19 февраля 2025 г.
Узнайте, как компьютерное зрение позволяет точно обнаруживать аномалии в различных отраслях. Узнайте, как настраивать 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.
Обучаясь на больших массивах визуальных данных, модели компьютерного зрения, такие как Ultralytics YOLO11 позволяют detect неровности более точно, чем традиционные методы.
В этой статье мы рассмотрим, как работает система обнаружения аномалий на основе технического зрения и как в этом может помочь YOLO11 .
Что касается компьютерного зрения, то аномалии или нарушения обычно проявляются в виде дефектов или необычных узоров на изображениях и видео. В течение многих лет предприятия полагались на ручные проверки или системы, основанные на правилах, для detect 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, позволяя анализировать изображения в режиме реального времени с высокой точностью. Системы искусственного интеллекта могут анализировать такие детали изображения, как форма, текстура и структура, что позволяет быстро и точно выявлять нарушения.
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 рассмотрим подробнее, как модели компьютерного зрения, такие как YOLO11 , способны анализировать изображения для detect аномалий.
YOLO11 поддерживает различные задачи компьютерного зрения, такие как обнаружение объектов, классификация изображений, сегментация объектов, 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 других моделей компьютерного зрения моделиUltralytics YOLO выделяются своей скоростью и точностью. Ultralytics YOLOv5 упростила развертывание благодаря фреймворку PyTorch, что сделало ее доступной для более широкого круга пользователей. Тем временем, Ultralytics YOLOv8 еще больше повысила гибкость, добавив поддержку таких задач, как сегментация экземпляров, отслеживание объектов и оценка позы, что делает ее более адаптируемой к различным приложениям.
Последняя версия, YOLO11, отличается повышенной точностью и производительностью по сравнению со своими предшественниками. Например, при 22 % меньшем количестве параметров, чем YOLOv8m, YOLO11m обеспечивает более высокую среднюю точностьmAP) на наборе данных COCO , что позволяет более точно и эффективно обнаруживать объекты.
Настроить YOLO11 на обнаружение аномалий легко и просто. С набором данных, разработанным для вашего конкретного приложения, вы можете точно настроить модель для точного detect 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, а аномалия, которую вам нужно detect , - это пешеходы, то предварительно обученная модель YOLO11 уже может с высокой точностью detect людей. Поскольку "человек" - хорошо представленная категория в наборе данных COCO (на котором она предварительно обучена), нет необходимости в дополнительном обучении.
Индивидуальное обучение становится необходимым, когда аномалии или объекты, которые необходимо detect , не включены в набор данных COCO . Если в вашем приложении требуется выявить редкие дефекты в производстве, специфические медицинские состояния на изображениях или уникальные объекты, не включенные в стандартные наборы данных, то обучение модели на данных, специфичных для конкретной области, обеспечивает более высокую 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 производстве. На заводах часто бывает жарко, дымно и опасно, что может привести к пожару. Модели искусственного интеллекта могут detect необычный дым, перегрев оборудования или даже первые признаки пожара, что позволит производителям принять меры до того, как произойдет несчастный случай.
Автомобильная промышленность может использовать такие модели, как YOLO11 , для detect неисправностей в двигателях, тормозных системах и компонентах трансмиссии до того, как они приведут к критическим отказам. Благодаря поддержке в YOLO11функции обнаружения объектов и сегментации экземпляров можно точно определить аномалии, которые при ручной проверке могут быть упущены.
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.
С помощью системы обнаружения аномалий YOLO11 производители могут автоматизировать этот процесс и быстро выявлять такие проблемы, как несоосность деталей, дефекты пайки или электрические неисправности, с гораздо большей точностью, чем традиционные методы. Например, крошечный зазор в паяном соединении, который может быть пропущен человеческим инспектором, может быть легко обнаружен с помощью функции обнаружения объектов YOLO11.
По мере того как отрасли промышленности переходят на обнаружение 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 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!
