Vision AI для обнаружения аномалий: краткий обзор

Крошечная трещина в крыле самолета, неправильно напечатанная этикетка на лекарстве или необычная финансовая транзакция могут привести к серьезным проблемам, если их вовремя не обнаружить. Каждая отрасль сталкивается с задачей раннего выявления рискованных проблем, чтобы предотвратить сбои, финансовые потери или угрозы безопасности.

В частности, необходимо обнаруживать аномалии. Обнаружение аномалий сосредоточено на выявлении закономерностей, которые не соответствуют ожидаемому поведению. Оно направлено на то, чтобы отмечать дефекты, ошибки или нерегулярные действия, которые иначе могли бы остаться незамеченными. Традиционные методы полагаются на фиксированные правила для поиска таких аномалий, но они часто работают медленно и с трудом справляются со сложными вариациями. Именно здесь компьютерное зрение играет решающую роль.

Обучаясь на больших визуальных наборах 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 зрения и как YOLO11 может в этом помочь.

Link to this sectionНеобходимость обнаружения аномалий#

Что касается компьютерного зрения, аномалии или отклонения обычно проявляются как дефекты или необычные паттерны на изображениях и видео. Годами компании полагались на ручные проверки или системы на основе правил для обнаружения дефектов.

Например, в фармацевтическом производстве аномалии в таблетках могут включать трещины, неправильную форму, обесцвечивание или отсутствие оттиска, что может поставить под угрозу качество и безопасность. Обнаружение этих дефектов на ранней стадии жизненно важно для того, чтобы бракованные продукты не попали к потребителям. Однако ручные методы обнаружения аномалий часто медленны, непоследовательны и не могут справиться со сложностью реальных отклонений.

Рис 1. Обнаружение аномалий в фармацевтической промышленности.

Обнаружение аномалий на основе ИИ решает эти задачи, обучаясь на огромных наборах данных и постоянно совершенствуя свою способность распознавать закономерности с течением времени. В отличие от фиксированных методов, основанных на правилах, системы ИИ могут учиться и улучшаться со временем.

Продвинутые модели, такие как YOLO11, улучшают обнаружение аномалий, обеспечивая анализ изображений в реальном времени с высокой точностью. Системы компьютерного зрения могут анализировать такие детали изображений, как форма, текстура и структура, что упрощает быстрое и точное обнаружение отклонений.

Link to this sectionКак компьютерное зрение позволяет обнаруживать аномалии#

Системы обнаружения аномалий, работающие на основе компьютерного зрения, сначала захватывают высококачественные изображения или видео с помощью камер, датчиков или дронов. Четкие визуальные данные — ключ к успеху, будь то обнаружение дефектного продукта на производственной линии, выявление постороннего лица в охраняемой зоне или идентификация необычного движения в общественном месте.

После сбора изображения или видео проходят через методы обработки изображений, такие как шумоподавление, повышение контрастности и пороговая обработка. Эти этапы предварительной обработки помогают моделям компьютерного зрения сосредоточиться на важных деталях, отсеивая фоновый шум, что повышает точность в различных приложениях — от мониторинга безопасности до медицинской диагностики и управления дорожным движением.

После предварительной обработки компьютерное зрение используется для анализа изображений и выявления всего необычного. Как только аномалия помечена, система может инициировать оповещение, например, уведомить рабочего о необходимости удалить бракованный продукт, предупредить службу безопасности о потенциальной угрозе или проинформировать операторов дорожного движения о необходимости справиться с затором.

Рис 2. Примеры дефектов, которые можно обнаружить с помощью компьютерного зрения.

Link to this sectionОбнаружение аномалий с использованием возможностей YOLO11#

Давай подробнее рассмотрим, как модели компьютерного зрения, такие как YOLO11, могут анализировать изображения для выявления аномалий.

YOLO11 поддерживает различные задачи компьютерного зрения, такие как обнаружение объектов, классификация изображений, сегментация экземпляров, отслеживание объектов и оценка позы. Эти задачи упрощают обнаружение аномалий в различных реальных приложениях.

Например, обнаружение объектов можно использовать для выявления бракованных продуктов на сборочной линии, посторонних лиц в зонах с ограниченным доступом или неправильно расположенных предметов на складе. Аналогично, сегментация экземпляров позволяет точно выделить аномалии, такие как трещины в механизмах или загрязнения в пищевых продуктах.

Рис 3. Сегментация трещин с помощью YOLO11.

Вот еще несколько примеров использования задач компьютерного зрения для обнаружения аномалий:

• Отслеживание объектов: может использоваться для мониторинга паттернов движения с целью выявления угроз безопасности, отслеживания аномалий транспортных средств в дорожном движении или оценки движений пациентов в здравоохранении.
• Оценка позы: YOLO11 может обнаруживать необычные движения тела для выявления рисков безопасности на рабочем месте или отслеживания прогресса реабилитации в здравоохранении.
• Обнаружение с помощью ориентированных ограничивающих рамок (OBB): улучшает обнаружение аномалий за счет точной идентификации и локализации повернутых или расположенных под углом объектов, что полезно для анализа аэрофотоснимков, автономного вождения и промышленных инспекций.

Link to this sectionПочему тебе стоит использовать YOLO11?#

Среди множества других моделей компьютерного зрения модели Ultralytics YOLO выделяются своей скоростью и точностью. Ultralytics YOLOv5 упростила развертывание благодаря своему фреймворку на основе PyTorch, сделав его доступным для более широкого круга пользователей. В то же время Ultralytics YOLOv8 еще больше повысила гибкость, добавив поддержку таких задач, как сегментация экземпляров, отслеживание объектов и оценка позы, что сделало ее более адаптируемой к различным приложениям.

Последняя версия, YOLO11, предлагает превосходную точность и производительность по сравнению со своими предшественниками. Например, имея на 22% меньше параметров, чем YOLOv8m, YOLO11m обеспечивает более высокий средний показатель точности (mAP) на наборе данных COCO, что позволяет более точно и эффективно обнаруживать объекты.

Link to this sectionКак дообучить YOLO11 для обнаружения аномалий#

Пользовательское обучение YOLO11 для обнаружения аномалий — это простой и понятный процесс. С помощью набора данных, разработанного для твоей конкретной задачи, ты можешь настроить модель для точного обнаружения аномалий.

Выполни эти простые шаги, чтобы начать:

• Подготовь свой набор данных: Собери высококачественные изображения, включающие как нормальные образцы, так и образцы с аномалиями. Обязательно включи вариации освещения, углов и разрешений, чтобы помочь модели лучше адаптироваться.
• Разметь свои данные: Отметь аномалии с помощью ограничивающих рамок, сегментации или ключевых точек, чтобы модель понимала, что искать. Инструменты с открытым исходным кодом делают этот процесс быстрее и проще.
• Обучи модель: Модель учится в течение нескольких циклов, улучшая свою способность идентифицировать нормальные случаи и аномалии в режиме реального времени.
• Тестируй и проверяй: Запусти обученную модель на новых, ранее не виденных изображениях, чтобы оценить её эффективность и убедиться, что она работает хорошо перед развертыванием.

Также при создании системы обнаружения аномалий важно учитывать, действительно ли необходимо пользовательское обучение. В некоторых случаях предобученной модели может быть вполне достаточно.

Например, если ты разрабатываешь систему управления дорожным движением и аномалия, которую тебе нужно обнаружить, — это пешеходы, переходящие дорогу в неположенном месте, предобученная модель YOLO11 уже может обнаруживать людей с высокой точностью. Поскольку категория «человек» хорошо представлена в наборе данных COCO (на котором она предобучена), нет необходимости в дополнительном обучении.

Пользовательское обучение становится необходимым, когда аномалии или объекты, которые тебе нужно обнаружить, отсутствуют в наборе данных COCO. Если твое приложение требует идентификации редких дефектов в производстве, специфических медицинских состояний на изображениях или уникальных объектов, не охваченных стандартными наборами данных, то обучение модели на данных, специфичных для твоей области, обеспечит лучшую производительность и точность.

Link to this sectionРеальные применения обнаружения аномалий на основе зрения#

Обнаружение аномалий — это широкое понятие, которое охватывает множество реальных приложений. Давай пройдемся по нескольким из них и посмотрим, как компьютерное зрение помогает выявлять отклонения, повышать эффективность и улучшать принятие решений в различных отраслях.

Link to this sectionОбнаружение аномалий в производстве#

Компьютерное зрение в производстве помогает поддерживать высокие стандарты качества, обнаруживая дефекты, перекосы и отсутствующие компоненты на производственных линиях. Модели компьютерного зрения могут мгновенно помечать неисправные продукты, останавливая их движение по линии и сокращая количество отходов. Раннее обнаружение таких проблем, как дефекты сырья, ошибки упаковки или слабые структурные компоненты, помогает предотвратить дорогостоящие отзывы и финансовые потери.

Помимо контроля качества, обнаружение аномалий также может повысить безопасность на рабочем месте. Заводы часто сталкиваются с жарой, дымом и опасными выбросами, что может привести к пожароопасным ситуациям. Модели Vision AI могут обнаруживать необычные паттерны дыма, перегрев оборудования или даже ранние признаки пожара, позволяя производителям принять меры до того, как произойдут аварии.

Рис 4. Компьютерное зрение используется для обнаружения огня и дыма.

Link to this sectionИдентификация крайних случаев в автомобильной промышленности#

Автомобильная промышленность может использовать модели, такие как YOLO11, для обнаружения неисправностей в двигателях, тормозных системах и компонентах трансмиссии до того, как они приведут к критическим сбоям. Используя поддержку YOLO11 для обнаружения объектов и сегментации экземпляров, легко точно идентифицировать аномалии, которые ручные проверки могут пропустить.

Вот несколько других примеров обнаружения аномалий в автомобильной промышленности:

• Обнаружение аномалий в дорожном движении: распознавание транспортных средств, движущихся против потока, внезапные съезды с полосы или несанкционированный доступ в ограниченные зоны.
• Мониторинг поведения водителя: выявление сонливости за рулем, отвлекающегося поведения или беспорядочного управления автомобилем для повышения безопасности дорожного движения.
• Безопасность автономных транспортных средств: обнаружение пешеходов, велосипедистов и неожиданных препятствий для предотвращения столкновений.

Link to this sectionВыявление отклонений в электронике#

Ручной осмотр электроники может быть медленным, непоследовательным и подверженным человеческим ошибкам, а это означает, что дефекты в микрочипах, печатных платах и паяных соединениях могут остаться незамеченными. Даже небольшие дефекты, такие как трещина в паяном соединении или неправильно расположенный компонент, могут вызвать нарушение сигналов, системные сбои или короткие замыкания, что ведет к ненадежности устройств.

Благодаря обнаружению аномалий на базе YOLO11 производители могут автоматизировать этот процесс и быстро выявлять такие проблемы, как смещенные детали, дефекты пайки или электрические неисправности с гораздо большей точностью, чем традиционные методы. Например, крошечный зазор в паяном соединении, который может быть пропущен человеком-инспектором, легко обнаруживается с помощью обнаружения объектов YOLO11.

Link to this sectionОсновные выводы#

По мере того как отрасли переходят к обнаружению аномалий с помощью компьютерного зрения, такие модели, как YOLO11, становятся незаменимыми для поддержания качества, повышения безопасности и снижения операционных рисков.

От производства до сельского хозяйства — обнаружение аномалий на основе ИИ может повысить точность, ускорить проверки и минимизировать человеческие ошибки. Заглядывая в будущее, можно сказать, что достижения в области ИИ, вероятно, сделают обнаружение аномалий еще более точным.

Присоединяйся к нашему растущему community! Изучи наш GitHub repository, чтобы узнать больше об AI. Готов начать свои проекты по компьютерному зрению? Ознакомься с нашими licensing options. Узнай об AI in agriculture и vision AI in healthcare, посетив наши страницы решений!