Anomali tespiti için görsel yapay zeka: Hızlı bir bakış

Uçak kanadındaki küçük bir çatlak, ilaç üzerindeki yanlış basılmış bir etiket veya olağandışı bir finansal işlem, tespit edilemediği takdirde ciddi sorunlara yol açabilir. Her endüstri, arızaları, finansal kayıpları veya güvenlik risklerini önlemek adına riskli problemleri erkenden fark etme zorluğuyla karşı karşıyadır.

Spesifik olarak, anomalilerin tespit edilmesi gerekir. Anomaly detection, beklenen davranışlarla eşleşmeyen kalıpları belirlemeye odaklanır. Aksi takdirde fark edilmeyebilecek kusurları, hataları veya düzensiz faaliyetleri işaretlemeyi amaçlar. Geleneksel yöntemler bu anomalileri bulmak için sabit kurallara güvenir, ancak bunlar genellikle yavaştır ve karmaşık varyasyonlarla başa çıkmakta zorlanır. computer vision tam da burada çok önemli bir rol oynar.

Geniş görsel veri setlerinden öğrenen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, düzensizlikleri geleneksel yöntemlere göre daha doğru bir şekilde tespit edebilir.

Bu makalede, tabanlı görme anomali tespiti teknolojisinin nasıl çalıştığını ve Ultralytics YOLO11 modelinin nasıl yardımcı olabileceğini inceleyeceğiz.

Anomali tespitine olan ihtiyaç#

Bilgisayarlı görü açısından anomaliler veya düzensizlikler, görüntülerde ve videolarda tipik olarak kusurlar veya olağandışı kalıplar olarak görünür. İşletmeler yıllardır kusurları tespit etmek için manuel incelemelere veya kural tabanlı sistemlere güvenmişlerdir.

pharmaceutical manufacturing alanında, tabletlerdeki çatlaklar, yanlış şekiller, renk bozulmaları veya eksik baskılar kaliteyi ve güvenliği tehlikeye atabilecek anomaliler arasında yer alır. Bu kusurların erken tespiti, kusurlu ürünlerin tüketiciye ulaşmasını önlemek için hayati önem taşır. Ancak manuel anomali tespiti yöntemleri genellikle yavaştır, tutarsızdır ve gerçek dünya düzensizliklerinin karmaşıklığıyla başa çıkamaz.

Fig 1. İlaç endüstrisinde anomali tespiti.

Yapay zeka tabanlı anomali tespiti, geniş datasets üzerinden öğrenerek bu zorlukların üstesinden gelir ve zaman içinde kalıpları tanıma yeteneğini sürekli olarak geliştirir. Sabit kural tabanlı yöntemlerin aksine, yapay zeka sistemleri öğrenebilir ve zamanla gelişebilir.

Ultralytics YOLO11 gibi gelişmiş modeller, yüksek hassasiyetle gerçek zamanlı görüntü analizi sağlayarak anomali tespitini geliştirir. Vision AI sistemleri, şekil, doku ve yapı gibi görüntülerdeki ayrıntıları analiz ederek düzensizliklerin hızlı ve doğru bir şekilde fark edilmesini kolaylaştırır.

Bilgisayarlı görü anomali tespitini nasıl mümkün kılar?#

Vizyon AI destekli anomali tespit sistemleri, kameralar, sensörler veya dronlar kullanarak yüksek kaliteli görüntüler veya videolar yakalayarak çalışır. Bir fabrika hattında kusurlu bir ürünü fark etmek, güvenli bir alanda yetkisiz bir kişiyi tespit etmek veya halka açık bir alanda olağandışı hareketleri tanımlamak olsun, net görsel veriler anahtardır.

Toplandıktan sonra görüntüler veya videolar, gürültü azaltma, kontrast iyileştirme ve eşikleme gibi image processing tekniklerine tabi tutulur. Bu ön işleme adımları, görü yapay zeka modellerinin arka plan gürültüsünü filtrelerken önemli detaylara odaklanmasına yardımcı olarak güvenlik izlemeden tıbbi teşhislere ve trafik kontrolüne kadar çeşitli uygulamalarda doğruluğu artırır.

Ön işlemeden sonra, bilgisayarlı görü görüntüleri analiz etmek ve olağandışı herhangi bir şeyi tanımlamak için kullanılabilir. Bir anomali işaretlendiğinde, sistem bir çalışana kusurlu ürünü kaldırmasını bildirmek, güvenlik personelini olası bir tehdide karşı uyarmak veya trafik operatörlerini tıkanıklığı yönetmeleri için bilgilendirmek gibi bir uyarı tetikleyebilir.

Fig 2. Görü yapay zekası kullanılarak tespit edilebilen kusur örnekleri.

Ultralytics YOLO11 yeteneklerini kullanarak anomali tespiti#

Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin anomaliyi tespit etmek için görüntüleri nasıl analiz edebildiğini daha yakından inceleyelim.

Ultralytics YOLO11, nesne tespiti, görüntü sınıflandırma, örnek bölütleme, nesne takibi ve poz tahmini gibi çeşitli computer vision tasks destekler. Bu görevler, farklı gerçek dünya uygulamalarında anomali tespitini daha basit hale getirir.

Örneğin, object detection bir montaj hattındaki kusurlu ürünleri, kısıtlı alanlardaki yetkisiz kişileri veya bir depodaki yanlış yerleştirilmiş öğeleri belirlemek için kullanılabilir. Benzer şekilde, örnek bölütleme; makinelerdeki çatlaklar veya yenebilir ürünlerdeki kontaminasyon gibi anomalilerin hassas bir şekilde özetlenmesini mümkün kılar.

Fig 3. Ultralytics YOLO11 yardımıyla çatlakları bölütleme.

İşte anomali tespiti için kullanılan diğer bazı bilgisayarlı görü görevleri örnekleri:

• Nesne izleme: Güvenlik tehditlerini tespit etmek, trafikteki araç anomalilerini izlemek veya sağlık hizmetlerinde hasta hareketlerini değerlendirmek için hareket kalıplarını izlemek amacıyla kullanılabilir.
• Pose estimation: Ultralytics YOLO11, iş yerlerindeki güvenlik tehlikelerini belirlemek veya sağlık hizmetlerindeki rehabilitasyon ilerlemesini takip etmek için olağandışı vücut hareketlerini tespit edebilir.
• Yönelimli sınırlayıcı kutu (OBB) tespiti: Döndürülmüş veya açılı nesneleri doğru bir şekilde tanımlayıp yerelleştirerek anomali tespitini iyileştirir; bu da onu hava görüntüleri analizi, otonom sürüş ve endüstriyel denetimler için yararlı kılar.

Neden Ultralytics YOLO11 kullanmalısın?#

Çeşitli diğer bilgisayarlı görü modellerinin arasında Ultralytics YOLO models hızları ve doğruluklarıyla öne çıkar. Ultralytics YOLOv5, PyTorch tabanlı çerçevesiyle dağıtımı basitleştirerek daha geniş bir kullanıcı kitlesi tarafından erişilebilir hale getirdi. Bu arada, Ultralytics YOLOv8 örnek bölütleme, nesne takibi ve poz kestirimi gibi görevler için destek sunarak esnekliği daha da artırdı ve farklı uygulamalara daha uyumlu hale geldi.

En son sürüm olan YOLO11, öncekilerine kıyasla üstün hassasiyet ve performans sunar. Örneğin, YOLOv8m'den %22 daha az parametre ile YOLO11m, COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) sunarak daha hassas ve verimli nesne tespiti sağlar.

Anomali tespiti için Ultralytics YOLO11 özel olarak nasıl eğitilir#

Anomali tespiti için Ultralytics YOLO11 modelini Custom-training yapmak kolay ve basittir. Özel uygulamanız için tasarlanmış bir veri seti ile anomalileri doğru bir şekilde tespit etmek için modeli hassas bir şekilde ayarlayabilirsiniz.

Başlamak için şu basit adımları izle:

• Veri kümeni hazırla: Hem normal hem de anomali örneklerini içeren yüksek kaliteli görüntüler topla. Modelin daha iyi uyum sağlamasına yardımcı olmak için aydınlatma, açılar ve çözünürlüklerdeki çeşitliliği dahil ettiğinden emin ol.
• Verilerini etiketle: Modelin neye bakması gerektiğini bilmesi için anomalileri sınırlayıcı kutular, bölütleme veya anahtar noktalar kullanarak işaretle. Açık kaynaklı araçlar bu süreci daha hızlı ve kolay hale getirir.
• Modeli eğit: Model birden fazla döngü boyunca öğrenir ve gerçek zamanlı olarak normal ve anomali vakalarını tanımlama yeteneğini geliştirir.
• Test et ve doğrula: Eğitilen modeli performansını değerlendirmek için yeni, görülmemiş görüntüler üzerinde çalıştır ve dağıtmadan önce iyi çalıştığından emin ol.

Ayrıca, bir anomali tespit sistemi kurarken özel eğitimin gerçekten gerekli olup olmadığını düşünmek önemlidir. Bazı durumlarda, önceden eğitilmiş bir model yeterli olabilir.

Örneğin, bir trafik yönetimi sistemi geliştiriyorsan ve tespit etmen gereken anomali yoldan karşıdan karşıya izinsiz geçen yayalarsa, önceden eğitilmiş Ultralytics YOLO11 modeli insanları zaten yüksek doğrulukla tespit edebilir. COCO veri setinde (üzerinde önceden eğitildiği) "person" iyi temsil edilen bir kategori olduğundan, ek bir eğitime gerek yoktur.

Tespit etmen gereken anomaliler veya nesneler COCO veri kümesine dahil edilmediğinde özel eğitim şart hale gelir. Uygulaman üretimdeki nadir kusurları, görüntülerdeki belirli tıbbi durumları veya standart veri kümeleri tarafından kapsanmayan benzersiz nesneleri tanımlamayı gerektiriyorsa, bir modeli alana özgü veriler üzerinde eğitmek daha iyi performans ve doğruluk sağlar.

Vizyon destekli anomali tespitinin gerçek dünya uygulamaları#

Anomali tespiti, birçok gerçek dünya uygulamasını kapsayan geniş bir kavramdır. Bunların birkaçı üzerinden geçelim ve bilgisayarlı görünün farklı endüstrilerde düzensizlikleri tanımlamaya, verimliliği artırmaya ve karar vermeyi güçlendirmeye nasıl yardımcı olduğunu görelim.

Üretimde anomali tespiti#

Computer vision in manufacturing, üretim hatlarındaki kusurları, hizalama hatalarını ve eksik bileşenleri tespit ederek yüksek kalite standartlarının korunmasına yardımcı olur. Bilgisayarlı görü modelleri, hatalı ürünleri anında işaretleyerek hattın ilerisine gitmelerini engeller ve israfı azaltır. Hammadde kusurları, paketleme hataları veya zayıf yapısal bileşenler gibi sorunların erken tespiti, masraflı geri çağrıları ve mali kayıpları önlemeye yardımcı olur.

Kalite kontrolünün ötesinde, anomali tespiti iş yeri güvenliğini de iyileştirebilir. Fabrikalar genellikle yangın tehlikelerine yol açabilecek ısı, duman ve tehlikeli emisyonlarla uğraşır. Vizyon AI modelleri olağandışı duman kalıplarını, aşırı ısınan makineleri ve hatta yangının erken belirtilerini tespit edebilir; bu da üreticilerin kazalar gerçekleşmeden önce harekete geçmesini sağlar.

Fig 4. Yangın ve dumanı tespit etmek için kullanılan bilgisayarlı görü.

Otomotiv uç durumlarını belirleme#

Otomotiv endüstrisi, motorlardaki, fren sistemlerindeki ve şanzıman bileşenlerindeki arızaları kritik arızalara yol açmadan tespit etmek için Ultralytics YOLO11 gibi modelleri kullanabilir. YOLO11'in nesne tespiti ve örnek bölütleme desteğini kullanarak, manuel denetimlerin gözden kaçırabileceği anormallikleri hassas bir şekilde belirlemek kolaydır.

İşte otomotiv endüstrisindeki anomali tespitinin diğer bazı örnekleri:

• Trafik anomali tespiti: Trafik yönünün tersine hareket eden araçları, ani şerit ihlallerini veya kısıtlı alanlara yetkisiz girişleri tanıma.
• Sürücü davranışı izleme: Yol güvenliğini artırmak için uykulu sürüşü, dikkat dağıtıcı davranışları veya düzensiz direksiyon kullanımını tanımlama.
• Otonom araç güvenliği: Çarpışmaları önlemek için yayaları, bisikletlileri ve beklenmedik engelleri tespit etme.

Elektronikteki düzensizlikleri fark etme#

Elektronik cihazları manuel olarak incelemek yavaş, tutarsız ve insan hatasına açık olabilir; bu da mikroçiplerdeki, devre kartlarındaki ve lehim bağlantılarındaki kusurların gözden kaçabileceği anlamına gelir. Çatlak bir lehim bağlantısı veya yanlış hizalanmış bir bileşen gibi küçük kusurlar bile sinyal kesintilerine, sistem arızalarına veya kısa devrelere neden olarak güvenilmez cihazlara yol açabilir.

Ultralytics YOLO11 destekli anormallik tespiti ile üreticiler bu süreci otomatikleştirebilir ve yanlış hizalanmış parçalar, kusurlu lehimleme veya elektriksel arızalar gibi sorunları geleneksel yöntemlere göre çok daha yüksek doğrulukla hızla tespit edebilir. Örneğin, insan denetçiler tarafından gözden kaçırılabilecek bir lehim ekindeki küçük bir boşluk, YOLO11'in nesne tespiti sayesinde kolayca tespit edilebilir.

Öne çıkanlar#

Endüstriler bilgisayarlı görü destekli anomali tespitine yöneldikçe, Ultralytics YOLO11 gibi modeller kalitenin korunması, güvenliğin artırılması ve operasyonel risklerin azaltılması açısından vazgeçilmez hale geliyor.

Üretimden tarıma kadar yapay zeka destekli anomali tespiti, doğruluğu artırabilir, denetimleri hızlandırabilir ve insan hatalarını en aza indirebilir. İleriye bakıldığında, yapay zekadaki ilerlemeler muhtemelen anomali tespitini daha hassas hale getirecektir.

Büyüyen community topluluğumuza katıl! Yapay zeka hakkında daha fazla bilgi edinmek için GitHub repository sayfamızı keşfet. Kendi computer vision projelerine başlamaya hazır mısın? licensing options seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek AI in agriculture ve vision AI in healthcare alanlarındaki gelişmeleri keşfet!