Vision AI для обнаружения аномалий: краткий обзор

Крошечная трещина в крыле самолёта, неправильно напечатанная этикетка на лекарстве или необычная финансовая транзакция могут привести к серьёзным проблемам, если их не обнаружить вовремя. Перед каждой отраслью стоит задача как можно раньше выявлять потенциально опасные проблемы, 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 помогает обнаруживать дефекты, ошибки или нерегулярные действия, которые в противном случае могли бы остаться незамеченными. Традиционные методы используют фиксированные правила для поиска таких аномалий, но зачастую работают медленно и плохо справляются со сложными вариациями. Именно здесь важную роль играет компьютерное зрение.

Обучаясь на больших наборах визуальных данных, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обнаруживать отклонения точнее традиционных методов.

В этой статье мы рассмотрим, как работает обнаружение аномалий на основе Vision AI и как Ultralytics YOLO11 может помочь.

Зачем нужно обнаружение аномалий#

В компьютерном зрении аномалии или отклонения обычно проявляются как дефекты или необычные закономерности на изображениях и видео. На протяжении многих лет компании полагались на ручные проверки или системы на основе правил для обнаружения дефектов.

Например, при производстве фармацевтических препаратов аномалиями в таблетках могут быть трещины, неправильная форма, изменение цвета или отсутствие оттиска, что может поставить под угрозу качество и безопасность. Раннее обнаружение таких дефектов крайне важно для предотвращения попадания некачественной продукции к потребителям. Однако ручные методы обнаружения аномалий зачастую работают медленно, дают непоследовательные результаты и не справляются со сложностью отклонений в реальном мире.

Рис. 1. Обнаружение аномалий в фармацевтической промышленности.

Обнаружение аномалий на основе AI решает эти проблемы, обучаясь на обширных наборах данных и постоянно улучшая способность распознавать закономерности. В отличие от методов на основе фиксированных правил, системы AI могут обучаться и совершенствоваться со временем.

Продвинутые модели, такие как Ultralytics YOLO11, улучшают обнаружение аномалий, обеспечивая анализ изображений в реальном времени с высокой точностью. Системы Vision AI могут анализировать такие детали изображений, как форма, текстура и структура, благодаря чему отклонения проще быстро и точно обнаруживать.

Как компьютерное зрение обеспечивает обнаружение аномалий#

Системы обнаружения аномалий на основе Vision AI сначала получают высококачественные изображения или видео с помощью камер, датчиков или дронов. Чёткие визуальные данные имеют ключевое значение — будь то обнаружение дефектного товара на производственной линии, выявление постороннего человека в охраняемой зоне или распознавание необычного движения в общественном пространстве.

После сбора изображения или видео обрабатываются с помощью методов обработки изображений, таких как снижение шума, улучшение контрастности и пороговая обработка. Эти этапы предварительной обработки помогают моделям Vision AI сосредоточиться на важных деталях, отфильтровывая фоновый шум и повышая точность в различных областях применения — от мониторинга безопасности до медицинской диагностики и управления дорожным движением.

После предварительной обработки компьютерное зрение можно использовать для анализа изображений и выявления всего необычного. После обнаружения аномалии система может отправить оповещение: например, уведомить сотрудника о необходимости убрать дефектный товар, предупредить службу безопасности о потенциальной угрозе или сообщить операторам дорожного движения о необходимости управлять затором.

Рис. 2. Примеры дефектов, обнаруживаемых с помощью Vision AI.

Обнаружение аномалий с помощью возможностей Ultralytics YOLO11#

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

Ultralytics YOLO11 поддерживает различные задачи компьютерного зрения, включая обнаружение объектов, классификацию изображений, сегментацию экземпляров, отслеживание объектов и оценку позы. Эти задачи упрощают обнаружение аномалий в различных реальных приложениях.

Например, обнаружение объектов можно использовать для выявления дефектных товаров на сборочной линии, посторонних лиц в зонах ограниченного доступа или предметов, оказавшихся не на своём месте на складе. Аналогично, сегментация экземпляров позволяет точно очерчивать аномалии, такие как трещины в оборудовании или загрязнение пищевых продуктов.

Рис. 3. Сегментация трещин с помощью Ultralytics YOLO11.

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

• Отслеживание объектов: может использоваться для мониторинга закономерностей движения с целью обнаружения угроз безопасности, отслеживания аномалий транспортных средств в дорожном движении или оценки движений пациентов в сфере здравоохранения.
• Оценка позы: Ultralytics YOLO11 может обнаруживать необычные движения тела для выявления угроз безопасности на рабочих местах или отслеживания прогресса реабилитации в сфере здравоохранения.
• Обнаружение ориентированных ограничивающих рамок (OBB): улучшает обнаружение аномалий, точно выявляя и локализуя повёрнутые или наклонённые объекты, что делает эту задачу полезной для анализа аэрофотоснимков, автономного вождения и промышленных инспекций.

Почему стоит использовать Ultralytics YOLO11?#

Среди множества других моделей компьютерного зрения модели Ultralytics YOLO выделяются скоростью и точностью. Ultralytics YOLOv5 упростила развёртывание благодаря фреймворку на основе PyTorch, сделав его доступным для более широкого круга пользователей. В свою очередь, Ultralytics YOLOv8 повысила гибкость, добавив поддержку таких задач, как сегментация экземпляров, отслеживание объектов и оценка позы, благодаря чему модель стала более универсальной для различных приложений.

Последняя версия, YOLO11, обеспечивает более высокую точность и производительность по сравнению с предшественниками. Например, имея на 22% меньше параметров, чем YOLOv8m, YOLO11m демонстрирует более высокую среднюю точность (mAP) на наборе данных COCO, обеспечивая более точное и эффективное обнаружение объектов.

Как дообучить Ultralytics YOLO11 для обнаружения аномалий#

Дообучение Ultralytics YOLO11 для обнаружения аномалий — простой и понятный процесс. Используя набор данных, подготовленный для конкретного приложения, ты можешь дообучить модель для точного обнаружения аномалий.

Чтобы начать, выполни следующие простые шаги:

• Подготовь набор данных: собери высококачественные изображения, содержащие примеры как нормальных объектов, так и аномалий. Обязательно включи различные условия освещения, ракурсы и разрешения, чтобы модель лучше адаптировалась.
• Разметь данные: обозначь аномалии с помощью ограничивающих рамок, сегментации или ключевых точек, чтобы модель знала, что искать. Инструменты с открытым исходным кодом делают этот процесс быстрее и проще.
• Обучи модель: модель обучается в течение нескольких циклов, улучшая способность в реальном времени различать нормальные случаи и аномалии.
• Протестируй и проверь: запусти обученную модель на новых, ранее не встречавшихся изображениях, чтобы оценить её производительность и убедиться, что она работает хорошо до развёртывания.

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

Например, если ты разрабатываешь систему управления дорожным движением, а обнаруживать нужно перебегающих дорогу пешеходов, предварительно обученная модель Ultralytics YOLO11 уже может с высокой точностью обнаруживать людей. Поскольку категория "person" хорошо представлена в наборе данных COCO, на котором модель предварительно обучена, дополнительное обучение не требуется.

Дообучение становится необходимым, если аномалии или объекты, которые нужно обнаруживать, отсутствуют в наборе данных COCO. Если твоему приложению требуется выявлять редкие производственные дефекты, конкретные медицинские состояния на изображениях или уникальные объекты, не представленные в стандартных наборах данных, обучение модели на предметно-ориентированных данных обеспечит более высокую производительность и точность.

Практическое применение обнаружения аномалий на основе Vision AI#

Обнаружение аномалий — широкое понятие, охватывающее множество реальных приложений. Рассмотрим несколько из них и узнаем, 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 отсутствующие компоненты на производственных линиях. Модели компьютерного зрения могут мгновенно обнаруживать неисправные товары, не позволяя им продвигаться дальше по линии и сокращая объём отходов. Раннее выявление таких проблем, как дефекты сырья, ошибки упаковки или слабые элементы конструкции, помогает предотвращать дорогостоящие отзывы продукции и финансовые потери.

Помимо контроля качества, обнаружение аномалий может повысить безопасность на рабочем месте. На фабриках часто возникают жара, дым и опасные выбросы, которые могут привести к пожару. Модели Vision AI могут обнаруживать необычные закономерности распространения дыма, перегрев оборудования или даже ранние признаки возгорания, позволяя производителям принять меры до того, как произойдёт авария.

Рис. 4. Использование компьютерного зрения для обнаружения огня и дыма.

Выявление особых случаев в автомобильной отрасли#

Автомобильная отрасль может использовать модели, такие как Ultralytics YOLO11, для обнаружения неисправностей двигателей, тормозных систем и компонентов трансмиссии до того, как они приведут к критическим отказам. Благодаря поддержке обнаружения объектов и сегментации экземпляров в YOLO11 можно легко и точно выявлять аномалии, которые ручные проверки могли бы пропустить.

Вот ещё несколько примеров обнаружения аномалий в автомобильной отрасли:

• Обнаружение аномалий в дорожном движении: выявление транспортных средств, движущихся против потока, внезапного выезда из полосы или несанкционированного доступа в зоны ограниченного доступа.
• Мониторинг поведения водителя: выявление вождения в сонном состоянии, отвлечённого поведения или хаотичного руления для повышения безопасности на дорогах.
• Безопасность автономных транспортных средств: обнаружение пешеходов, велосипедистов и неожиданных препятствий для предотвращения столкновений.

Выявление отклонений в электронике#

Ручная проверка электроники может быть медленной, непоследовательной и подверженной человеческим ошибкам, из-за чего дефекты микросхем, печатных плат и паяных соединений могут остаться незамеченными. Даже небольшие дефекты, такие как трещина в паяном соединении или смещённый компонент, могут привести к сбоям сигнала, отказам системы или коротким замыканиям, делая устройства ненадёжными.

С помощью обнаружения аномалий на базе Ultralytics YOLO11 производители могут автоматизировать этот процесс и значительно точнее традиционных методов выявлять такие проблемы, как смещение деталей, дефекты пайки или электрические неисправности. Например, крошечный зазор в паяном соединении, который могли бы пропустить специалисты при ручной проверке, легко обнаруживается с помощью обнаружения объектов в YOLO11.

Основные выводы#

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

От производства до сельского хозяйства обнаружение аномалий на основе AI может повысить точность, ускорить проверки и минимизировать количество человеческих ошибок. В будущем достижения в области AI, вероятно, сделают обнаружение аномалий ещё более точным.

Присоединяйся к нашему растущему сообществу! Загляни в наш репозиторий на GitHub, чтобы узнать больше об ИИ. Готов начать собственные проекты в области компьютерного зрения? Ознакомься с нашими вариантами лицензирования. Узнай больше об ИИ в сельском хозяйстве и компьютерном зрении в здравоохранении на страницах наших решений!