19 febbraio 2025
Scopri come la computer vision consente il rilevamento preciso di anomalie in vari settori. Scopri come addestrare modelli personalizzati come Ultralytics YOLO11 per il rilevamento di anomalie.
Una minuscola crepa nell'ala di un aereo, un'etichetta stampata male su un farmaco o una transazione finanziaria insolita possono causare seri problemi se non vengono rilevati. Ogni settore deve affrontare 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 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 faticano con variazioni complesse. È qui che la computer vision gioca un ruolo cruciale.
Apprendendo da grandi set di dati visivi, i modelli di computer vision come Ultralytics YOLO11 possono rilevare le irregolarità in modo più accurato rispetto ai metodi tradizionali.
In questo articolo, esploreremo come funziona il rilevamento di anomalie basato sulla visione e come YOLO11 può essere d'aiuto.
Per quanto riguarda la computer vision, le anomalie o le irregolarità appaiono in genere come difetti o schemi 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 la qualità e la sicurezza. Rilevare tempestivamente 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.
Il rilevamento di anomalie basato sull'IA risolve queste sfide imparando da vasti set di dati, migliorando continuamente la propria capacità di riconoscere i modelli nel tempo. A differenza dei metodi fissi basati su regole, i sistemi di IA possono apprendere 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 i dettagli nelle immagini come forma, texture e struttura, rendendo più facile individuare rapidamente e accuratamente le irregolarità.
I sistemi di rilevamento di anomalie guidati dalla Vision AI funzionano innanzitutto acquisendo immagini o video di alta qualità utilizzando telecamere, sensori o droni. Dati visivi chiari sono fondamentali, sia che si tratti di individuare un prodotto difettoso su una linea di produzione, di rilevare una persona non autorizzata in un'area protetta o di 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. Questi passaggi di pre-elaborazione aiutano i modelli Vision AI a concentrarsi sui dettagli importanti filtrando il rumore di fondo, migliorando l'accuratezza 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 qualsiasi anomalia. Una volta segnalata un'anomalia, il sistema può attivare un avviso, come notificare a un operaio di rimuovere un prodotto difettoso, avvisare il personale di sicurezza di una potenziale minaccia o informare gli operatori del traffico per gestire la congestione.
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 vari compiti di computer vision come il rilevamento di oggetti, la classificazione di immagini, la segmentazione di istanze, il tracciamento di oggetti e la stima della posa. Questi compiti semplificano il rilevamento di anomalie in diverse applicazioni del mondo reale.
Ad esempio, il rilevamento di oggetti può essere utilizzato per identificare prodotti difettosi su una catena di montaggio, persone non autorizzate in aree riservate o articoli smarriti in un magazzino. Allo stesso modo, la segmentazione delle istanze consente di delineare con precisione le anomalie, come crepe nei macchinari o contaminazione nei prodotti commestibili.
Ecco alcuni altri esempi di task di computer vision utilizzati per il rilevamento di anomalie:
Tra i vari modelli di computer vision, i modelli Ultralytics YOLO si distinguono per la loro 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 la segmentazione delle istanze, il tracciamento degli 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% in meno di parametri rispetto a YOLOv8m, YOLO11m offre una mean average precision (mAP) più elevata sul dataset COCO, consentendo un object detection più preciso ed efficiente.
Il custom-training di YOLO11 per il rilevamento di anomalie è semplice e diretto. Con un dataset progettato per la tua specifica applicazione, puoi mettere a punto il modello per rilevare le anomalie in modo accurato.
Segui questi semplici passaggi per iniziare:
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 già essere sufficiente.
Ad esempio, se stai sviluppando un sistema di gestione del traffico e l'anomalia che devi rilevare sono i pedoni che attraversano la strada in modo irregolare, il modello YOLO11 pre-addestrato può già rilevare le persone con elevata precisione. Poiché "persona" è una categoria ben rappresentata nel dataset COCO (su cui è pre-addestrato), non è necessario un ulteriore training.
L'addestramento personalizzato diventa essenziale quando le anomalie o gli oggetti che è necessario rilevare non sono inclusi nel dataset COCO. Se la vostra applicazione richiede l'identificazione di difetti rari nel manufacturing, condizioni mediche specifiche nelle immagini o oggetti unici non coperti dai dataset standard, l'addestramento di un modello su dati specifici del dominio garantisce prestazioni e accuratezza migliori.
Il rilevamento di anomalie è un concetto ampio che copre molte applicazioni del mondo reale. Esaminiamo alcune di queste e vediamo come la computer vision aiuta a identificare le irregolarità, a migliorare l'efficienza e a migliorare il processo decisionale in diversi settori.
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 i prodotti difettosi, impedendo loro di avanzare ulteriormente nella linea e riducendo gli sprechi. L'individuazione 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 lavoro. Le fabbriche spesso hanno 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 anche 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 guasti nei motori, nei sistemi di frenatura e nei componenti della trasmissione prima che portino a guasti critici. Utilizzando il supporto di YOLO11 per il rilevamento di oggetti e la segmentazione di istanze, è facile identificare con precisione le anomalie che le ispezioni manuali potrebbero trascurare.
Ecco alcuni altri esempi di rilevamento di anomalie nell'industria automobilistica:
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 stampati e nei collegamenti 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 di gran lunga superiore rispetto ai metodi tradizionali. Ad esempio, un minuscolo spazio in un giunto di saldatura che potrebbe sfuggire agli ispettori umani può essere facilmente rilevato dal rilevamento di oggetti di YOLO11.
Con il passaggio dei settori al rilevamento di 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 di 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 di anomalie più preciso.
Unisciti alla nostra community in crescita! Esplora il nostro repository GitHub per saperne di più sull'IA. Sei pronto per iniziare i tuoi progetti di computer vision? Dai un'occhiata alle nostre opzioni di licenza. Scopri l'IA in agricoltura e la Vision AI nel settore sanitario visitando le nostre pagine delle soluzioni!
