Anomali algılama için görsel yapay zeka: Kısa bir genel bakış

Uçak kanadındaki küçük bir çatlak, ilaç üzerindeki hatalı basılmış bir etiket veya olağandışı bir finansal işlem, tespit edilmeden bırakılırsa ciddi sorunlara yol açabilir. Her sektör; arızaları, finansal kayıpları veya güvenlik risklerini önlemek için riskli sorunları erkenden fark etmeye çalışma zorluğuyla karşı karşıyadır.

Özellikle anomalilerin tespit edilmesi gerekir. Anomali tespiti, beklenen davranışlarla eşleşmeyen örüntüleri belirlemeye odaklanır. Aksi hâlde fark edilmeyebilecek kusurları, hataları veya düzensiz faaliyetleri işaretlemeyi amaçlar. Geleneksel yöntemler bu anomalileri bulmak için sabit kurallara dayanır, ancak genellikle yavaştır ve karmaşık değişkenlerle başa çıkmakta zorlanır. İşte bilgisayarlı görü burada kritik bir rol oynar.

Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, büyük görsel veri kümelerinden öğrenerek düzensizlikleri geleneksel yöntemlerden daha doğru tespit edebilir.

Bu makalede, görü tabanlı anomali tespitinin nasıl çalıştığını ve Ultralytics YOLO11'in nasıl yardımcı olabileceğini inceleyeceğiz.

Anomali tespitine duyulan ihtiyaç#

Bilgisayarlı görü açısından anomaliler veya düzensizlikler genellikle görüntülerde ve videolarda kusurlar ya da olağandışı örüntüler olarak ortaya çıkar. İşletmeler, kusurları tespit etmek için yıllardır manuel denetimlere veya kural tabanlı sistemlere güveniyor.

Örneğin ilaç üretiminde tabletlerdeki anomaliler; kaliteyi ve güvenliği tehlikeye atabilecek çatlakları, hatalı şekilleri, renk değişimlerini veya eksik baskıları içerebilir. Kusurlu ürünlerin tüketicilere ulaşmasını önlemek için bu kusurları erkenden tespit etmek hayati önem taşır. Ancak manuel anomali tespit yöntemleri genellikle yavaştır, tutarsızdır ve gerçek dünyadaki düzensizliklerin karmaşıklığıyla başa çıkamaz.

Şekil 1. İlaç sektöründe anomali tespiti.

Yapay zekâ tabanlı anomali tespiti, geniş veri kümelerinden öğrenerek örüntüleri zaman içinde tanıma becerisini sürekli geliştirir ve bu zorlukları çözer. Sabit kural tabanlı yöntemlerin aksine yapay zekâ sistemleri zaman içinde öğrenip gelişebilir.

Ultralytics YOLO11 gibi gelişmiş modeller, yüksek hassasiyetle gerçek zamanlı görüntü analizi sağlayarak anomali tespitini geliştirir. Görsel yapay zekâ sistemleri görüntülerdeki şekil, doku ve yapı gibi ayrıntıları analiz edebilir; bu da düzensizliklerin güvenlik izlemeden tıbbi tanılamaya ve trafik kontrolüne kadar çeşitli uygulamalarda hızlı ve doğru şekilde fark edilmesini kolaylaştırır.

Bilgisayarlı görü anomali tespitini nasıl mümkün kılar?#

Görsel yapay zekâ destekli anomali tespit sistemleri; öncelikle kameralar, sensörler veya dronlar kullanarak yüksek kaliteli görüntüler ya da videolar yakalayarak çalışır. İster fabrika hattındaki kusurlu bir ürünü fark etmek, ister güvenli bir alandaki yetkisiz bir kişiyi tespit etmek, ister kamusal alandaki olağandışı hareketleri belirlemek olsun, net görsel veriler kritik öneme sahiptir.

Toplandıktan sonra görüntüler veya videolar, gürültü azaltma, kontrast iyileştirme ve eşikleme gibi görüntü işleme tekniklerinden geçirilir. Bu ön işleme adımları, görsel yapay zekâ modellerinin önemli ayrıntılara odaklanmasına ve arka plan gürültüsünü filtrelemesine yardımcı olur. Böylece güvenlik izlemeden tıbbi tanılamaya ve trafik kontrolüne kadar çeşitli uygulamalarda doğruluk artar.

Ön işleme sonrasında bilgisayarlı görü, görüntüleri analiz etmek ve olağandışı her şeyi belirlemek için kullanılabilir. Bir anomali işaretlendiğinde sistem; bir çalışana kusurlu ürünü kaldırması için bildirim gönderme, güvenlik personelini olası bir tehdit konusunda uyarma veya trafik operatörlerini yoğunluğu yönetmeleri için bilgilendirme gibi bir uyarıyı tetikleyebilir.

Şekil 2. Görsel yapay zekâ kullanılarak tespit edilebilen kusur örnekleri.

Ultralytics YOLO11'in yetenekleriyle anomali tespiti#

Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin anomalileri tespit etmek için görüntüleri nasıl analiz edebildiğine daha yakından bakalım.

Ultralytics YOLO11; nesne tespiti, görüntü sınıflandırma, örnek bölütleme, nesne takibi ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerini destekler. Bu görevler, farklı gerçek dünya uygulamalarında anomali tespitini kolaylaştırır.

Örneğin nesne tespiti; montaj hattındaki kusurlu ürünleri, kısıtlı alanlardaki yetkisiz kişileri veya depodaki yanlış yerleştirilmiş öğeleri belirlemek için kullanılabilir. Benzer şekilde örnek bölütleme, makinelerdeki çatlaklar veya yenilebilir ürünlerdeki kontaminasyon gibi anomalilerin sınırlarını hassas biçimde belirlemeyi mümkün kılar.

Şekil 3. Ultralytics YOLO11 yardımıyla çatlakların bölütlenmesi.

Anomali tespiti için kullanılan bilgisayarlı görü görevlerine ilişkin diğer bazı örnekler şunlardır:

• Nesne takibi: Güvenlik tehditlerini tespit etmek, trafikteki araç anomalilerini izlemek veya sağlık hizmetlerinde hastaların hareketlerini değerlendirmek için hareket örüntülerini izlemek amacıyla kullanılabilir.
• Poz tahmini: Ultralytics YOLO11, iş yerlerindeki güvenlik tehlikelerini belirlemek veya sağlık hizmetlerinde rehabilitasyon sürecini takip etmek için olağandışı vücut hareketlerini tespit edebilir.
• Yönlendirilmiş sınırlayıcı kutu (OBB) tespiti: Döndürülmüş veya açılı nesneleri doğru şekilde belirleyip konumlandırarak anomali tespitini geliştirir; bu da onu hava görüntüsü analizi, otonom sürüş ve endüstriyel denetimler için kullanışlı hâle getirir.

Neden Ultralytics YOLO11 kullanmalısın?#

Çeşitli diğer bilgisayarlı görü modelleri arasında Ultralytics YOLO modelleri, hızları ve doğruluklarıyla öne çıkar. Ultralytics YOLOv5, PyTorch tabanlı çerçevesiyle dağıtımı kolaylaştırarak daha geniş bir kullanıcı kitlesinin erişimini sağladı. Bu sırada Ultralytics YOLOv8, örnek bölütleme, nesne takibi ve poz tahmini gibi görevlere destek sunarak esnekliği daha da artırdı ve farklı uygulamalara daha kolay uyarlanabilir hâle geldi.

En son sürüm olan YOLO11, önceki sürümlerine kıyasla daha üstün hassasiyet ve performans sunar. Örneğin YOLOv8m'e göre %22 daha az parametreye sahip olan YOLO11m, COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) sunarak daha hassas ve verimli nesne tespitine olanak tanır.

Ultralytics YOLO11'i anomali tespiti için özel olarak nasıl eğitirsin?#

Ultralytics YOLO11'i anomali tespiti için özel olarak eğitmek kolay ve basittir. Uygulamana özel olarak hazırlanmış bir veri kümesiyle modeli anomalileri doğru şekilde tespit edecek biçimde ince ayarlayabilirsin.

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, açı ve çözünürlük çeşitliliklerini dahil ettiğinden emin ol.
• Verilerini etiketle: Modelin ne arayacağını bilmesi için anomalileri sınırlayıcı kutular, bölütleme veya kilit noktalar kullanarak işaretle. Açık kaynak araçlar bu süreci daha hızlı ve kolay hâle getirir.
• Modeli eğit: Model, birden fazla döngü boyunca öğrenerek normal ve anomali durumlarını gerçek zamanlı olarak belirleme becerisini geliştirir.
• Test et ve doğrula: Performansını değerlendirmek ve dağıtıma almadan önce iyi çalıştığından emin olmak için eğitilmiş modeli yeni ve daha önce görülmemiş görüntüler üzerinde çalıştır.

Ayrıca bir anomali tespit sistemi oluştururken özel eğitimin gerçekten gerekli olup olmadığını değerlendirmek önemlidir. Bazı durumlarda önceden eğitilmiş bir model zaten yeterli olabilir.

Örneğin bir trafik yönetim sistemi geliştiriyorsan ve tespit etmen gereken anomali yaya geçidini kullanmadan karşıdan karşıya geçen yayalarsa, önceden eğitilmiş Ultralytics YOLO11 modeli insanları zaten yüksek doğrulukla tespit edebilir. "Person" kategorisi COCO veri kümesinde iyi şekilde temsil edildiğinden (model bu veri kümesi üzerinde önceden eğitilmiştir) ek eğitime gerek yoktur.

Tespit etmen gereken anomaliler veya nesneler COCO veri kümesine dahil değilse özel eğitim zorunlu hâle gelir. Uygulaman üretimdeki nadir kusurları, görüntülerdeki belirli tıbbi durumları veya standart veri kümelerinde yer almayan benzersiz nesneleri belirlemeyi gerektiriyorsa, modeli alana özgü verilerle eğitmek daha iyi performans ve doğruluk sağlar.

Görsel yapay zekâ destekli anomali tespitinin gerçek dünya uygulamaları#

Anomali tespiti, birçok gerçek dünya uygulamasını kapsayan geniş bir kavramdır. Bilgisayarlı görünün düzensizlikleri belirlemeye, verimliliği artırmaya ve farklı sektörlerde karar verme süreçlerini geliştirmeye nasıl yardımcı olduğunu görmek için bunlardan birkaçını inceleyelim.

Üretimde anomalileri tespit etme#

Üretimde bilgisayarlı görü, üretim hatlarındaki kusurları, hizalama hatalarını ve eksik bileşenleri fark ederek yüksek kalite standartlarının korunmasına yardımcı olur. Bilgisayarlı görü modelleri hatalı ürünleri anında işaretleyebilir, bunların hat boyunca ilerlemesini durdurabilir ve israfı azaltabilir. Ham madde kusurları, ambalaj hataları veya zayıf yapısal bileşenler gibi sorunların erken tespiti, maliyetli geri çağırmaları ve finansal kayıpları önlemeye yardımcı olur.

Anomali tespiti, kalite kontrolünün yanı sıra iş yeri güvenliğini de artırabilir. Fabrikalar genellikle yangın tehlikelerine yol açabilecek ısı, duman ve tehlikeli emisyonlarla karşı karşıya kalır. Görsel yapay zekâ modelleri olağandışı duman örüntülerini, aşırı ısınan makineleri veya yangının erken belirtilerini bile tespit ederek üreticilerin kazalar meydana gelmeden önce önlem almasını sağlayabilir.

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

Otomotiv sektöründeki uç durumları belirleme#

Otomotiv sektörü, kritik arızalara yol açmadan önce motorlardaki, fren sistemlerindeki ve şanzıman bileşenlerindeki hataları tespit etmek için Ultralytics YOLO11 gibi modelleri kullanabilir. YOLO11'in nesne tespiti ve örnek bölütleme desteği sayesinde, manuel denetimlerin gözden kaçırabileceği anomalileri hassas biçimde belirlemek kolaydır.

Otomotiv sektöründe anomali tespitine ilişkin diğer bazı örnekler şunlardır:

• Trafik anomalisi tespiti: Trafiğin ters yönünde hareket eden araçları, ani şerit değişikliklerini veya kısıtlı alanlara yetkisiz erişimi tanıma.
• Sürücü davranışı izleme: Yol güvenliğini artırmak için uykulu araç kullanmayı, dikkati dağılmış davranışları veya düzensiz direksiyon kullanımını belirleme.
• Otonom araç güvenliği: Çarpışmaları önlemek için yayaları, bisikletlileri ve beklenmedik engelleri tespit etme.

Elektronikteki düzensizlikleri fark etme#

Elektronikleri manuel olarak denetlemek yavaş, tutarsız ve insan hatasına açık olabilir; bu da mikroçiplerdeki, devre kartlarındaki ve lehim bağlantılarındaki kusurların fark edilmeden kalabileceği anlamına gelir. Çatlamış bir lehim bağlantısı veya hizası bozulmuş bir bileşen gibi küçük kusurlar bile sinyal kesintilerine, sistem arızalarına veya kısa devrelere yol açarak cihazların güvenilmez hâle gelmesine neden olabilir.

Ultralytics YOLO11 destekli anomali tespitiyle üreticiler bu süreci otomatikleştirebilir ve hizası bozulmuş parçalar, kusurlu lehimleme veya elektrik arızaları gibi sorunları geleneksel yöntemlerden çok daha yüksek doğrulukla hızla belirleyebilir. Örneğin insan denetçilerin gözden kaçırabileceği bir lehim bağlantısındaki küçük boşluk, YOLO11'in nesne tespitiyle kolayca tespit edilebilir.

Önemli çıkarımlar#

Sektörler bilgisayarlı görü destekli anomali tespitine yöneldikçe Ultralytics YOLO11 gibi modeller; kaliteyi korumak, güvenliği artırmak ve operasyonel riskleri azaltmak için vazgeçilmez hâle geliyor.

Üretimden tarıma kadar yapay zekâ destekli anomali tespiti doğruluğu artırabilir, denetimleri hızlandırabilir ve insan hatalarını en aza indirebilir. Geleceğe baktığımızda, yapay zekâdaki gelişmelerin anomali tespitini muhtemelen daha hassas hâle getireceğini söyleyebiliriz.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Kendi computer vision projene başlamaya hazır mısın? Lisans seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekâyı ve sağlık hizmetlerinde vision AI teknolojisini keşfet!