異常検出のためのVision AI：クイック概要

航空機の翼にある微細な亀裂、医薬品のラベルの印刷ミス、あるいは不審な金融取引などは、検知されなければ重大な問題を引き起こす可能性があります。あらゆる業界が、故障、経済的損失、安全上のリスクを未然に防ぐため、リスクを伴う問題を早期に発見するという課題に直面しています。

具体的には、異常検知を行う必要があります。Anomaly detectionは、期待される動作に一致しないパターンを特定することに焦点を当てています。見過ごされがちな欠陥、エラー、または不規則な活動にフラグを立てることを目的としています。従来の手法はこれらの異常を見つけるために固定ルールに依存していますが、多くの場合、処理が遅く、複雑な変動への対応に苦労します。ここでcomputer visionが重要な役割を果たします。

大規模な視覚データセットから学習することで、Ultralytics YOLO11などのcomputer visionモデルは、従来の手法よりも正確に不規則性を検出できます。

この記事では、ビジョンベースの外観検査（異常検知）の仕組みと、Ultralytics YOLO11がどのように役立つのかについて解説します。

異常検知の必要性#

コンピュータビジョンにおいて、異常や不規則性は、通常、画像やビデオ内の欠陥や異常なパターンとして現れます。長年、企業は欠陥を検知するために目視検査やルールベースのシステムに依存してきました。

たとえば、pharmaceutical manufacturingにおいて、錠剤の異常には、ひび割れ、不適切な形状、変色、刻印の欠落などがあり、これらは品質や安全性を損なう可能性があります。これらの欠陥を早期に検出することは、欠陥製品が消費者の手元に届くのを防ぐために不可欠です。しかし、手動による異常検知手法は多くの場合、遅く、一貫性がなく、現実世界の不規則性の複雑さを処理できません。

Fig 1. 製薬業界における異常検知。

AIベースの異常検知は、膨大なdatasetsから学習することでこれらの課題を解決し、時間をかけてパターンを認識する能力を継続的に向上させます。固定されたルールベースの手法とは異なり、AIシステムは学習して時間をかけて改善することができます。

Ultralytics YOLO11のような高度なモデルは、高精度なリアルタイム画像解析を可能にすることで異常検知を強化します。ビジョンAIシステムは、形状、テクスチャ、構造などの画像内の細部を解析できるため、異常を迅速かつ正確に見つけることが容易になります。

コンピュータビジョンが異常検知を可能にする仕組み#

Vision AIによって駆動される異常検知システムは、まずカメラ、センサー、ドローンを使用して高品質な画像やビデオをキャプチャすることから機能します。工場のラインでの不良品の発見、立ち入り禁止区域内の無許可の人物の検知、公共スペースでの異常な動きの特定など、どのような用途であっても、明確な視覚データが鍵となります。

収集された画像や動画は、ノイズ低減、コントラスト強調、二値化などのimage processing技術処理を受けます。これらの前処理ステップは、ビジョンAIモデルが重要な詳細に焦点を当てながら背景ノイズをフィルタリングするのに役立ち、セキュリティ監視から医療診断、交通管制に至るまで、さまざまなアプリケーションでの精度を向上させます。

前処理の後、コンピュータビジョンを使用して画像を解析し、異常なものを特定します。異常が検知されると、システムはアラートをトリガーできます。例えば、作業者に不良品の除去を通知する、セキュリティ担当者に潜在的な脅威を警告する、交通管制官に渋滞管理を促すといったことが可能です。

Fig 2. ビジョンAIを使用して検出できる欠陥の例。

Ultralytics YOLO11の機能を使用した異常検知#

Ultralytics YOLO11のようなコンピュータビジョンモデルがどのように画像を解析して異常を検知するのか、詳しく見ていきましょう。

Ultralytics YOLO11は、物体検出、画像分類、インスタンスセグメンテーション、物体追跡、姿勢推定などのさまざまなcomputer vision tasksをサポートしています。これらのタスクにより、さまざまな現実世界のアプリケーションにおける異常検知がより簡単になります。

たとえば、object detectionを使用して、組立ライン上の欠陥製品、立入禁止区域内の許可されていない人物、または倉庫内の置き忘れられたアイテムを特定できます。同様に、インスタンスセグメンテーションにより、機械のひび割れや食用製品の汚染などの異常を正確に輪郭を描き出すことが可能になります。

Fig 3. Ultralytics YOLO11を使用してひび割れをセグメンテーションします。

異常検知に使用されるその他のコンピュータビジョンのタスクの例を以下に挙げます。

• 物体追跡：動きのパターンを監視してセキュリティ上の脅威を検知したり、交通における車両の異常を追跡したり、ヘルスケアにおいて患者の動きを評価したりするために使用できます。
• 姿勢推定: Ultralytics YOLO11は、不自然な体の動きを検知して職場の安全上の危険を特定したり、医療におけるリハビリテーションの進捗を追跡したりすることができます。
• 回転ボックス (OBB) 検知：回転したり傾いたりしている物体を正確に特定およびローカライズすることで異常検知を改善し、航空写真解析、自動運転、産業用検査に役立ちます。

なぜUltralytics YOLO11を使用するべきなのでしょうか？#

さまざまな他のcomputer visionモデルの中でも、Ultralytics YOLO modelsはその速度と精度で際立っています。Ultralytics YOLOv5は、PyTorchベースのフレームワークによりデプロイを簡素化し、より幅広いユーザーがアクセスできるようにしました。一方、Ultralytics YOLOv8は、インスタンスセグメンテーション、オブジェクトトラッキング、姿勢推定などのタスクのサポートを導入することで柔軟性をさらに高め、さまざまなアプリケーションへの適応性を向上させました。

最新バージョンのYOLO11は、先行モデルと比較して優れた精度とパフォーマンスを提供します。例えば、YOLOv8mよりもパラメータが22%少ないにもかかわらず、YOLO11mはCOCOデータセットにおいてより高い平均適合率（mAP）を実現しており、より正確で効率的な物体検知を可能にします。

異常検知のためにUltralytics YOLO11をカスタムトレーニングする方法#

異常検知のためにUltralytics YOLO11をCustom-trainingすることは、直接的でシンプルです。特定のアプリケーション向けに設計されたデータセットを使用することで、モデルを微調整して異常を正確に検知できます。

以下の簡単なステップに従って開始してください。

• データセットを準備する： 正常なサンプルと異常なサンプルの両方を含む高品質な画像を収集します。照明、角度、解像度の変化を含めることで、モデルがより適応しやすくなります。
• データをラベル付けする： BBox、セグメンテーション、またはキーポイントを使用して異常箇所をマークし、モデルが何を検索すべきかを指示します。オープンソースツールを使用すると、このプロセスがより迅速かつ容易になります。
• モデルをトレーニングする： モデルは複数のサイクルを通じて学習し、リアルタイムで正常例と異常例を識別する能力を向上させます。
• テストと検証： トレーニング済みのモデルを新しい未確認の画像で実行し、パフォーマンスを評価して、展開する前に十分に機能することを確認します。

また、異常検知システムを構築する際には、カスタムトレーニングが実際に必要かどうかを検討することが重要です。場合によっては、学習済みモデルで十分なこともあります。

たとえば、交通管理システムを開発しており、検知する必要がある異常が横断歩行者である場合、事前トレーニング済みのUltralytics YOLO11モデルはすでに高精度で人物を検知できます。「人物」はCOCOデータセット（事前トレーニングに使用されたもの）において十分に表現されているカテゴリであるため、追加のトレーニングは必要ありません。

検知する必要のある異常や物体がCOCOデータセットに含まれていない場合、カスタムトレーニングが不可欠になります。製造現場でのまれな欠陥、画像内の特定の医学的状態、標準データセットでカバーされていない独自の物体を特定する必要があるアプリケーションでは、ドメイン固有のデータでモデルをトレーニングすることで、より高いパフォーマンスと精度を確保できます。

Vision駆動型異常検知の現実世界のアプリケーション#

異常検知は、多くの現実世界のアプリケーションをカバーする広範な概念です。これらのいくつかを見て、コンピュータビジョンがどのように不規則性を特定し、効率を向上させ、業界全体の意思決定を強化するかを確認しましょう。

製造業における異常検知#

Computer vision in manufacturingは、生産ラインでの欠陥、位置ずれ、部品の欠落を見つけることにより、高品質の基準を維持するのに役立ちます。computer visionモデルは不良品を即座に検出し、ラインのさらに先に進むのを防ぎ、無駄を削減します。原材料の欠陥、パッケージングのエラー、弱い構造部品などの問題の早期検出は、コストのかかるリコールや経済的損失を防ぐのに役立ちます。

品質管理以外にも、異常検知は職場の安全性を向上させることができます。工場は熱、煙、有害な排出物を扱うことが多く、火災の危険につながる可能性があります。Vision AIモデルは、異常な煙のパターン、機械の過熱、火災の兆候などを検知でき、事故が発生する前に製造業者が対策を講じられるようにします。

Fig 4. 火災や煙の検出に使用されるcomputer vision。

自動車のエッジケースの特定#

自動車業界では、Ultralytics YOLO11などのモデルを使用して、エンジン、ブレーキシステム、トランスミッションの部品の不具合が重大な故障につながる前に検出することができます。YOLO11がサポートする物体検出とインスタンスセグメンテーションを活用することで、目視検査では見落としがちな異常を正確に特定することが容易になります。

自動車業界における異常検知の他の例を以下に挙げます。

• 交通異常検知：逆走車両、突然の車線逸脱、立ち入り禁止区域への無許可の進入を認識します。
• ドライバー行動監視：居眠り運転、わき見運転、不安定なハンドル操作を特定して交通安全を向上させます。
• 自動運転車の安全性: 歩行者、自転車、予期しない障害物を検知して衝突を防ぎます。

エレクトロニクスにおける不規則性の発見#

エレクトロニクスの目視検査は、時間がかかり、一貫性がなく、人為的ミスが発生しやすいため、マイクロチップ、回路基板、はんだ接続部の欠陥が見過ごされる可能性があります。はんだ接合部のひび割れや部品のずれのような小さな欠陥であっても、信号の遮断、システム障害、短絡を引き起こし、信頼性の低いデバイスにつながる可能性があります。

Ultralytics YOLO11を活用した異常検知により、メーカーはこのプロセスを自動化し、部品のズレ、はんだ付けの不良、電気的故障などの問題を従来の手法よりもはるか高い精度で迅速に特定することができます。たとえば、人間の検査員に見落とされが小さながいはんだ接合部の隙間も、YOLO11の物体検出によって簡単に検知することができます。

重要なポイント#

業界がコンピュータビジョンを活用した異常検知に移行するにつれて、Ultralytics YOLO11のようなモデルは、品質の維持、安全性の向上、および運用のリスク削減に不可欠なものとなっています。

製造業から農業まで、AI駆動型の異常検知は精度を向上させ、検査を迅速化し、人為的ミスを最小限に抑えることができます。今後、AIの進歩により、異常検知はさらに正確になっていくでしょう。

成長を続けるcommunityに参加しましょう！AIの詳細については、GitHub repositoryをご覧ください。独自のコンピュータビジョンプロジェクトを開始する準備はできましたか？licensing optionsをご確認ください。ソリューションページにアクセスして、AI in agricultureおよびvision AI in healthcareを発見してください！