19 de fevereiro de 2025
Explore como a visão computacional permite a deteção precisa de anomalias em vários sectores. Saiba como treinar modelos personalizados como o Ultralytics YOLO11 para deteção de anomalias.
Uma pequena rachadura na asa de um avião, um rótulo mal impresso em um medicamento ou uma transação financeira incomum podem causar sérios problemas se não forem detectados. Todas as indústrias enfrentam o desafio de tentar identificar quaisquer problemas arriscados logo no início para evitar falhas, perdas financeiras ou riscos de segurança.
Especificamente, as anomalias precisam ser detectadas. A detecção de anomalias está focada em identificar padrões que não correspondem aos comportamentos esperados. Ela visa sinalizar defeitos, erros ou atividades irregulares que poderiam passar despercebidas. Os métodos tradicionais dependem de regras fixas para encontrar essas anomalias, mas geralmente são lentos e têm dificuldades com variações complexas. É aqui que a visão computacional desempenha um papel crucial.
Ao aprender com grandes conjuntos de dados visuais, modelos de visão computacional como o Ultralytics YOLO11 podem detect irregularidades com maior precisão do que os métodos tradicionais.
Neste artigo, vamos explorar como funciona a deteção de anomalias com base na visão e como YOLO11 pode ajudar.
No que diz respeito à visão por computador, as anomalias ou irregularidades aparecem normalmente como defeitos ou padrões invulgares em imagens e vídeos. Durante anos, as empresas confiaram em inspecções manuais ou em sistemas baseados em regras para detect defeitos.
Por exemplo, na fabricação farmacêutica, as anomalias em comprimidos podem incluir rachaduras, formas incorretas, descoloração ou impressões ausentes, o que pode comprometer a qualidade e a segurança. Detectar essas falhas precocemente é vital para evitar que produtos defeituosos cheguem aos consumidores. No entanto, os métodos manuais de detecção de anomalias são frequentemente lentos, inconsistentes e não conseguem lidar com a complexidade das irregularidades do mundo real.
A detecção de anomalias baseada em IA resolve esses desafios aprendendo com vastos conjuntos de dados, melhorando continuamente sua capacidade de reconhecer padrões ao longo do tempo. Ao contrário dos métodos baseados em regras fixas, os sistemas de IA podem aprender e melhorar com o tempo.
Modelos avançados como o YOLO11 melhoram a deteção de anomalias, permitindo a análise de imagens em tempo real com elevada precisão. Os sistemas de IA de visão podem analisar detalhes em imagens como forma, textura e estrutura, facilitando a deteção de irregularidades com rapidez e precisão.
Os sistemas de deteção de anomalias impulsionados pela Visão de IA funcionam capturando primeiro imagens ou vídeos de alta qualidade usando câmaras, sensores ou drones. Dados visuais claros são fundamentais, quer se trate de detetar um produto defeituoso numa linha de fábrica, de detetar uma pessoa não autorizada numa área segura ou de identificar movimentos invulgares num espaço público.
Uma vez coletadas, as imagens ou vídeos passam por técnicas de processamento de imagem, como redução de ruído, realce de contraste e limiarização. Estas etapas de pré-processamento ajudam os modelos de Visão de IA a focar-se em detalhes importantes, filtrando o ruído de fundo, melhorando a precisão em várias aplicações, desde a monitorização de segurança até ao diagnóstico médico e controlo de tráfego.
Após o pré-processamento, a visão computacional pode ser usada para analisar as imagens e identificar qualquer coisa fora do comum. Uma vez que uma anomalia é sinalizada, o sistema pode acionar um alerta, como notificar um trabalhador para remover um produto defeituoso, alertar o pessoal de segurança sobre uma ameaça potencial ou informar os operadores de tráfego para gerenciar o congestionamento.
Vejamos mais de perto como os modelos de visão por computador, como o YOLO11 , são capazes de analisar imagens para detect anomalias.
YOLO11 suporta várias tarefas de visão computacional, como a deteção de objectos, a classificação de imagens, a segmentação de instâncias, o seguimento de objectos e a estimativa de pose. Estas tarefas tornam mais simples a deteção de anomalias em diferentes aplicações do mundo real.
Por exemplo, a deteção de objetos pode ser usada para identificar produtos defeituosos numa linha de montagem, indivíduos não autorizados em áreas restritas ou itens deslocados num armazém. Da mesma forma, a segmentação de instâncias torna possível delinear com precisão anomalias, como rachaduras em máquinas ou contaminação em produtos comestíveis.
Aqui estão alguns outros exemplos de tarefas de visão computacional sendo usadas para detecção de anomalias:
Entre vários outros modelos de visão por computador, os modelosUltralytics YOLO destacam-se pela sua rapidez e precisão. Ultralytics YOLOv5 simplificou a implementação com a sua estrutura PyTorch, tornando-o acessível a um maior número de utilizadores. Entretanto, Ultralytics YOLOv8 melhorou ainda mais a flexibilidade, introduzindo suporte para tarefas como a segmentação de instâncias, o seguimento de objectos e a 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 YOLOv8m, o YOLO11m oferece uma precisão média superiormAP) no conjunto de dados COCO , permitindo uma deteção de objectos mais precisa e eficiente.
O treino personalizado YOLO11 para deteção de anomalias é simples e direto. Com um conjunto de dados concebido para a sua aplicação específica, pode afinar o modelo para detect anomalias com precisão.
Siga estes passos simples para começar:
Além disso, ao construir um sistema de detecção de anomalias, é importante considerar se o treinamento personalizado é realmente necessário. Em alguns casos, um modelo pré-treinado já pode ser suficiente.
Por exemplo, se estiver a desenvolver um sistema de gestão de tráfego e a anomalia que precisa de detect for a presença de peões, o modelo YOLO11 pré-treinado já consegue detect pessoas com elevada precisão. Uma vez que "pessoa" é uma categoria bem representada no conjunto de dados COCO (no qual é pré-treinado), não há necessidade de formação adicional.
O treinamento personalizado torna-se essencial quando as anomalias ou objetos que você precisa detect não estão incluídos no conjunto de dados COCO . Se a sua aplicação requer a identificação de defeitos raros no fabrico, condições médicas específicas em imagens ou objectos únicos não abrangidos por conjuntos de dados padrão, o treino de um modelo em dados específicos do domínio garante um melhor desempenho e precisão.
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, a melhorar a eficiência e a otimizar a tomada de decisões em diferentes setores.
A visão computacional na fabricação ajuda a manter altos padrões de qualidade, detectando defeitos, desalinhamentos e componentes ausentes nas linhas de produção. Os modelos de visão computacional podem sinalizar instantaneamente produtos defeituosos, impedindo que eles avancem na linha e reduzindo o desperdício. A detecção precoce de problemas como defeitos de matéria-prima, erros de embalagem ou componentes estruturais fracos ajuda a evitar recalls dispendiosos e perdas financeiras.
Para além do controlo de qualidade, a deteção de anomalias pode também melhorar a segurança no local de trabalho. As fábricas lidam frequentemente com calor, fumo e emissões perigosas, o que pode levar a riscos de incêndio. Os modelos de IA de visão podem detect padrões de fumo invulgares, maquinaria em sobreaquecimento ou mesmo sinais precoces de um incêndio, permitindo aos fabricantes tomar medidas antes da ocorrência de acidentes.
A indústria automóvel pode utilizar modelos como o YOLO11 para detect falhas em motores, sistemas de travagem e componentes de transmissão antes que estas conduzam a falhas críticas. Utilizando o suporte do YOLO11para deteção de objectos e segmentação de instâncias, é fácil identificar com precisão as anomalias que as inspecções manuais podem ignorar.
Aqui estão alguns outros exemplos de detecção de anomalias na indústria automotiva:
Inspecionar eletrônicos manualmente pode ser lento, inconsistente e propenso a erros humanos, o que significa que defeitos em microchips, placas de circuito e conexões de solda podem passar despercebidos. Mesmo pequenos defeitos, como uma junta de solda rachada ou um componente desalinhado, podem causar interrupções de sinal, falhas no sistema ou curtos-circuitos, levando a dispositivos não confiáveis.
Com a deteção de anomalias YOLO11, os fabricantes podem automatizar este processo e identificar rapidamente problemas como peças desalinhadas, soldaduras defeituosas ou falhas eléctricas com uma precisão muito superior à dos métodos tradicionais. Por exemplo, uma pequena fenda numa junta de soldadura que poderia passar despercebida aos inspectores humanos pode ser facilmente detectada pela deteção de objectos do YOLO11.
À medida que as indústrias se voltam para a deteção de anomalias através de visão computacional, modelos como o YOLO11 estão a tornar-se essenciais para manter a qualidade, melhorar a segurança e reduzir os riscos operacionais.
Da manufatura à agricultura, a detecção de anomalias orientada por IA pode aumentar a precisão, acelerar as inspeções e minimizar os erros humanos. Olhando para o futuro, os avanços na IA provavelmente tornarão a detecção de anomalias mais precisa.
Junte-se à nossa crescente comunidade! Explore nosso repositório GitHub para saber mais sobre IA. Pronto para iniciar seus próprios projetos de visão computacional? Confira nossas opções de licenciamento. Descubra a IA na agricultura e a Vision AI na área da saúde visitando nossas páginas de soluções!
