Vision AI per il rilevamento delle anomalie: panoramica rapida

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

In particolare, è necessario rilevare le anomalie. Il rilevamento delle anomalie si concentra sull’individuazione di schemi 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 faticano a gestire variazioni complesse. È qui che la visione artificiale svolge un ruolo fondamentale.

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

In questo articolo vedremo come funziona il rilevamento delle anomalie basato sulla visione e in che modo Ultralytics YOLO11 può essere d’aiuto.

La necessità di rilevare le anomalie#

Nell’ambito della visione artificiale, le anomalie o irregolarità si presentano in genere come difetti o schemi insoliti in immagini e 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, alterazioni del colore o impronte mancanti, compromettendo potenzialmente la qualità e la 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 e incoerenti e non riescono a gestire la complessità delle irregolarità del mondo reale.

Fig. 1. Rilevamento delle anomalie nel settore farmaceutico.

Il rilevamento delle anomalie basato sull'AI affronta queste sfide apprendendo schemi da dataset di grandi dimensioni. A differenza dei metodi fissi basati su regole, i sistemi di AI possono essere riaddestrati e migliorati man mano che arrivano nuovi dati.

Modelli avanzati come Ultralytics YOLO11 migliorano il rilevamento delle anomalie, consentendo l’analisi delle immagini in tempo reale con elevata precisione. I sistemi di IA visiva possono analizzare dettagli delle immagini come forma, texture e struttura, semplificando l’individuazione rapida e precisa delle irregolarità.

Come la visione artificiale consente di rilevare le anomalie#

I sistemi di rilevamento delle anomalie basati sull’IA visiva iniziano acquisendo immagini o video di alta qualità tramite telecamere, sensori o droni. Dati visivi nitidi sono fondamentali, 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 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 preelaborazione aiutano i modelli di IA visiva a concentrarsi sui dettagli importanti, filtrando il rumore di fondo e migliorando la precisione in varie applicazioni, dal monitoraggio della sicurezza alla diagnostica medica e al controllo del traffico.

Dopo la preelaborazione, la visione artificiale può essere utilizzata per analizzare le immagini e individuare tutto ciò che è insolito. Una volta segnalata un’anomalia, il sistema può attivare un avviso, ad esempio chiedendo a un addetto 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 con l’IA visiva.

Rilevamento delle anomalie con le funzionalità di Ultralytics YOLO11#

Vediamo più da vicino come i modelli di visione artificiale, come Ultralytics YOLO11, riescono ad analizzare le immagini per rilevare le anomalie.

Ultralytics YOLO11 supporta vari task di visione artificiale, come il rilevamento di oggetti, la classificazione delle immagini, la segmentazione delle istanze, il tracciamento degli oggetti e la stima della posa. Questi task semplificano il rilevamento delle anomalie in diverse applicazioni del mondo reale.

Ad esempio, il rilevamento di oggetti può essere utilizzato per individuare prodotti difettosi su una linea di assemblaggio, persone non autorizzate in aree riservate o articoli fuori posto in un magazzino. Analogamente, la segmentazione delle istanze permette di delineare con precisione le anomalie, come crepe nei macchinari o contaminazioni nei prodotti alimentari.

Fig. 3. Segmentazione delle crepe con Ultralytics YOLO11.

Ecco altri esempi di task di visione artificiale utilizzati per rilevare le anomalie:

• Tracciamento degli oggetti: può essere usato per monitorare i movimenti e rilevare minacce alla sicurezza, seguire 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 individuare rischi per la sicurezza sul lavoro o monitorare i progressi della riabilitazione in ambito sanitario.
• Rilevamento di riquadri di delimitazione orientati (OBB): migliora il rilevamento delle anomalie identificando e localizzando con precisione oggetti ruotati o inclinati, risultando utile nell'analisi di immagini aeree, nella guida autonoma e nelle ispezioni industriali.

Perché usare Ultralytics YOLO11?#

Tra i vari modelli di visione artificiale, gli Ultralytics YOLO models si distinguono per 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 task come la segmentazione delle istanze, il tracciamento degli oggetti e la stima della posa, adattandosi così meglio a diverse applicazioni.

YOLO11, la versione più recente al momento della stesura (a cui è succeduto Ultralytics YOLO26), offre maggiore precisione e prestazioni rispetto ai suoi predecessori. Ad esempio, YOLO11m ottiene una precisione media media (mAP) superiore sul dataset COCO con il 22% di parametri in meno rispetto a YOLOv8m, consentendo un rilevamento degli oggetti più preciso ed efficiente.

Come addestrare su misura Ultralytics YOLO11 per il rilevamento delle anomalie#

L'addestramento personalizzato di Ultralytics YOLO11 per il rilevamento delle anomalie è semplice. Con un dataset progettato per la tua applicazione specifica, puoi perfezionare il modello affinché rilevi le anomalie con precisione.

Segui questi semplici passaggi per iniziare:

• Prepara il tuo dataset: raccogli immagini di alta qualità che includano sia campioni normali sia anomalie. Assicurati di includere variazioni di illuminazione, angolazione e risoluzione per aiutare il modello ad adattarsi meglio. I benchmark pubblici come MVTec AD sono un utile punto di partenza per rilevare difetti industriali.
• Etichetta i dati: contrassegna le anomalie usando riquadri di delimitazione, segmentazione o punti chiave, così il modello sa cosa cercare. Gli strumenti di annotazione rendono il processo più rapido e semplice.
• Addestra il modello: Il modello apprende attraverso più cicli, migliorando la propria capacità di identificare in tempo reale i casi normali e quelli anomali.
• Testa e convalida: Esegui il modello addestrato su nuove immagini mai viste prima per valutarne le prestazioni e assicurarti che funzioni bene prima della distribuzione.

Inoltre, quando sviluppi un sistema di rilevamento delle anomalie, è importante valutare se l’addestramento su misura sia davvero necessario. In alcuni casi, un modello preaddestrato può già essere sufficiente.

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

L’addestramento su misura diventa essenziale quando le anomalie o gli oggetti da rilevare non sono inclusi nel dataset COCO. Se la tua applicazione richiede l’identificazione di difetti rari nella produzione, di specifiche patologie nelle immagini o di oggetti particolari non inclusi nei dataset standard, addestrare un modello su dati specifici del settore 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. Vediamone alcune e scopriamo come la visione artificiale aiuta a identificare le irregolarità, migliorare l’efficienza e supportare il processo decisionale in diversi settori.

Rilevare le anomalie nella produzione#

La visione artificiale nel settore manifatturiero aiuta a mantenere standard di alta qualità individuando difetti, disallineamenti e componenti mancanti sulle linee di produzione. I modelli di visione artificiale possono segnalare istantaneamente i prodotti difettosi, fermandoli prima che proseguano lungo la linea e riducendo gli sprechi. Rilevare tempestivamente problemi come difetti nelle 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 anche migliorare la sicurezza sul luogo di lavoro. Le fabbriche devono spesso fare i conti con calore, fumo ed emissioni pericolose, che possono provocare incendi. I modelli di IA visiva possono rilevare schemi insoliti di fumo, macchinari surriscaldati o persino i primi segnali di un incendio, consentendo ai produttori di intervenire prima che si verifichino incidenti.

Fig. 4. Utilizzo della visione artificiale per rilevare incendi e fumo.

Individuare casi limite nel settore automobilistico#

Il settore automobilistico può usare 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 di oggetti e la segmentazione delle istanze, è facile identificare con precisione anomalie che potrebbero sfuggire alle ispezioni manuali.

Ecco altri esempi di rilevamento delle anomalie nel settore automobilistico:

• Rilevamento delle anomalie nel traffico: riconoscere veicoli che procedono contromano, improvvisi cambi di corsia o accessi non autorizzati ad aree riservate.
• Monitoraggio del comportamento alla guida: individuare la guida in stato di sonnolenza, le distrazioni o una guida irregolare per migliorare la sicurezza stradale.
• Sicurezza dei veicoli autonomi: rilevare pedoni, ciclisti e ostacoli imprevisti per prevenire le collisioni.

Individuare anomalie nei componenti elettronici#

Ispezionare manualmente i componenti elettronici può essere lento, poco coerente e soggetto a errori umani, con il rischio che i difetti nei microchip, nelle schede elettroniche e nelle saldature passino inosservati. Anche difetti minimi, come una saldatura incrinata o un componente disallineato, possono causare interruzioni del segnale, guasti del sistema o cortocircuiti, rendendo i dispositivi inaffidabili.

Con il rilevamento delle anomalie basato su Ultralytics YOLO11, i produttori possono automatizzare questo processo e individuare rapidamente problemi come componenti disallineati, saldature difettose o guasti elettrici, con una precisione nettamente superiore rispetto ai metodi tradizionali. Ad esempio, YOLO11 può rilevare facilmente una piccola fessura in un giunto saldato che potrebbe sfuggire agli ispettori. Ultralytics Platform ospita anche un modello di rilevamento dei difetti dei PCB perfezionato a partire da YOLO26s.

Punti chiave#

Man mano che le industrie adottano il rilevamento delle anomalie basato sulla visione artificiale, modelli come Ultralytics YOLO11 diventano 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 dell'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’AI. Vuoi iniziare i tuoi progetti di visione artificiale? Scopri le nostre opzioni di licenza. Scopri l’AI in agricoltura e l’AI visiva in ambito sanitario visitando le nostre pagine dedicate alle soluzioni!