Vision AI для обнаружения аномалий: Краткий обзор

Крошечная трещина в крыле самолета, неправильно напечатанная этикетка на лекарстве или необычная финансовая операция могут привести к серьезным проблемам, если их не заметить. Каждая отрасль сталкивается с необходимостью выявлять любые рискованные проблемы на ранних стадиях, чтобы предотвратить неудачи, финансовые потери или риски для безопасности.

В частности, необходимо обнаружить аномалии. Обнаружение аномалий направлено на выявление закономерностей, которые не соответствуют ожидаемому поведению. Его цель - выявить дефекты, ошибки или нерегулярные действия, которые в противном случае могли бы остаться незамеченными. Традиционные методы поиска таких аномалий опираются на фиксированные правила, но они часто работают медленно и не справляются со сложными вариациями. Именно здесь компьютерное зрение играет решающую роль. 

Обучаясь на больших массивах визуальных данных, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обнаруживать 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.

Необходимость обнаружения аномалий

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 обнаружения дефектов. 

Например, в фармацевтическом производстве аномалии в таблетках могут включать трещины, неправильную форму, обесцвечивание или отсутствие оттисков, что может поставить под угрозу качество и безопасность. Обнаружение таких дефектов на ранней стадии жизненно важно для предотвращения попадания бракованной продукции к потребителям. Однако ручные методы обнаружения аномалий зачастую медленны, непоследовательны и не могут справиться со сложностью реальных нарушений.

‍

Системы обнаружения аномалий на основе искусственного интеллекта решают эти проблемы, обучаясь на обширных массивах данных и постоянно совершенствуя свою способность распознавать закономерности с течением времени. В отличие от методов, основанных на фиксированных правилах, системы ИИ могут обучаться и совершенствоваться с течением времени.

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. 

Как компьютерное зрение позволяет обнаруживать аномалии

Системы обнаружения аномалий, основанные на Vision AI, работают на основе высококачественных изображений или видео с помощью камер, датчиков или беспилотников. Четкие визуальные данные являются ключевым фактором, будь то обнаружение бракованного продукта на заводской линии, выявление несанкционированного доступа в охраняемую зону или определение необычного движения в общественном месте. 

После сбора изображения или видео подвергаются таким методам обработки, как шумоподавление, повышение контрастности и пороговое выделение. Эти этапы предварительной обработки помогают моделям искусственного интеллекта фокусироваться на важных деталях и отфильтровывать 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 чего-либо необычного. Отметив аномалию, система может подать сигнал тревоги, например, уведомить работника о необходимости убрать бракованное изделие, предупредить сотрудников службы безопасности о потенциальной угрозе или сообщить транспортным операторам о заторах.

‍

Обнаружение аномалий с использованием возможностей YOLO11

Давайте рассмотрим подробнее, как модели компьютерного зрения, такие как YOLO11, способны анализировать изображения для выявления 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 может использоваться для выявления бракованных изделий на сборочной линии, посторонних лиц в зонах ограниченного доступа или неправильно расставленных предметов на складе. Аналогично, сегментация объектов позволяет точно очертить аномалии, такие как трещины в механизмах или загрязнения в съедобных продуктах.

‍

Вот некоторые другие примеры использования задач компьютерного зрения для обнаружения аномалий:

• Отслеживание объектов: Его можно использовать для мониторинга моделей движения с целью обнаружения угроз безопасности, отслеживания аномалий в движении транспортных средств или оценки перемещений пациентов в здравоохранении.
  ‍
• Оценка позы: YOLO11 может обнаружить необычные движения тела, чтобы определить угрозу безопасности на рабочем месте или отследить прогресс реабилитации в здравоохранении.
  ‍
• Обнаружение ориентированных ограничительных коробок (OBB): Улучшает обнаружение аномалий за счет точной идентификации и локализации повернутых или наклонных объектов, что делает его полезным для анализа аэрофотоснимков, автономного вождения и промышленных инспекций.

Почему вы должны использовать YOLO11?

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

Последняя версия, YOLO11, отличается повышенной точностью и производительностью по сравнению со своими предшественниками. Например, при 22 % меньшем количестве параметров, чем у YOLOv8m, YOLO11m обеспечивает более высокую среднюю точность (mAP) на наборе данных COCO, что позволяет более точно и эффективно обнаруживать объекты.

Как настроить обучение YOLO11 для обнаружения аномалий

Настроить YOLO11 на обнаружение аномалий легко и просто. С набором данных, разработанным для вашего конкретного приложения, вы можете точно настроить модель для точного обнаружения аномалий. 

Выполните эти простые действия, чтобы начать:

• Подготовьте набор данных: Соберите высококачественные изображения, включающие как нормальные, так и аномальные образцы. Обязательно включите вариации освещения, углов и разрешения, чтобы помочь модели лучше адаптироваться.
  ‍
• Пометьте свои данные: Пометьте аномалии с помощью ограничительных рамок, сегментации или ключевых точек, чтобы модель знала, что искать. Инструменты с открытым исходным кодом позволяют ускорить и упростить этот процесс.
  ‍
• Обучите модель: Модель обучается в течение нескольких циклов, улучшая свою способность определять нормальные и аномальные случаи в режиме реального времени.
  ‍
• Тестирование и проверка: Запустите обученную модель на новых, невидимых изображениях, чтобы оценить ее производительность и убедиться, что она работает хорошо, прежде чем развертывать ее.

Кроме того, при создании системы обнаружения аномалий важно учитывать, действительно ли необходимо специальное обучение. В некоторых случаях может быть достаточно предварительно обученной модели. 

Например, если вы разрабатываете систему управления дорожным движением, а аномалия, которую вам нужно обнаружить, - это пешеходы, то предварительно обученная модель YOLO11 уже может с высокой точностью определять 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 обнаружить, 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.

Реальные приложения для обнаружения аномалий с помощью зрения

Обнаружение аномалий - это широкое понятие, которое охватывает множество реальных применений. Давайте рассмотрим несколько из них и узнаем, как компьютерное зрение помогает выявлять нарушения, повышать эффективность и улучшать процесс принятия решений в различных отраслях.

Обнаружение аномалий в производстве

Компьютерное зрение в производстве помогает поддерживать стандарты качества, выявляя дефекты, несоответствия и недостающие компоненты на производственных линиях. Модели компьютерного зрения могут мгновенно отмечать дефектные продукты, останавливая их дальнейшее движение по линии и сокращая количество отходов. Раннее обнаружение таких проблем, как дефекты сырья, ошибки при упаковке или слабые структурные компоненты, помогает предотвратить дорогостоящие отзывы и финансовые потери.

Помимо контроля качества, обнаружение аномалий также может повысить безопасность на производстве. На заводах часто бывает жара, дым и вредные выбросы, что может привести к пожароопасным ситуациям. Модели искусственного интеллекта могут обнаружить необычный дым, перегрев оборудования или даже первые признаки пожара, что позволит производителям принять меры до того, как произойдет несчастный случай.

‍

Выявление крайних случаев в автомобилестроении

Автомобильная промышленность может использовать такие модели, как YOLO11, для обнаружения неисправностей в двигателях, тормозных системах и компонентах трансмиссии до того, как они приведут к критическим отказам. Благодаря поддержке в YOLO11 функции обнаружения объектов и сегментации экземпляров можно точно определить аномалии, которые при ручной проверке могут быть упущены.

Вот некоторые другие примеры обнаружения аномалий в автомобильной промышленности:

• Обнаружение аномалий движения: Распознавание автомобилей, движущихся против движения, внезапных съездов с полосы движения или несанкционированного доступа в запретные зоны.
  ‍
• Мониторинг поведения водителя: Выявление сонного вождения, рассеянного поведения или нестабильного управления для повышения безопасности дорожного движения.
  ‍
• Безопасность автономных автомобилей: Обнаружение пешеходов, велосипедистов и неожиданных препятствий для предотвращения столкновений.

Выявление нарушений в электронике

Проверка электроники вручную может быть медленной, непоследовательной и подверженной человеческим ошибкам, а значит, дефекты микросхем, печатных плат и паяных соединений могут остаться незамеченными. Даже небольшие дефекты, такие как трещина в паяном соединении или неправильно расположенный компонент, могут стать причиной сбоев сигнала, отказов системы или коротких замыканий, что приводит к ненадежности устройств.

С помощью системы обнаружения аномалий на базе 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.

Основные выводы

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.  

В промышленности и сельском хозяйстве обнаружение аномалий с помощью ИИ позволяет повысить точность, ускорить проверки и свести к минимуму человеческие ошибки. В будущем развитие ИИ, вероятно, сделает обнаружение аномалий более точным. 

Присоединяйтесь к нашему растущему сообществу! Изучите наш репозиторий GitHub, чтобы узнать больше об искусственном интеллекте. Готовы начать собственные проекты по компьютерному зрению? Ознакомьтесь с нашими возможностями лицензирования. Откройте для себя ИИ в сельском хозяйстве и ИИ зрения в здравоохранении, посетив страницы наших решений!