異常検出のためのVision AI：概要

飛行機の翼にできた小さな亀裂、医薬品の印字ミス、異常な金融取引などは、見逃されると深刻な問題につながることがあります。どの業界でも、故障、金銭的損失、安全上のリスクを防ぐため、危険につながる問題を早期に発見することが課題となっています。

具体的には、異常を検出する必要があります。異常検知は、想定される挙動と一致しないパターンの特定に重点を置いています。見過ごされる可能性のある欠陥、エラー、不規則な活動にフラグを付けることを目的としています。従来の手法では固定ルールを用いて異常を見つけますが、処理に時間がかかり、複雑な変動への対応が困難なことがよくあります。ここでコンピュータービジョン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のようなコンピュータービジョンモデルは、従来の手法よりも正確に異常を検出できます。

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#

コンピュータービジョンにおける異常や不規則性は、通常、画像や動画内の欠陥や不自然なパターンとして現れます。企業は長年、欠陥の検出に目視検査やルールベースのシステムを利用してきました。

たとえば、医薬品製造では、錠剤の亀裂、不適切な形状、変色、刻印の欠落などが異常にあたり、品質や安全性を損なう可能性があります。不良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出することが不可欠です。しかし、手作業による異常検知は時間がかかり、一貫性に欠けることが多く、現実世界における不規則性の複雑さにも対応できません。

図1。製薬業界における異常検知。

AIベースの異常検知は、大規模なデータセットからパターンを学習することで、こうした課題に対処します。固定されたルールベースの手法とは異なり、AIシステムは新しいデータが届くたびに再トレーニングして改善できます。

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分析を可能にし、異常検知を強化します。ビジョンAIシステムは、画像内の形状、質感、構造などの詳細を分析できるため、不規則性を迅速かつ正確に見つけやすくなります。

コンピュータービジョンによる異常検知の仕組み#

ビジョンAIを活用した異常検知システムでは、まずカメラ、センサー、ドローンを使って高品質の画像や動画を撮影します。工場のライン上で不良品を見つける場合、安全区域への不審者の侵入を検出する場合、公共の場で不自然な動きを特定する場合のいずれも、鮮明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。こうした前処理により、ビジョン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るため、セキュリティ監視から医療診断、交通管理まで、さまざまな用途で精度が向上します。

前処理の後、コンピュータービジョンを使って画像を分析し、通常とは異なるものを特定できます。異常にフラグが付くと、システムはアラートを発信できます。たとえば、作業員に不良品の除去を促したり、セキュリティ担当者に潜在的な脅威を知らせたり、交通管制担当者に渋滞への対応を通知したりできます。

図2。ビジョンAIで検出できる欠陥の例。

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ービジョンモデルが、画像を分析して異常を検出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、姿勢推定など、さまざまなコンピューター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、さまざまな実環境の用途で異常をより簡単に検知できます。

たとえば、物体検出を使うと、生産ライン上の不良品、立入制限区域にいる許可されていない人物、倉庫内の置き間違えた品物を特定できます。同様に、インスタンスセグメンテーションを使うと、機械の亀裂や食品の汚染などの異常を正確に輪郭表示できます。

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

異常検知に活用できるその他のコンピュータービジョンタスクの例を紹介します。

• 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出したり、交通における車両の異常を追跡したり、ヘルスケアで患者の動きを評価したりできます。
• 姿勢推定: Ultralytics YOLO11は、職場の安全上の危険を特定するために不自然な身体の動きを検出したり、ヘルスケアでリハビリ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・位置推定することで異常検知を向上させ、航空画像の分析、自動運転、産業点検などに役立ちます。

Ultralytics YOLO11を選ぶ理由#

さまざまなコンピューター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、より多くの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、姿勢推定などのタスクへの対応を導入して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。

執筆時点での最新バージョンであるYOLO11（後継モデルはUltralytics YOLO26です）は、先行モデルより高い精度とパフォーマンスを備えています。たとえば、YOLO11mはYOLOv8mよりパラメーター数が22%少ない一方で、COCOデータセットにおける平均適合率（mAP）が高く、より正確で効率的な物体検出を実現します。

異常検知に向けたUltralytics YOLO11のカスタムトレーニング方法#

異常検知向けにUltralytics YOLO11をカスタムトレーニングするのは簡単です。特定の用途に合わせたデータセットを使うことで、異常を正確に検出できるようモデルをファインチューニングできます。

次の簡単な手順で始められます。

• 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。モデルが適応しやすくなるよう、照明、角度、解像度に多様性を持たせてください。MVTec ADなどの公開ベンチマークは、産業上の欠陥検出を始める際に役立ちます。
• 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、キーポイントを使って異常をマークし、モデルが検出対象を認識できるようにします。アノテーションツールを使うと、この作業をより迅速かつ簡単に進められます。
• モデルのトレーニング: モデルは複数の反復を通じて学習し、正常なケースと異常なケースをリアルタイムで識別する能力を高めます。
• テストと検証: トレーニング済みのモデルを新しい未学習の画像に適用して性能を評価し、デプロイ前に十分な性能を発揮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、事前トレーニング済みモデルだけ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いて、検出対象の異常が歩行者の道路横断だとします。事前トレーニング済みのUltralytics YOLO11モデルは、すでに人を高精度で検出できます。「person」はCOCOデータセットで十分に学習されているクラスであり、モデルもそのデータセットで事前トレーニングされているため、追加のトレーニングは必要ありません。

検出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、画像内の特定の疾患、標準的なデータセットに含まれない固有の物体を特定する必要がある場合、分野固有のデータでモデルをトレーニングすることで、性能と精度を高められます。

ビジョンベースの異常検知の実用例#

異常検知は、現実世界の幅広い用途を含む概念です。いくつかの例を見ながら、コンピューター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、意思決定の強化にどのように役立つかを見ていきましょう。

製造業における異常検知#

製造業におけるコンピュータービジョンは、生産ライン上の欠陥、位置ずれ、部品の欠落を検出し、高い品質基準の維持に役立ちます。コンピュータービジョンモデルは不良品に即座にフラグを付け、次の工程への移動を止めることで、廃棄を減らせます。原材料の欠陥、包装の不備、構造部品の強度不足などを早期に検出すれば、コストのかかる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高められます。工場では高温、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。ビジョンAIモデルは、不自然な煙のパターン、機械の過熱、さらには火災の初期兆候も検出できるため、事故が起きる前にメーカーが対策を講じられます。

図4。火災と煙の検出に活用されるコンピュータービジョン。

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出できます。YOLO11が対応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れば、目視検査では見落とされる可能性のある異常を簡単かつ正確に特定できます。

自動車業界における異常検知の例をほかにも紹介します。

• 交通異常検知: 逆走車両、突然の車線逸脱、制限区域への不正侵入を認識します。
• 運転者の行動監視: 居眠り運転、注意散漫な行動、不安定なハンドル操作を特定し、道路の安全性を高めます。
• 自動運転車の安全性: 衝突を防ぐため、歩行者、自転車利用者、予期しない障害物を検出します。

電子機器の異常を検出する#

電子機器を手作業で検査すると時間がかかり、検査結果にばらつきが生じやすく、人的ミスも起こりやすいため、マイクロチップ、回路基板、はんだ接合部の欠陥を見逃す可能性があります。はんだ接合部のひび割れや部品の位置ずれなど、わずかな欠陥でも、信号の乱れ、システム障害、短絡を引き起こし、機器の信頼性を損なうことがあります。

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、部品の位置ずれ、はんだ付け不良、電気系統の故障などの問題を従来の方法よりはるかに高い精度ですばやく特定できます。たとえば、人間の検査員が見落とす可能性のあるはんだ接合部のわずかな隙間も、YOLO11の物体検出で容易に検出できます。Ultralytics Platformでは、YOLO26sをファインチューニングしたPCB欠陥検出モデルも公開されています。

重要なポイント#

コンピュータービジョンを活用した異常検知の導入が進む中、Ultralytics YOLO11のようなモデルは、品質の維持、安全性の向上、運用リスクの軽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を高め、検査を迅速化し、人的ミスを最小限に抑えることができます。今後、AIの進歩によって異常検知の精度はさらに高まるでしょう。

成長を続けるコミュニティに参加しましょう！GitHubリポジトリでAIについて詳しく学べます。独自のコンピュータービジョンプロジェクトを始めませんか？ライセンスオプションをご確認ください。農業分野のAIと医療分野のビジョンAIについては、ソリューションページをご覧ください。