19 февраля 2025 г.
Узнайте, как компьютерное зрение обеспечивает точное обнаружение аномалий в различных отраслях. Узнайте, как обучать собственные модели, такие как Ultralytics YOLO11, для обнаружения аномалий.
Крошечная трещина в крыле самолета, неправильно напечатанная этикетка на лекарстве или необычная финансовая транзакция могут вызвать серьезные проблемы, если их вовремя не обнаружить. Каждая отрасль сталкивается с задачей выявления любых рискованных проблем на ранней стадии, чтобы предотвратить сбои, финансовые потери или угрозы безопасности.
В частности, необходимо обнаруживать аномалии. Обнаружение аномалий направлено на выявление закономерностей, которые не соответствуют ожидаемому поведению. Оно предназначено для выявления дефектов, ошибок или нерегулярных действий, которые в противном случае могли бы остаться незамеченными. Традиционные методы основаны на фиксированных правилах для поиска этих аномалий, но они часто работают медленно и с трудом справляются со сложными вариациями. Именно здесь компьютерное зрение играет решающую роль.
Благодаря обучению на больших наборах визуальных данных, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обнаруживать отклонения более точно, чем традиционные методы.
В этой статье мы рассмотрим, как работает обнаружение аномалий на основе машинного зрения и как YOLO11 может помочь в этом.
Что касается компьютерного зрения, аномалии или отклонения обычно проявляются в виде дефектов или необычных закономерностей на изображениях и видео. В течение многих лет предприятия полагались на ручные проверки или системы, основанные на правилах, для обнаружения дефектов.
Например, в фармацевтическом производстве аномалии в таблетках могут включать трещины, неправильную форму, изменение цвета или отсутствие отпечатков, что может поставить под угрозу качество и безопасность. Обнаружение этих дефектов на ранней стадии имеет жизненно важное значение для предотвращения попадания дефектных продуктов к потребителям. Однако ручные методы обнаружения аномалий часто медленные, непоследовательные и не могут справиться со сложностью реальных нарушений.
Обнаружение аномалий на основе ИИ решает эти задачи, обучаясь на огромных наборах данных, постоянно улучшая свою способность распознавать закономерности с течением времени. В отличие от методов, основанных на фиксированных правилах, системы ИИ могут учиться и совершенствоваться со временем.
Передовые модели, такие как YOLO11, улучшают обнаружение аномалий, обеспечивая анализ изображений в реальном времени с высокой точностью. Системы Vision AI могут анализировать детали изображений, такие как форма, текстура и структура, что упрощает быстрое и точное выявление отклонений.
Системы обнаружения аномалий, управляемые Vision AI, работают, сначала захватывая высококачественные изображения или видео с помощью камер, датчиков или дронов. Четкие визуальные данные являются ключевыми, будь то обнаружение дефектного продукта на заводской линии, обнаружение постороннего лица в охраняемой зоне или выявление необычного движения в общественном месте.
После сбора изображения или видео подвергаются обработке изображений, такой как шумоподавление, улучшение контрастности и пороговая обработка. Эти этапы предварительной обработки помогают моделям Vision AI сосредоточиться на важных деталях, отфильтровывая фоновый шум, повышая точность в различных приложениях, от мониторинга безопасности до медицинской диагностики и управления дорожным движением.
После предварительной обработки компьютерное зрение может быть использовано для анализа изображений и выявления любых отклонений от нормы. Как только аномалия обнаружена, система может отправить предупреждение, например, уведомить работника об удалении дефектного продукта, предупредить сотрудников службы безопасности о потенциальной угрозе или проинформировать операторов дорожного движения об управлении заторами.
Давайте подробнее рассмотрим, как модели компьютерного зрения, такие как YOLO11, способны анализировать изображения для обнаружения 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 дефектных продуктов на конвейере, несанкционированных лиц в запрещенных зонах или потерянных предметов на складе. Аналогично, сегментация экземпляров позволяет точно определять аномалии, такие как трещины в механизмах или загрязнения в пищевых продуктах.
Вот еще несколько примеров задач компьютерного зрения, используемых для обнаружения аномалий:
Среди различных моделей компьютерного зрения модели Ultralytics YOLO выделяются своей скоростью и точностью. Ultralytics YOLOv5 упростила развертывание благодаря своей структуре на основе PyTorch, что сделало ее доступной для более широкого круга пользователей. В то же время Ultralytics YOLOv8 еще больше повысила гибкость, внедрив 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 высокую среднюю точность (mAP) на наборе данных COCO, что позволяет более точно и эффективно обнаруживать объекты.
Пользовательская дообучка YOLO11 для обнаружения аномалий — простая и понятная задача. С помощью набора данных, разработанного для вашего конкретного приложения, вы можете точно настроить модель для точного обнаружения аномалий.
Чтобы начать, выполните следующие простые шаги:
Кроме того, при создании системы обнаружения аномалий важно учитывать, действительно ли необходимо пользовательское обучение. В некоторых случаях предварительно обученной модели может быть уже достаточно.
Например, если вы разрабатываете систему управления дорожным движением и аномалией, которую вам нужно обнаружить, являются пешеходы, переходящие дорогу в неположенном месте, предварительно обученная модель YOLO11 уже может обнаруживать людей с высокой точностью. Поскольку «человек» является хорошо представленной категорией в наборе данных COCO (на котором он предварительно обучен), нет необходимости в дополнительном обучении.
Пользовательская тренировка становится необходимой, когда аномалии или объекты, которые вам нужно обнаружить, не включены в набор данных COCO. Если вашему приложению требуется выявлять редкие дефекты в производстве, определенные заболевания на изображениях или уникальные объекты, не охваченные стандартными наборами данных, то обучение модели на данных, специфичных для предметной области, обеспечивает лучшую производительность и точность.
Обнаружение аномалий — это широкое понятие, охватывающее множество реальных применений. Давайте рассмотрим некоторые из них и посмотрим, как компьютерное зрение помогает выявлять отклонения, повышать эффективность и улучшать принятие решений в различных отраслях.
Компьютерное зрение в производстве помогает поддерживать высокие стандарты качества, выявляя дефекты, смещения и отсутствующие компоненты на производственных линиях. Модели компьютерного зрения могут мгновенно отмечать дефектные продукты, не позволяя им продвигаться дальше по линии и сокращая количество отходов. Раннее выявление таких проблем, как дефекты сырья, ошибки упаковки или слабые структурные компоненты, помогает предотвратить дорогостоящие отзывы продукции и финансовые потери.
Помимо контроля качества, обнаружение аномалий также может повысить безопасность на рабочем месте. На заводах часто приходится иметь дело с жарой, дымом и опасными выбросами, которые могут привести к пожарам. Модели машинного зрения могут обнаруживать необычные модели дыма, перегрев оборудования или даже ранние признаки пожара, позволяя производителям принять меры до того, как произойдет несчастный случай.
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 отказам. Благодаря поддержке YOLO11 обнаружения объектов и сегментации экземпляров легко точно идентифицировать аномалии, которые могут быть упущены при ручном осмотре.
Вот еще несколько примеров обнаружения аномалий в автомобильной промышленности:
Проверка электроники вручную может быть медленной, непоследовательной и подверженной человеческим ошибкам, что означает, что дефекты в микрочипах, печатных платах и паяных соединениях могут остаться незамеченными. Даже небольшие дефекты, такие как треснувший паяный шов или неправильно выровненный компонент, могут вызвать нарушения сигнала, сбои в системе или короткие замыкания, что приведет к ненадежным устройствам.
Благодаря обнаружению аномалий на базе YOLO11 производители могут автоматизировать этот процесс и быстро выявлять такие проблемы, как смещенные детали, дефектная пайка или электрические неисправности, с гораздо большей точностью, чем традиционные методы. Например, крошечный зазор в паяном соединении, который может быть пропущен инспекторами, может быть легко обнаружен с помощью функции обнаружения объектов YOLO11.
По мере того, как отрасли обращаются к обнаружению аномалий с помощью компьютерного зрения, модели, такие как YOLO11, становятся необходимыми 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 свести к минимуму человеческие ошибки. Заглядывая в будущее, достижения в области ИИ, вероятно, сделают обнаружение аномалий более точным.
Присоединяйтесь к нашему растущему сообществу! Изучите наш репозиторий на GitHub, чтобы узнать больше об ИИ. Готовы начать свои собственные проекты в области компьютерного зрения? Ознакомьтесь с нашими вариантами лицензирования. Откройте для себя ИИ в сельском хозяйстве и Vision AI в здравоохранении, посетив страницы наших решений!
