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 направлено на выявление паттернов, которые не соответствуют ожидаемому поведению. Оно нацелено на то, чтобы отмечать дефекты, ошибки или нерегулярные действия, которые в противном случае 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 важнейшую роль.

Обучаясь на крупных визуальных датасетах, 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 чем может помочь Ultralytics YOLO11.

Необходимость 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 производстве лекарственных средств аномалии в таблетках могут включать трещины, неправильную форму, изменение цвета или отсутствие оттисков, что может поставить под угрозу качество и безопасность. Раннее обнаружение этих дефектов жизненно важно для предотвращения попадания бракованной продукции к потребителям. Однако методы ручного обнаружения аномалий часто работают медленно, неконсистентно и не справляются со сложностью реальных отклонений.

Рис. 1. Обнаружение аномалий в фармацевтической промышленности.

Обнаружение аномалий на базе ИИ решает эти задачи за счет обучения на огромных датасетах, постоянно совершенствуя свою способность распознавать паттерны с течением времени. В отличие от фиксированных методов на основе правил, ИИ-системы способны обучаться и совершенствоваться со временем.

Современные модели, такие как Ultralytics YOLO11, улучшают обнаружение аномалий, обеспечивая анализ изображений в реальном времени с высокой точностью. Системы Vision AI могут анализировать такие детали на изображениях, как форма, текстура и структура, что позволяет быстро и точно выявлять нарушения.

Как 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 методы обработки изображений, такие как шумоподавление, повышение контрастности и пороговая обработка. Эти шаги предобработки помогают моделям vision AI фокусироваться на важных деталях, одновременно фильтруя 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 vision AI.

Обнаружение аномалий с помощью возможностей Ultralytics YOLO11#

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

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

Например, обнаружение объектов можно использовать для выявления бракованной продукции на сборочной линии, посторонних лиц в зонах с ограниченным доступом или предметов, лежащих не на своих местах на складе. Аналогичным образом, сегментация экземпляров позволяет точно обводить аномалии, такие как трещины в оборудовании или загрязнения в пищевых продуктах.

Fig 3. Сегментация трещин с помощью Ultralytics 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: Ultralytics YOLO11 может определять необычные движения тела для выявления угроз безопасности на рабочих местах или отслеживать прогресс 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.

Почему тебе стоит использовать Ultralytics YOLO11?#

Среди множества других моделей компьютерного зрения модели Ultralytics YOLO выделяются своей скоростью и точностью. Ultralytics YOLOv5 упростила развертывание благодаря фреймворку на базе PyTorch, сделав его доступным для более широкого круга пользователей. В то же время Ultralytics YOLOv8 еще больше расширила гибкость, добавив поддержку таких задач, как сегментация экземпляров, трекинг 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.

Как самостоятельно обучить Ultralytics YOLO11 для обнаружения аномалий#

Самостоятельное обучение Ultralytics YOLO11 для обнаружения аномалий — это просто и понятно. Имея датасет, созданный под твою конкретную задачу, ты можешь дообучить 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, то предварительно обученная модель Ultralytics YOLO11 уже умеет обнаруживать людей с высокой точностью. Поскольку «человек» является хорошо представленной категорией в датасете COCO (на котором она предварительно обучена), дополнительное обучение не требуется.

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.

Реальные 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.

Обнаружение аномалий в производстве#

Компьютерное зрение в производстве помогает поддерживать высокие стандарты качества, выявляя дефекты, смещения и недостающие компоненты на производственных линиях. Модели компьютерного зрения могут мгновенно отмечать бракованные изделия, останавливая их дальнейшее движение по линии и сокращая количество отходов. Раннее обнаружение таких проблем, как дефекты сырья, ошибки упаковки или слабые конструктивные элементы, помогает предотвратить дорогостоящие отзывные кампании 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. Использование компьютерного зрения для обнаружения огня и дыма.

Идентификация крайних случаев в автомобильной промышленности#

Автомобильная промышленность может использовать такие модели, как Ultralytics YOLO11, для обнаружения неисправностей в двигателях, тормозных системах и компонентах трансмиссии до того, как они приведут к критическим отказам. Благодаря поддержке обнаружения объектов и сегментации экземпляров в YOLO11 легко точно определять аномалии, которые могут быть пропущены при ручном осмотре.

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.

Выявление 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.

С помощью обнаружения аномалий на базе Ultralytics YOLO11 производители могут автоматизировать этот процесс и быстро находить такие проблемы, как смещенные детали, дефектная пайка или электрические неисправности, с гораздо большей точностью, чем традиционными методами. Например, крошечный зазор в паяном соединении, который может быть упущен из виду инспекторами-людьми, легко обнаруживается с помощью функции детекции объектов YOLO11.

Основные выводы#

Поскольку отрасли переходят на обнаружение аномалий с помощью компьютерного зрения, такие модели, как Ultralytics 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 искусственном интеллекте. Готов начать свои собственные проекты в области computer vision? Ознакомься с нашими licensing options. Узнай про AI in agriculture и vision AI in healthcare, посетив страницы наших решений!