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

Uma pequena rachadura na asa de um avião, uma etiqueta de medicamento impressa incorretamente ou uma transação financeira incomum pode causar problemas graves se não for detectada. Todos os setores enfrentam o desafio de identificar problemas de risco o quanto antes para evitar falhas, perdas financeiras ou riscos à segurança.

Especificamente, é preciso detectar anomalias. A detecção de anomalias se concentra em identificar padrões que não correspondem aos comportamentos esperados. Seu objetivo é sinalizar defeitos, erros ou atividades irregulares que, de outra forma, poderiam passar despercebidos. Os métodos tradicionais dependem de regras fixas para encontrar essas anomalias, mas costumam ser lentos e têm dificuldade para lidar com variações complexas. É aí que a visão computacional desempenha um papel fundamental.

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

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

A necessidade de detectar anomalias#

No contexto da visão computacional, as anomalias ou irregularidades geralmente aparecem como defeitos ou padrões incomuns em imagens e vídeos. Há anos, as empresas dependem de inspeções manuais ou sistemas baseados em regras para detectar defeitos.

Por exemplo, na fabricação de produtos farmacêuticos, as anomalias em comprimidos podem incluir rachaduras, formatos incorretos, descoloração ou impressões ausentes, o que pode comprometer a qualidade e a segurança. Detectar essas falhas precocemente é essencial para impedir que produtos defeituosos cheguem aos consumidores. No entanto, os métodos manuais de detecção de anomalias costumam ser lentos e inconsistentes, além de não conseguirem lidar com a complexidade das irregularidades do mundo real.

Fig. 1 Detecção de anomalias na indústria farmacêutica.

A deteção de anomalias baseada em IA responde a estes desafios aprendendo padrões a partir de grandes conjuntos de dados. Ao contrário dos métodos fixos baseados em regras, os sistemas de IA podem ser retreinados e melhorados à medida que chegam novos dados.

Modelos avançados como o Ultralytics YOLO11 aprimoram a detecção de anomalias ao permitir a análise de imagens em tempo real com alta precisão. Os sistemas de IA visual podem analisar detalhes em imagens, como forma, textura e estrutura, facilitando a identificação rápida e precisa de irregularidades.

Como a visão computacional permite detectar anomalias#

Os sistemas de detecção de anomalias baseados em IA visual começam capturando imagens ou vídeos de alta qualidade com câmeras, sensores ou drones. Dados visuais nítidos são essenciais, seja para identificar um produto defeituoso em uma linha de fábrica, detectar uma pessoa não autorizada em uma área segura ou identificar movimentos incomuns em um espaço público.

Depois de coletadas, as imagens ou os vídeos passam por técnicas de processamento de imagem, como redução de ruído, aprimoramento de contraste e aplicação de limiar. Essas etapas de pré-processamento ajudam os modelos de IA visual a se concentrarem em detalhes importantes e filtrarem o ruído de fundo, melhorando a precisão em várias aplicações, do monitoramento de segurança ao diagnóstico médico e ao controle de tráfego.

Após o pré-processamento, a visão computacional pode ser usada para analisar as imagens e identificar qualquer elemento fora do comum. Quando uma anomalia é sinalizada, o sistema pode emitir um alerta, por exemplo, notificando um funcionário para remover um produto defeituoso, alertando a equipe de segurança sobre uma possível ameaça ou informando os operadores de trânsito para que controlem o congestionamento.

Fig. 2 Exemplos de defeitos que podem ser detectados com IA visual.

Detecção de anomalias com os recursos do Ultralytics YOLO11#

Vamos analisar mais de perto como modelos de visão computacional, como o Ultralytics YOLO11, conseguem analisar imagens para detectar anomalias.

O Ultralytics YOLO11 oferece suporte a várias tarefas de visão computacional, como detecção de objetos, classificação de imagens, segmentação de instâncias, rastreamento de objetos e estimativa de pose. Essas tarefas simplificam a detecção de anomalias em diferentes aplicações do mundo real.

Por exemplo, a detecção de objetos pode ser usada para identificar produtos defeituosos em uma linha de montagem, pessoas não autorizadas em áreas restritas ou itens fora do lugar em um armazém. Da mesma forma, a segmentação de instâncias permite delinear anomalias com precisão, como rachaduras em máquinas ou contaminação em produtos alimentícios.

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

Veja outros exemplos de tarefas de visão computacional usadas para detectar anomalias:

• Rastreamento de objetos: Pode ser utilizado para monitorizar padrões de movimento e detetar ameaças à segurança, acompanhar anomalias de veículos no trânsito ou avaliar os movimentos de pacientes na área da saúde.
• Estimativa de pose: O Ultralytics YOLO11 pode detetar movimentos corporais invulgares para identificar riscos de segurança nos locais de trabalho ou acompanhar a evolução da reabilitação na área da 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 analisar imagens aéreas, condução autónoma e inspeções industriais.

Por que usar o Ultralytics YOLO11?#

Entre os diversos modelos de visão computacional, os modelos Ultralytics YOLO se destacam pela velocidade e precisão. O Ultralytics YOLOv5 simplificou a implantação com sua estrutura baseada em PyTorch, tornando-a acessível a um número maior de usuários. Já o Ultralytics YOLOv8 ampliou ainda mais a flexibilidade ao introduzir suporte a tarefas como segmentação de instâncias, rastreamento de objetos e estimativa de pose, tornando-o mais adaptável a diferentes aplicações.

O YOLO11, a versão mais recente à data de redação deste texto (sucedida entretanto pelo Ultralytics YOLO26), oferece maior precisão e desempenho do que os seus antecessores. Por exemplo, com menos 22% de parâmetros do que o YOLOv8m, o YOLO11m alcança uma precisão média média (mAP) superior no conjunto de dados COCO, permitindo uma deteção de objetos mais precisa e eficiente.

Como treinar o Ultralytics YOLO11 de forma personalizada para detectar anomalias#

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

Siga estas etapas simples para começar:

• Prepara o teu conjunto de dados: Reúne imagens de alta qualidade que incluam amostras normais e anómalas. Inclui variações de iluminação, ângulos e resoluções para ajudar o modelo a adaptar-se melhor. Referências públicas, como o MVTec AD, são um ponto de partida útil para detetar defeitos industriais.
• Anota os teus dados: Marca as anomalias com caixas delimitadoras, segmentações ou pontos-chave para que o modelo saiba o que procurar. As ferramentas de anotação tornam este processo mais rápido e simples.
• Treine o modelo: O modelo aprende ao longo de vários ciclos, aprimorando sua capacidade de identificar casos normais e anômalos em tempo real.
• Teste e valide: Execute o modelo treinado em novas imagens que ele ainda não viu para avaliar seu desempenho e garantir que funcione bem antes da implantação.

Além disso, ao criar um sistema de detecção de anomalias, é importante avaliar se o treinamento personalizado é realmente necessário. Em alguns casos, um modelo pré-treinado pode ser suficiente.

Por exemplo, se você estiver desenvolvendo um sistema de gerenciamento de tráfego e precisar detectar pedestres que atravessam fora da faixa, o modelo pré-treinado Ultralytics YOLO11 já consegue detectar pessoas com alta precisão. Como a categoria "pessoa" está bem representada no conjunto de dados COCO, no qual o modelo é pré-treinado, não é necessário treiná-lo adicionalmente.

O treinamento personalizado é essencial quando as anomalias ou os objetos que você precisa detectar não estão incluídos no conjunto de dados COCO. Se sua aplicação exigir a identificação de defeitos raros na fabricação, condições médicas específicas em imagens ou objetos únicos não contemplados por conjuntos de dados padrão, treinar um modelo com dados específicos do domínio garante melhor desempenho e precisão.

Aplicações reais da detecção de anomalias baseada em visão#

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

Detecção de anomalias na manufatura#

A visão computacional na manufatura ajuda a manter padrões elevados de qualidade ao identificar defeitos, desalinhamentos e componentes ausentes nas linhas de produção. Os modelos de visão computacional podem sinalizar produtos defeituosos instantaneamente, impedindo que avancem na linha e reduzindo o desperdício. A detecção precoce de problemas, como defeitos em matérias-primas, erros de embalagem ou componentes estruturais frágeis, ajuda a evitar recalls dispendiosos e perdas financeiras.

Além do controle de qualidade, a detecção de anomalias também pode melhorar a segurança no local de trabalho. As fábricas costumam lidar com calor, fumaça e emissões perigosas, que podem causar incêndios. Os modelos de IA visual podem detectar padrões incomuns de fumaça, máquinas superaquecidas ou até mesmo sinais iniciais de incêndio, permitindo que os fabricantes ajam antes que ocorram acidentes.

Fig. 4 Uso da visão computacional para detectar fogo e fumaça.

Identificação de casos extremos no setor automotivo#

O setor automotivo pode usar modelos como o Ultralytics YOLO11 para detectar falhas em motores, sistemas de freio e componentes de transmissão antes que causem falhas críticas. Com o suporte do YOLO11 à detecção de objetos e à segmentação de instâncias, fica fácil identificar com precisão anomalias que poderiam passar despercebidas em inspeções manuais.

Veja outros exemplos de detecção de anomalias no setor automotivo:

• Deteção de anomalias no trânsito: Identificar veículos que circulam em contramão, saídas repentinas da faixa de rodagem ou acessos não autorizados a áreas restritas.
• Monitorização do comportamento do condutor: Identificar a condução com sonolência, comportamentos de distração ou direção errática para melhorar a segurança rodoviária.
• Segurança de veículos autónomos: Detetar peões, ciclistas e obstáculos inesperados para evitar colisões.

Detetar irregularidades em componentes eletrónicos#

Inspecionar componentes eletrónicos manualmente pode ser lento, inconsistente e propenso a erros humanos, o que significa que defeitos em microchips, placas de circuito e ligações de soldadura podem passar despercebidos. Mesmo pequenos defeitos, como uma junta de soldadura rachada ou um componente desalinhado, podem causar interrupções no sinal, falhas do sistema ou curto-circuitos, levando a 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 lacuna numa junta de soldadura que poderia passar despercebida aos inspetores humanos pode ser facilmente detetada pela deteção de objetos do YOLO11. A Ultralytics Platform também disponibiliza um modelo de deteção de defeitos em PCB ajustado a partir do YOLO26s.

Principais conclusões#

À medida que as indústrias adotam a deteção de anomalias com visão por computador, modelos como o Ultralytics YOLO11 estão a tornar-se essenciais para manter a qualidade, melhorar a segurança e reduzir os riscos operacionais.

Da indústria transformadora à agricultura, a deteção de anomalias baseada em IA pode melhorar a precisão, acelerar as inspeções e minimizar os erros humanos. No futuro, é provável que os avanços em IA tornem a deteção de anomalias mais precisa.

Junta-te à nossa comunidade, que não para de crescer! Explora o nosso repositório do GitHub para saberes mais sobre IA. Queres começar os teus próprios projetos de visão computacional? Consulta as nossas opções de licenciamento. Descobre a IA na agricultura e a IA de visão nos cuidados de saúde nas nossas páginas de soluções!