI a concentrarsi su 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 che possono essere rilevati utilizzando la Vision AI.

Link to this sectionRilevamento delle anomalie utilizzando le funzionalità di YOLO11#

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

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

Ad esempio, il rilevamento oggetti può essere utilizzato per identificare prodotti difettosi su una catena di montaggio, individui non autorizzati in aree riservate o oggetti smarriti in un magazzino. Allo stesso modo, la segmentazione di istanze rende possibile delineare con precisione le anomalie, come crepe nei macchinari o contaminazioni in prodotti commestibili.

Fig 3. Segmentazione delle crepe con l'aiuto di 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.
• Stima della posa: YOLO11 può rilevare movimenti corporei insoliti per identificare rischi per la sicurezza sul posto di lavoro o monitorare i progressi della riabilitazione nel settore 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.

Link to this sectionPerché dovresti usare YOLO11?#

Tra i vari altri modelli di computer vision, i modelli Ultralytics YOLO si distinguono per velocità e precisione. Ultralytics YOLOv5 ha semplificato l'implementazione 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 segmentazione di istanze, tracciamento oggetti e 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 media di precisione media (mAP) più elevata sul dataset COCO, consentendo un rilevamento oggetti più preciso ed efficiente.

Link to this sectionCome addestrare in modo personalizzato YOLO11 per il rilevamento delle anomalie#

L'addestramento personalizzato di YOLO11 per il rilevamento delle anomalie è semplice e diretto. Con un dataset progettato per la tua applicazione specifica, 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 è l'attraversamento pedonale irregolare, il modello YOLO11 pre-addestrato è già in grado di rilevare le persone con elevata precisione. Poiché "persona" è una categoria ben rappresentata nel dataset 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.

Link to this sectionApplicazioni 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.

Link to this sectionRilevamento di anomalie nella produzione#

La computer vision nella produzione aiuta a mantenere elevati standard di qualità individuando difetti, disallineamenti e componenti mancanti sulle linee di produzione. I modelli di computer vision possono segnalare istantaneamente prodotti difettosi, impedendo loro di proseguire lungo la linea e riducendo gli sprechi. Il rilevamento 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.

Link to this sectionIdentificazione di edge case automobilistici#

L'industria automobilistica può utilizzare modelli come YOLO11 per rilevare guasti in motori, sistemi frenanti e componenti della trasmissione prima che portino a guasti critici. Utilizzando il supporto di YOLO11 per il rilevamento oggetti e la segmentazione di istanze, è facile identificare 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.

Link to this sectionIndividuazione 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 YOLO11, i produttori possono automatizzare questo processo e identificare rapidamente problemi come parti disallineate, saldature difettose o guasti elettrici con una precisione molto maggiore 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 oggetti di YOLO11.

Link to this sectionPunti chiave#

Mentre i settori si rivolgono al rilevamento delle anomalie abilitato dalla computer vision, modelli come 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 community in crescita! Esplora il nostro repository GitHub per saperne di più sull'AI. Sei pronto a iniziare i tuoi progetti di computer vision? Dai un'occhiata alle nostre opzioni di licenza. Scopri l'AI in agricoltura e la vision AI nell'assistenza sanitaria visitando le nostre pagine dedicate alle soluzioni!