IA de visão para deteção de anomalias: uma visão geral rápida

Uma pequena fissura na asa de um avião, uma etiqueta mal impressa num medicamento ou uma transação financeira invulgar podem causar problemas graves se não forem detetadas. Todos os setores enfrentam o desafio de identificar precocemente possíveis problemas de risco para evitar falhas, perdas financeiras ou riscos de segurança.

Especificamente, é necessário detetar anomalias. A deteção de anomalias centra-se na identificação de padrões que não correspondem aos comportamentos esperados. O objetivo é sinalizar defeitos, erros ou atividades irregulares que, de outro modo, poderiam passar despercebidos. Os métodos tradicionais dependem de regras fixas para encontrar estas anomalias, mas são frequentemente lentos e têm dificuldade em lidar com variações complexas. É aqui que a visão computacional desempenha um papel crucial.

Ao aprender com grandes conjuntos de dados visuais, os modelos de visão computacional, como o Ultralytics YOLO11, conseguem detetar irregularidades com maior precisão do que os métodos tradicionais.

Neste artigo, vamos explorar como funciona a deteção de anomalias baseada em visão e como o Ultralytics YOLO11 pode ajudar.

A necessidade de deteção de anomalias#

No contexto da visão computacional, as anomalias ou irregularidades aparecem normalmente como defeitos ou padrões invulgares em imagens e vídeos. Durante anos, as empresas dependeram de inspeções manuais ou de sistemas baseados em regras para detetar defeitos.

Por exemplo, no fabrico de produtos farmacêuticos, as anomalias nos comprimidos podem incluir fissuras, formas incorretas, descoloração ou impressões em falta, o que pode comprometer a qualidade e a segurança. A deteção precoce destas falhas é essencial para impedir que produtos defeituosos cheguem aos consumidores. No entanto, os métodos manuais de deteção de anomalias são frequentemente lentos, inconsistentes e incapazes de lidar com a complexidade das irregularidades do mundo real.

Fig. 1. Deteção de anomalias na indústria farmacêutica.

A deteção de anomalias baseada em IA resolve estes desafios ao aprender com grandes conjuntos de dados, melhorando continuamente a capacidade de reconhecer padrões ao longo do tempo. Ao contrário dos métodos baseados em regras fixas, os sistemas de IA conseguem aprender e melhorar com o tempo.

Modelos avançados, como o Ultralytics YOLO11, melhoram a deteção de anomalias ao permitir a análise de imagens em tempo real com elevada precisão. Os sistemas de IA de visão conseguem analisar detalhes das imagens, como forma, textura e estrutura, facilitando a identificação rápida e precisa de irregularidades.

Como a visão computacional permite a deteção de anomalias#

Os sistemas de deteção de anomalias orientados por IA de visão começam por captar imagens ou vídeos de alta qualidade através de câmaras, sensores ou drones. Dados visuais nítidos são essenciais, quer se trate de identificar um produto defeituoso numa linha de produção, detetar uma pessoa não autorizada numa área segura ou reconhecer movimentos invulgares num espaço público.

Depois de recolhidas, as imagens ou os vídeos são submetidos a técnicas de processamento de imagem, como redução de ruído, melhoria do contraste e limiarização. Estas etapas de pré-processamento ajudam os modelos de IA de visão a concentrarem-se nos detalhes importantes, filtrando simultaneamente o ruído de fundo e melhorando a precisão em várias aplicações, desde a monitorização de segurança até ao diagnóstico médico e ao controlo de tráfego.

Após o pré-processamento, a visão computacional pode ser utilizada para analisar as imagens e identificar qualquer elemento fora do comum. Quando uma anomalia é sinalizada, o sistema pode ativar um alerta, como notificar um trabalhador para remover um produto defeituoso, alertar o pessoal de segurança para uma potencial ameaça ou informar os operadores de tráfego para gerirem o congestionamento.

Fig. 2. Exemplos de defeitos que podem ser detetados com IA de visão.

Deteção de anomalias com as capacidades do Ultralytics YOLO11#

Vejamos mais detalhadamente como os modelos de visão computacional, como o Ultralytics YOLO11, conseguem analisar imagens para detetar anomalias.

O Ultralytics YOLO11 é compatível com várias tarefas de visão computacional, como deteção de objetos, classificação de imagens, segmentação de instâncias, rastreio de objetos e estimativa de pose. Estas tarefas simplificam a deteção de anomalias em diferentes aplicações do mundo real.

Por exemplo, a deteção de objetos pode ser utilizada para identificar produtos defeituosos numa linha de montagem, pessoas não autorizadas em áreas restritas ou artigos colocados incorretamente num armazém. Do mesmo modo, a segmentação de instâncias permite delimitar com precisão anomalias, como fissuras em máquinas ou contaminação em produtos alimentares.

Fig. 3. Segmentação de fissuras com a ajuda do Ultralytics YOLO11.

Eis alguns outros exemplos de tarefas de visão computacional utilizadas para a deteção de anomalias:

• Rastreio de objetos: pode ser utilizado para monitorizar padrões de movimento e detetar ameaças à segurança, acompanhar anomalias de veículos no tráfego ou avaliar os movimentos de pacientes em contextos de saúde.
• Estimativa de pose: o Ultralytics YOLO11 consegue detetar movimentos corporais invulgares para identificar riscos de segurança nos locais de trabalho ou acompanhar a evolução da reabilitação em contextos de saúde.
• Deteção de caixas delimitadoras orientadas (OBB): melhora a deteção de anomalias ao identificar e localizar com precisão objetos rodados ou inclinados, sendo útil para a análise de imagens aéreas, a condução autónoma e as inspeções industriais.

Por que razão deves utilizar o Ultralytics YOLO11?#

Entre os vários modelos de visão computacional, os modelos Ultralytics YOLO destacam-se pela sua velocidade e precisão. O Ultralytics YOLOv5 simplificou a implementação com a sua framework baseada em PyTorch, tornando-a acessível a um maior número de utilizadores. Entretanto, o Ultralytics YOLOv8 aumentou ainda mais a flexibilidade ao introduzir suporte para tarefas como segmentação de instâncias, rastreio de objetos e estimativa de pose, tornando-o mais adaptável a diferentes aplicações.

A versão mais recente, YOLO11, oferece uma precisão e um desempenho superiores aos dos seus antecessores. Por exemplo, com menos 22% de parâmetros do que o YOLOv8m, o YOLO11m proporciona uma maior precisão média (mAP) no conjunto de dados COCO, permitindo uma deteção de objetos mais precisa e eficiente.

Como treinar o Ultralytics YOLO11 à medida para a deteção de anomalias#

O treino personalizado do Ultralytics YOLO11 para a deteção de anomalias é simples e direto. Com um conjunto de dados concebido para a tua aplicação específica, podes ajustar o modelo para detetar anomalias com precisão.

Segue estes passos simples para começar:

• Prepara o teu conjunto de dados: recolhe imagens de alta qualidade que incluam amostras normais e anómalas. Certifica-te de que incluis variações de iluminação, ângulos e resoluções para ajudar o modelo a adaptar-se melhor.
• Anota os teus dados: marca as anomalias utilizando caixas delimitadoras, segmentação ou pontos-chave para que o modelo saiba o que deve procurar. As ferramentas de código aberto tornam este processo mais rápido e simples.
• Treina o modelo: o modelo aprende ao longo de vários ciclos, melhorando a sua capacidade de identificar casos normais e anómalos em tempo real.
• Testa e valida: executa o modelo treinado em imagens novas e não observadas para avaliar o seu desempenho e garantir que funciona bem antes de o implementares.

Além disso, ao criares um sistema de deteção de anomalias, é importante considerar se o treino personalizado é realmente necessário. Em alguns casos, um modelo pré-treinado pode já ser suficiente.

Por exemplo, se estiveres a desenvolver um sistema de gestão de tráfego e a anomalia que precisas de detetar forem peões a atravessar fora da passadeira, o modelo Ultralytics YOLO11 pré-treinado já consegue detetar pessoas com elevada precisão. Como "pessoa" é uma categoria bem representada no conjunto de dados COCO (no qual foi pré-treinado), não é necessário realizar treino adicional.

O treino personalizado torna-se essencial quando as anomalias ou os objetos que precisas de detetar não estão incluídos no conjunto de dados COCO. Se a tua aplicação exigir a identificação de defeitos raros no fabrico, condições médicas específicas em imagens ou objetos únicos não abrangidos por conjuntos de dados padrão, treinar um modelo com dados específicos do domínio garante um melhor desempenho e uma maior precisão.

Aplicações reais da deteção de anomalias orientada por visão#

A deteção de anomalias é um conceito amplo que abrange muitas aplicações do mundo real. Vamos analisar algumas delas e ver como a visão computacional ajuda a identificar irregularidades, melhorar a eficiência e otimizar a tomada de decisões em diferentes setores.

Deteção de anomalias no fabrico#

A visão computacional no fabrico ajuda a manter padrões de elevada qualidade ao identificar defeitos, desalinhamentos e componentes em falta nas linhas de produção. Os modelos de visão computacional podem sinalizar instantaneamente produtos com falhas, impedindo que avancem na linha e reduzindo o desperdício. A deteção precoce de problemas como defeitos nas matérias-primas, erros de embalagem ou componentes estruturais frágeis ajuda a evitar recolhas dispendiosas e perdas financeiras.

Para além do controlo de qualidade, a deteção de anomalias também pode melhorar a segurança no local de trabalho. As fábricas lidam frequentemente com calor, fumo e emissões perigosas, que podem provocar incêndios. Os modelos de IA de visão conseguem detetar padrões invulgares de fumo, maquinaria sobreaquecida ou até sinais iniciais de incêndio, permitindo aos fabricantes agir antes que ocorram acidentes.

Fig. 4. Visão computacional utilizada para detetar fogo e fumo.

Identificação de casos extremos no setor automóvel#

O setor automóvel pode utilizar modelos como o Ultralytics YOLO11 para detetar falhas em motores, sistemas de travagem e componentes da transmissão antes que provoquem falhas críticas. Graças ao suporte do YOLO11 para deteção de objetos e segmentação de instâncias, é fácil identificar com precisão anomalias que as inspeções manuais poderiam não detetar.

Eis alguns outros exemplos de deteção de anomalias no setor automóvel:

• Deteção de anomalias no tráfego: reconhecimento de veículos a circular em sentido contrário, mudanças repentinas de faixa ou acesso não autorizado a áreas restritas.
• Monitorização do comportamento do condutor: identificação de condução sonolenta, comportamento distraído ou direção irregular para melhorar a segurança rodoviária.
• Segurança de veículos autónomos: deteção de peões, ciclistas e obstáculos inesperados para evitar colisões.

Identificação de irregularidades em componentes eletrónicos#

Inspecionar componentes eletrónicos manualmente pode ser lento, inconsistente e suscetível a erros humanos, o que significa que defeitos em microchips, placas de circuito e ligações soldadas podem passar despercebidos. Mesmo pequenos defeitos, como uma junta de soldadura fissurada ou um componente desalinhado, podem causar perturbações no sinal, falhas do sistema ou curto-circuitos, resultando em dispositivos pouco fiáveis.

Com a deteção de anomalias baseada no Ultralytics YOLO11, os fabricantes podem automatizar este processo e identificar rapidamente problemas como peças desalinhadas, soldaduras defeituosas ou falhas elétricas com uma precisão muito superior à dos métodos tradicionais. Por exemplo, uma pequena falha numa junta de soldadura que poderia passar despercebida aos inspetores humanos pode ser facilmente detetada pela deteção de objetos do YOLO11.

Principais conclusões#

À medida que os setores adotam a deteção de anomalias possibilitada pela visão computacional, modelos como o Ultralytics YOLO11 tornam-se essenciais para manter a qualidade, melhorar a segurança e reduzir os riscos operacionais.

Do fabrico à agricultura, a deteção de anomalias orientada por IA pode aumentar a precisão, acelerar as inspeções e minimizar os erros humanos. No futuro, é provável que os avanços na IA tornem a deteção de anomalias ainda mais precisa.

Junta-te à nossa comunidade em crescimento! Explora o nosso repositório no GitHub para saberes mais sobre IA. Queres começar os teus próprios projetos de visão computacional? Consulta as nossas opções de licenciamento. Descobre mais sobre IA na agricultura e IA de visão na área da saúde visitando as nossas páginas de soluções!