Визуальный ИИ для обнаружения аномалий: краткий обзор

Незамеченная крошечная трещина в крыле самолёта, неверно напечатанная этикетка лекарства или необычная финансовая транзакция могут привести к серьёзным проблемам. Каждая отрасль сталкивается с задачей своевременно выявлять потенциально опасные проблемы, чтобы предотвратить сбои, финансовые потери и угрозы безопасности.

В частности, необходимо обнаруживать аномалии. Обнаружение аномалий направлено на выявление шаблонов, не соответствующих ожидаемому поведению. Оно помогает отмечать дефекты, ошибки и нестандартные действия, которые иначе могли бы остаться незамеченными. Традиционные методы выявляют аномалии по фиксированным правилам, но зачастую работают медленно и плохо справляются со сложными вариациями. Здесь важную роль играет компьютерное зрение.

Обучаясь на больших наборах визуальных данных, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обнаруживать отклонения точнее, чем традиционные методы.

В этой статье мы рассмотрим, как работает обнаружение аномалий на основе компьютерного зрения и чем может помочь Ultralytics YOLO11.

Зачем нужно обнаруживать аномалии#

В компьютерном зрении аномалии, или отклонения, обычно проявляются как дефекты или необычные шаблоны на изображениях и видео. Долгое время компании полагались на ручную проверку или системы на основе правил для обнаружения дефектов.

Например, в фармацевтическом производстве аномалиями таблеток могут быть трещины, неправильная форма, изменение цвета или отсутствие маркировки, что может ухудшить качество и снизить безопасность. Важно обнаруживать такие дефекты как можно раньше, чтобы бракованная продукция не попала к потребителям. Однако ручные методы обнаружения аномалий часто работают медленно, дают нестабильные результаты и не справляются со сложными отклонениями в реальных условиях.

Рис. 1. Обнаружение аномалий в фармацевтической промышленности.

Обнаружение аномалий на основе ИИ помогает решить эти задачи, обучаясь на больших наборах данных. В отличие от фиксированных методов на основе правил, системы ИИ можно переобучать и улучшать по мере поступления новых данных.

Продвинутые модели, такие как Ultralytics YOLO11, повышают эффективность обнаружения аномалий благодаря точному анализу изображений в реальном времени. Системы визуального ИИ анализируют такие детали изображений, как форма, текстура и структура, что позволяет быстро и точно выявлять отклонения.

Как компьютерное зрение помогает обнаруживать аномалии#

Системы обнаружения аномалий на базе визуального ИИ сначала получают изображения или видео высокого качества с помощью камер, датчиков или дронов. Чёткие визуальные данные важны для любых задач: обнаружения дефектного изделия на производственной линии, несанкционированного проникновения в охраняемую зону или необычных перемещений в общественном месте.

После сбора изображения или видео обрабатываются с помощью таких методов обработки изображений, как снижение шума, повышение контрастности и бинаризация. Эти этапы предварительной обработки помогают моделям визуального ИИ сосредоточиться на важных деталях и отфильтровать фоновый шум, повышая точность в самых разных задачах — от наблюдения за безопасностью до медицинской диагностики и управления дорожным движением.

После предварительной обработки компьютерное зрение можно использовать для анализа изображений и выявления всего необычного. Когда система обнаруживает аномалию, она может отправить оповещение: например, попросить сотрудника убрать бракованное изделие, сообщить службе безопасности о потенциальной угрозе или уведомить операторов дорожного движения о заторе.

Рис. 2. Примеры дефектов, которые можно обнаружить с помощью визуального ИИ.

Обнаружение аномалий с помощью возможностей Ultralytics YOLO11#

Давай подробнее рассмотрим, как модели компьютерного зрения, например Ultralytics YOLO11, анализируют изображения для обнаружения аномалий.

Ultralytics YOLO11 поддерживает различные задачи компьютерного зрения, например обнаружение объектов, классификацию изображений, сегментацию экземпляров, отслеживание объектов и оценку позы. Эти задачи упрощают обнаружение аномалий в различных реальных приложениях.

Например, обнаружение объектов можно использовать для поиска бракованных изделий на сборочной линии, посторонних лиц в закрытых зонах или неправильно размещённых товаров на складе. Сегментация экземпляров позволяет точно очерчивать аномалии, например трещины в оборудовании или загрязнения в пищевых продуктах.

Рис. 3. Сегментация трещин с помощью Ultralytics YOLO11.

Вот ещё несколько примеров применения задач компьютерного зрения для обнаружения аномалий:

• Отслеживание объектов: можно анализировать закономерности перемещения, чтобы выявлять угрозы безопасности, отслеживать аномальное поведение транспортных средств в дорожном движении или оценивать движения пациентов в сфере здравоохранения.
• Оценка позы: Ultralytics YOLO11 может обнаруживать необычные движения тела, чтобы выявлять угрозы безопасности на рабочих местах или отслеживать ход реабилитации в сфере здравоохранения.
• Обнаружение ориентированных ограничивающих рамок (OBB): повышает эффективность обнаружения аномалий благодаря точной идентификации и локализации повёрнутых или наклонённых объектов. Это полезно для анализа аэрофотоснимков, автономного вождения и промышленных проверок.

Зачем использовать Ultralytics YOLO11?#

Среди множества моделей компьютерного зрения модели Ultralytics YOLO выделяются высокой скоростью и точностью. Ultralytics YOLOv5 упростила развёртывание благодаря фреймворку на базе PyTorch, сделав его доступным для более широкого круга пользователей. А Ultralytics YOLOv8 стала ещё гибче благодаря поддержке таких задач, как сегментация экземпляров, отслеживание объектов и оценка позы, что позволило адаптировать её к большему числу приложений.

YOLO11 — новейшая на момент написания версия (позже её сменила Ultralytics YOLO26) — обеспечивает более высокую точность и производительность, чем предыдущие версии. Например, YOLO11m обеспечивает более высокую среднюю точность (mAP) на наборе данных COCO, используя на 22% меньше параметров, чем YOLOv8m, что позволяет точнее и эффективнее обнаруживать объекты.

Как обучить Ultralytics YOLO11 на собственных данных для обнаружения аномалий#

Дообучить Ultralytics YOLO11 для обнаружения аномалий несложно. Используя набор данных, подготовленный для конкретной задачи, ты сможешь настроить модель для точного обнаружения аномалий.

Чтобы начать, выполни следующие простые шаги:

• Подготовь набор данных: собери качественные изображения, включающие как нормальные примеры, так и аномалии. Добавь варианты освещения, ракурсов и разрешений, чтобы модель лучше адаптировалась к различным условиям. Общедоступные эталонные наборы данных, такие как MVTec AD, — хорошая отправная точка для поиска промышленных дефектов.
• Разметь данные: отметь аномалии с помощью ограничивающих рамок, сегментации или ключевых точек, чтобы модель знала, что искать. Инструменты аннотирования ускоряют и упрощают этот процесс.
• Обучи модель: в ходе нескольких циклов обучения модель будет лучше распознавать нормальные случаи и аномалии в реальном времени.
• Протестируй и проверь: запусти обученную модель на новых изображениях, которых она раньше не видела, чтобы оценить её производительность и убедиться, что она хорошо работает до развёртывания.

Кроме того, при создании системы обнаружения аномалий важно понять, действительно ли требуется обучение на собственных данных. В некоторых случаях предварительно обученной модели может быть достаточно.

Например, если ты разрабатываешь систему управления дорожным движением, которая должна обнаруживать перебегающих дорогу пешеходов, предварительно обученная модель Ultralytics YOLO11 уже может с высокой точностью обнаруживать людей. Поскольку категория «человек» хорошо представлена в наборе данных COCO, на котором модель предварительно обучалась, дополнительное обучение не требуется.

Обучение на собственных данных необходимо, если нужных тебе аномалий или объектов нет в наборе данных COCO. Если приложению нужно обнаруживать редкие производственные дефекты, определённые заболевания на изображениях или уникальные объекты, которых нет в стандартных наборах данных, обучение модели на данных из конкретной предметной области обеспечит более высокую производительность и точность.

Реальные применения обнаружения аномалий на основе компьютерного зрения#

Обнаружение аномалий — широкое понятие, охватывающее множество реальных приложений. Рассмотрим несколько примеров и посмотрим, как компьютерное зрение помогает выявлять отклонения, повышать эффективность и улучшать процесс принятия решений в разных отраслях.

Обнаружение аномалий в производстве#

Компьютерное зрение в производстве помогает поддерживать высокие стандарты качества, выявляя дефекты, смещения и отсутствующие компоненты на производственных линиях. Модели компьютерного зрения могут мгновенно выявлять бракованные изделия, не позволяя им продвигаться дальше по линии, и сокращать объём отходов. Раннее обнаружение таких проблем, как дефекты сырья, ошибки упаковки или недостаточная прочность компонентов, помогает предотвратить дорогостоящие отзывы продукции и финансовые потери.

Помимо контроля качества, обнаружение аномалий помогает повысить безопасность на рабочем месте. На фабриках часто возникают источники тепла, дым и опасные выбросы, которые могут привести к пожару. Модели визуального ИИ обнаруживают необычные скопления дыма, перегрев оборудования и даже первые признаки возгорания, позволяя производителям принять меры до происшествия.

Рис. 4. Применение компьютерного зрения для обнаружения огня и дыма.

Выявление нестандартных ситуаций в автомобильной отрасли#

Автомобильная отрасль может использовать такие модели, как Ultralytics YOLO11, для обнаружения неисправностей двигателей, тормозных систем и компонентов трансмиссии до того, как они приведут к критическим отказам. Благодаря поддержке обнаружения объектов и сегментации экземпляров в YOLO11 можно точно выявлять аномалии, которые могли бы остаться незамеченными при ручной проверке.

Вот ещё несколько примеров обнаружения аномалий в автомобильной отрасли:

• Обнаружение аномалий в дорожном движении: распознавание транспортных средств, движущихся против потока, внезапного перестроения из полосы или несанкционированного доступа в закрытые зоны.
• Мониторинг поведения водителя: выявление вождения в сонном состоянии, отвлечённости или резких манёвров рулём для повышения безопасности дорожного движения.
• Безопасность автономных транспортных средств: обнаружение пешеходов, велосипедистов и неожиданных препятствий для предотвращения столкновений.

Выявление аномалий в электронике#

Ручная проверка электроники может быть медленной, непоследовательной и подверженной человеческим ошибкам, из-за чего дефекты микрочипов, печатных плат и паяных соединений могут остаться незамеченными. Даже небольшие дефекты, например трещина в паяном соединении или смещённый компонент, могут привести к перебоям сигнала, сбоям системы или коротким замыканиям, делая устройства ненадёжными.

С помощью обнаружения аномалий на базе Ultralytics YOLO11 производители могут автоматизировать этот процесс и намного точнее, чем традиционными методами, находить такие проблемы, как смещение деталей, дефекты пайки или электрические неисправности. Например, YOLO11 легко обнаружит крошечный зазор в паяном соединении, который человек-инспектор может не заметить. На платформе Ultralytics также доступна модель обнаружения дефектов печатных плат, дообученная на основе YOLO26s.

Главные выводы#

По мере того как отрасли внедряют обнаружение аномалий на основе компьютерного зрения, такие модели, как Ultralytics YOLO11, становятся незаменимыми для поддержания качества, повышения безопасности и снижения операционных рисков.

В производстве, сельском хозяйстве и других отраслях обнаружение аномалий на базе ИИ помогает повысить точность, ускорить проверки и свести к минимуму человеческие ошибки. В будущем развитие ИИ, вероятно, позволит обнаруживать аномалии ещё точнее.

Присоединяйся к нашему растущему сообществу! Загляни в наш репозиторий на GitHub, чтобы узнать больше об ИИ. Хочешь начать собственные проекты в области компьютерного зрения? Ознакомься с нашими вариантами лицензирования. Узнай об ИИ в сельском хозяйстве и компьютерном зрении в здравоохранении на страницах наших решений!