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.

Özellikle anomalilerin tespit edilmesi gerekir. Anomali tespiti, beklenen davranışlara uymayan kalıpları tanımlamaya odaklanır. Gözden kaçabilecek kusurları, hataları veya düzensiz aktiviteleri işaretlemeyi amaçlar. Geleneksel yöntemler bu anomalileri bulmak için sabit kurallara güvenir, ancak bunlar genellikle yavaştır ve karmaşık varyasyonlarla başa çıkmakta zorlanırlar. İşte bilgisayarlı görü tam bu noktada kritik bir rol oynar.

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

Bu makalede, vizyon tabanlı anomali tespitinin nasıl çalıştığını ve YOLO11'in nasıl yardımcı olabileceğini keşfedeceğiz.

Link to this sectionAnomali 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.

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

Şekil 1. İlaç endüstrisinde anomali tespiti.

Yapay zeka tabanlı anomali tespiti, geniş veri kümelerinden öğrenerek ve zaman içinde kalıpları tanıma yeteneklerini sürekli geliştirerek bu zorlukları çözer. Sabit kural tabanlı yöntemlerin aksine, yapay zeka sistemleri zamanla öğrenebilir ve gelişebilir.

YOLO11 gibi gelişmiş modeller, yüksek hassasiyetle gerçek zamanlı görüntü analizini mümkün kılarak anomali tespitini iyileştirir. Vizyon AI sistemleri; şekil, doku ve yapı gibi görüntülerdeki ayrıntıları analiz edebilir, bu da düzensizlikleri hızlı ve doğru bir şekilde fark etmeyi kolaylaştırır.

Link to this sectionBilgisayarlı 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 görüntü işleme tekniklerinden geçer. Bu ön işleme adımları, vizyon AI modellerinin arka plan gürültüsünü filtrelerken önemli ayrıntılara odaklanmasına yardımcı olur; güvenlik izlemeden tıbbi teşhise 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.

Şekil 2. Vizyon AI kullanılarak tespit edilebilen kusur örnekleri.

Link to this sectionYOLO11 yeteneklerini kullanarak anomali tespiti#

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

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

Örneğin, nesne tespiti bir montaj hattındaki kusurlu ürünleri, kısıtlı alanlardaki yetkisiz kişileri veya bir depoda yanlış yerleştirilmiş öğeleri tanımlamak için kullanılabilir. Benzer şekilde, örnek bölütleme; makinelerdeki çatlaklar veya yenilebilir ürünlerdeki kontaminasyon gibi anomalileri hassas bir şekilde ana hatlarıyla belirtmeyi mümkün kılar.

Şekil 3. YOLO11 yardımıyla çatlakların bölütlenmesi.

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.
• Poz tahmini: YOLO11, iş yerlerindeki güvenlik tehlikelerini tanımlamak veya sağlık hizmetlerinde rehabilitasyon ilerlemesini izlemek 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.

Link to this sectionNeden YOLO11 kullanmalısın?#

Çeşitli diğer bilgisayarlı görü modelleri arasında, Ultralytics YOLO modelleri hızları ve doğruluklarıyla öne çıkar. Ultralytics YOLOv5, PyTorch tabanlı çerçevesi ile dağıtımı basitleştirerek daha geniş bir kullanıcı yelpazesi için erişilebilir hale getirdi. Bu arada, Ultralytics YOLOv8 örnek bölütleme, nesne izleme ve poz tahmini 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.

Link to this sectionAnomali tespiti için YOLO11 özel olarak nasıl eğitilir?#

Anomali tespiti için YOLO11'i özel olarak eğitmek basit ve kolaydır. Uygulaman için özel olarak tasarlanmış bir veri kümesiyle, modeli anomalileri doğru bir şekilde tespit edecek şekilde ince ayar yapabilirsin.

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 yönetim sistemi geliştiriyorsan ve tespit etmen gereken anomali yaya geçidini ihlal edenlerse, önceden eğitilmiş YOLO11 modeli insanları zaten yüksek doğrulukla tespit edebilir. "Kişi" kategorisi COCO veri kümesinde (üzerinde önceden eğitildiği) iyi temsil edildiğinden, ek 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.

Link to this sectionVizyon 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.

Link to this sectionÜretimde anomali tespiti#

Üretimde bilgisayarlı görü; üretim hatlarındaki kusurları, hizasızlıkları ve eksik bileşenleri fark ederek yüksek kalite standartlarını korumaya yardımcı olur. Bilgisayarlı görü modelleri hatalı ürünleri anında işaretleyebilir, bunların hattın devamına gitmesini durdurarak israfı azaltır. Hammadde kusurları, paketleme hataları veya zayıf yapısal bileşenler gibi sorunların erken tespiti, maliyetli geri çağırmaları ve finansal 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.

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

Link to this sectionOtomotiv uç durumlarını belirleme#

Otomotiv endüstrisi, motorlardaki, fren sistemlerindeki ve şanzıman bileşenlerindeki hataları kritik arızalara yol açmadan önce tespit etmek için YOLO11 gibi modelleri kullanabilir. YOLO11'in nesne tespiti ve örnek bölütleme desteğini kullanarak, manuel incelemelerin gözden kaçırabileceği anomalileri hassas bir şekilde tanımlamak 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.

Link to this sectionElektronikteki 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.

YOLO11 destekli anomali tespiti ile üreticiler bu süreci otomatikleştirebilir ve yanlış hizalanmış parçalar, kusurlu lehimleme veya elektriksel hatalar gibi sorunları geleneksel yöntemlerden çok daha yüksek doğrulukla hızlıca tanımlayabilir. Örneğin, insan denetçiler tarafından gözden kaçırılabilecek bir lehim bağlantısındaki küçük bir boşluk, YOLO11'in nesne tespiti ile kolayca tespit edilebilir.

Link to this sectionÖne çıkanlar#

Endüstriler bilgisayarlı görü destekli anomali tespitine yöneldikçe, YOLO11 gibi modeller kaliteyi korumak, güvenliği artırmak ve operasyonel riskleri azaltmak için 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'mize katıl! AI hakkında daha fazla bilgi edinmek için GitHub repository sayfamızı keşfet. Kendi bilgisayarlı görü projelerine başlamaya hazır mısın? licensing options seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek AI in agriculture ve vision AI in healthcare hakkında bilgi edin!