異常検出のためのVision AI：概要

航空機の翼にある小さな亀裂、医薬品の印刷ミス、通常とは異なる金融取引などは、検知されないまま放置されると深刻な問題を引き起こす可能性があります。どの業界でも、障害や金銭的損失、安全上のリスクを防ぐために、リスクのある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、異常を検知する必要があります。異常検知は、予想される挙動と一致しないパターンの特定に焦点を当てています。通常であれば見過ごされる可能性のある欠陥、エラー、不規則な活動を検出して通知することを目的とします。従来の手法は固定ルールに基づいて異常を見つけますが、多くの場合、処理が遅く、複雑な変化への対応に苦労します。ここで重要な役割を果たすのがコンピュータビジョンです。

大規模な視覚データセットから学習することで、Ultralytics YOLO11のようなコンピュータビジョンモデルは、従来の手法よりも正確に不規則性を検知できます。

この記事では、ビジョンベースの異常検知の仕組みと、Ultralytics YOLO11がどのように役立つかを解説します。

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、画像や動画内の欠陥または通常とは異なるパターンとして現れます。長年にわたり、企業は欠陥を検知するために手動検査やルールベースのシステムに依存してきました。

例えば、医薬品製造では、錠剤の異常として亀裂、形状不良、変色、刻印の欠落などが挙げられ、品質や安全性を損なう可能性があります。欠陥製品が消費者に届くのを防ぐには、こうした欠陥を早期に検知することが重要です。しかし、手動による異常検知は処理が遅く、一貫性に欠けるうえ、現実世界の不規則性が持つ複雑さに対応できない場合があります。

図1。製薬業界における異常検知。

AIベースの異常検知は、膨大なデータセットから学習し、時間の経過とともにパターン認識能力を継続的に向上させることで、これらの課題を解決します。固定ルールベースの手法とは異なり、AIシステムは時間とともに学習・改善できます。

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。Vision AIシステムは、画像内の形状、テクスチャ、構造などの詳細を解析できるため、不規則性を迅速かつ正確に発見しやすくなります。

コンピュータビジョンによる異常検知の実現#

Vision AIを活用した異常検知システムは、まずカメラ、センサー、ドローンを使って高品質な画像や動画を撮影します。工場のライン上にある不良品の発見、安全区域への無許可侵入者の検知、公共空間での異常な動きの特定など、明瞭な視覚データが重要です。

収集した画像や動画には、ノイズ除去、コントラスト強調、しきい値処理などの画像処理技術を適用します。これらの前処理によって、Vision AIモデルは背景ノイズを除去しながら重要な詳細に集中でき、セキュリティ監視から医療診断、交通管制まで、さまざまな用途で精度を向上させられます。

前処理後、コンピュータビジョンを使用して画像を解析し、通常とは異なるものを特定できます。異常が検出されると、システムは、作業員への不良品の除去依頼、セキュリティ担当者への潜在的な脅威の通知、交通管制担当者への渋滞管理の通知などのアラートを発報できます。

図2。Vision AIを使用して検知できる欠陥の例。

Ultralytics YOLO11の機能を活用した異常検知#

Ultralytics YOLO11のようなコンピュータビジョンモデルが、画像を解析して異常を検知する仕組みを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、ポーズ推定など、さまざまなコンピュータビジョンタスクに対応しています。これらのタスクにより、さまざまな現実世界の用途で異常検知を容易に実行できます。

例えば、物体検出を使用して、組立ライン上の不良品、立入制限区域内の無許可の人物、倉庫内の所定位置からずれた物品を特定できます。同様に、インスタンスセグメンテーションを使用すると、機械の亀裂や食品への異物混入などの異常を正確に輪郭化できます。

図3。Ultralytics YOLO11を使用した亀裂のセグメンテーション。

異常検知に使用されるコンピュータビジョンタスクには、ほかにも次のような例があります。

• 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、交通中の車両の異常を追跡したり、医療現場で患者の動きを評価したりできます。
• ポーズ推定：Ultralytics YOLO11は、通常とは異なる身体の動きを検知して職場の安全上の危険を特定したり、医療現場でリハビリテーションの進捗を追跡したりできます。
• 回転バウンディングボックス（OBB）検出：回転または傾いた物体を正確に特定して位置を特定することで異常検知を改善します。航空画像の解析、自動運転、産業検査に役立ちます。

Ultralytics YOLO11を使用する理由#

さまざまなコンピュータビジョンモデルの中でも、Ultralytics YOLOモデルは速度と精度に優れています。Ultralytics YOLOv5は、PyTorchベースのフレームワークによってデプロイを簡素化し、より幅広いユーザーが利用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、物体追跡、ポーズ推定などのタスクへの対応を導入し、柔軟性をさらに高め、さまざまな用途に適応しやすくしました。

最新バージョンのYOLO11は、従来のモデルと比較して、より優れた精度と性能を提供します。例えば、YOLOv8mよりパラメーター数が22%少ないYOLO11mは、COCOデータセット上でより高い平均適合率（mAP）を達成し、より正確で効率的な物体検出を可能にします。

異常検知用にUltralytics YOLO11をカスタムトレーニングする方法#

異常検知用のUltralytics YOLO11のカスタムトレーニングは、簡単に実行できます。用途に合わせて作成したデータセットを使用してモデルをファインチューニングすれば、異常を正確に検知できるようになります。

開始するには、次の簡単な手順に従ってください。

• **データセットを準備する：**正常なサンプルと異常サンプルの両方を含む高品質な画像を収集します。モデルがより適切に適応できるよう、照明、角度、解像度のバリエーションも含めてください。
• **データにラベルを付ける：**バウンディングボックス、セグメンテーション、キーポイントを使用して異常を示し、モデルが検出対象を認識できるようにします。オープンソースツールを使用すると、この工程をより迅速かつ簡単に進められます。
• **モデルをトレーニングする：**モデルは複数のサイクルにわたって学習し、正常ケースと異常ケースをリアルタイムで識別する能力を向上させます。
• **テストと検証を行う：**学習済みモデルを新しい未見の画像に対して実行し、性能を評価します。デプロイ前に十分な性能が得られることを確認してください。

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本当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、事前学習済みモデルだけで十分なこともあります。

例えば、道路横断禁止場所を横断する歩行者を検知する交通管理システムを開発する場合、事前学習済みのUltralytics YOLO11モデルは、すでに人物を高精度で検知できます。「person」はCOCOデータセット（このモデルの事前学習に使用されています）に十分に含まれ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。

検知対象の異常や物体が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。製造業におけるまれな欠陥、画像内の特定の病状、標準的な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場合は、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、性能と精度を向上させられます。

Vision AIを活用した異常検知の現実世界での用途#

異常検知は、現実世界の多くの用途を含む幅広い概念です。ここではいくつかの例を取り上げ、コンピュータビジョンがさまざまな業界で不規則性の特定、効率の向上、意思決定の改善にどのように役立つかを見ていきます。

製造業における異常の検知#

製造業におけるコンピュータビジョンは、生産ライン上の欠陥、位置ずれ、部品の欠落を発見し、高い品質基準の維持に役立ちます。コンピュータビジョンモデルは不良品を即座に検出して通知できるため、ラインの下流への流出を止め、廃棄を削減できます。原材料の欠陥、包装ミス、構造部品の強度不足などの問題を早期に検知することで、高額なリコールや金銭的損失を防げます。

品質管理に加えて、異常検知は職場の安全性も向上させます。工場では熱、煙、有害な排出物が発生することが多く、火災の危険につながる可能性があります。Vision AIモデルは、通常とは異なる煙のパターン、過熱した機械、さらには火災の初期兆候も検知できるため、事故が発生する前にメーカーが対応できます。

図4。火災と煙の検知に使用されるコンピュータビジョン。

自動車分野のエッジケースの特定#

自動車業界では、Ultralytics YOLO11のようなモデルを使用して、重大な故障につながる前にエンジン、ブレーキシステム、トランスミッション部品の不具合を検知できます。YOLO11の物体検出とインスタンスセグメンテーションへの対応により、手動検査では見落とされる可能性のある異常も正確に特定できます。

自動車業界における異常検知には、ほかにも次のような例があります。

• 交通異常検知：逆走する車両、突然の車線逸脱、立入制限区域への無許可アクセスを認識します。
• ドライバー行動の監視：眠気を伴う運転、注意散漫な行動、不安定なハンドル操作を特定して、道路の安全性を向上させます。
• **自動運転車の安全性：**歩行者、自転車利用者、予期しない障害物を検知して衝突を防ぎます。

電子機器における不規則性の発見#

電子機器を手動で検査すると、処理が遅く、一貫性に欠け、人為的ミスも起こりやすいため、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。はんだ接合部の亀裂や部品の位置ずれなどの小さな欠陥であっても、信号障害、システム障害、短絡を引き起こし、デバイスの信頼性を低下させる可能性があります。

Ultralytics YOLO11を活用した異常検知により、メーカーはこの工程を自動化し、位置ずれした部品、不良なはんだ付け、電気的故障などの問題を、従来の手法よりはるかに高い精度で迅速に特定できます。例えば、人間の検査員が見落とす可能性のあるはんだ接合部の微小な隙間も、YOLO11の物体検出で容易に検知できます。

主なポイント#

業界でコンピュータビジョン対応の異常検知が導入されるなか、Ultralytics YOLO11のようなモデルは、品質の維持、安全性の向上、運用リスクの低減に不可欠になりつつあります。

製造業から農業まで、AIを活用した異常検知は、精度の向上、検査の高速化、人為的ミスの最小化に役立ちます。今後、AIの進歩によって異常検知はさらに正確になると考えられます。

成長を続けるコミュニティに参加しませんか？GitHubリポジトリでAIについて詳しく学びましょう。独自のコンピュータービジョンプロジェクトを始める準備はできていますか？ライセンスオプションをご確認ください。AI in agricultureとhealthcareにおけるビジョンAIについては、ソリューションページをご覧ください。