Anomaly Detection

Anomali tespiti, normal davranışa ilişkin yerleşik bir örüntüden sapan veri noktalarını, olayları veya görüntü bölgelerini belirleme görevidir. Aykırı değer tespiti olarak da adlandırılır; üretim amaçlı bilgisayarlı görü uygulamalarında ise çoğu zaman kusur tespiti veya otomatik görsel inceleme denir. Anomaliler nadir ve çeşitlidir; çoğu zaman daha önce hiç karşılaşılmamış türdendir. Bu nedenle yöntemlerin çoğu, büyük ölçüde normal verilerden normalin nasıl göründüğünü öğrenir, her yeni girdiye bu örüntüden ne ölçüde saptığını gösteren bir anomali puanı verir ve eşik değerini aşan puanları işaretler. Uygulamalar arasında üretim hatlarında çizik ve eziklerin tespit edilmesi, hileli kart işlemlerinin belirlenmesi, ağ saldırılarının saptanması, arızalanan makinelerin tespiti ve tıbbi görüntü analizindeki şüpheli bulguların belirlenmesi yer alır.

Anomali Türleri#

• Noktasal anomaliler: Müşterinin normal harcamasından 50 kat daha yüksek bir işlem gibi, diğerlerinden çok farklı tek bir değer veya görüntü.
• Bağlamsal anomaliler: Bir bağlamda normal, başka bir bağlamda anormal olan değerler. New York'ta dışarıda 30 °C sıcaklık temmuzda olağandır, ocakta ise endişe vericidir.
• Kolektif anomaliler: Her biri tek başına normal görünse de dizi veya grup olarak anormal olan örüntüler; örneğin bir dakika içinde birçok ülkeden gelen ve tek başına dikkat çekmeyen bir dizi oturum açma girişimi.

Anomali Algılama Nasıl Çalışır#

Yöntemler normal veriyi modelleme biçimlerine göre farklılık gösterir:

• İstatistiksel kurallar: Ortalamadan belirli sayıda standart sapma kadar uzaktaki veya çeyrekler arası aralığın belirlediği aralığın dışındaki değerleri işaretler.
• Uzaklık ve yoğunluk: En yakın komşularından uzak olan veya seyrek bölgelerde bulunan noktaları, yerel aykırı değer faktörünün yaptığı gibi işaretler.
• Yalıtım: Bir Isolation Forest, verileri rastgele kesitlerle böler; anomaliler normal noktalara göre daha az kesitte yalıtılmış hale gelir.
• Tek sınıflı modeller: Tek sınıflı bir destek vektör makinesi (SVM), eğitim verilerinin çevresinde bir sınır öğrenir ve bu sınırın dışındaki noktaları işaretler.
• Yeniden oluşturma: Yalnızca normal veriler üzerinde eğitilen bir otoenkoder, normal girdileri iyi, anomalileri ise kötü yeniden oluşturur; bu nedenle yeniden oluşturma hatası anomali puanı olarak kullanılır.
• Özellik tabanlı görsel yöntemler: PatchCore, ImageNet üzerinde önceden eğitilmiş bir ağ tarafından çıkarılan kusursuz görüntü yamalarının özelliklerini bellek bankasında saklar ve test yamalarının her birini en yakın kayıtlı yamaya olan uzaklığıyla puanlar. MVTec AD kıyaslama testinde görüntü düzeyinde AUROC değeri %99,6'ya kadar çıkar.

scikit-learn, eğitim verilerinde zaten bazı anomalilerin bulunduğu aykırı değer algılamayı, eğitim verilerinin temiz olduğu ve yalnızca yeni girdilerin puanlandığı yenilik algılamadan ayırır. Aşağıdaki betik, sağlıklı bir makineden alınan ölçümlerle bir Isolation Forest eğitir ve dört yeni ölçüme puan verir:

import numpy as np
from sklearn.ensemble import IsolationForest

# 1,000 readings from a healthy machine: temperature (C) and vibration (mm/s)
rng = np.random.default_rng(0)
normal = rng.normal([60, 2.0], [3, 0.3], size=(1000, 2))

# Learn what normal looks like, then score new readings
detector = IsolationForest(random_state=0).fit(normal)
new = np.array([[61, 2.1], [59, 1.8], [75, 2.0], [60, 4.5]])
labels = detector.predict(new)  # 1 = normal, -1 = anomaly
scores = detector.decision_function(new)  # below 0 = anomaly

for (temp, vibration), label, score in zip(new, labels, scores):
    status = "anomaly" if label == -1 else "normal"
    print(f"{temp:.0f} C, {vibration:.1f} mm/s -> {status} (score {score:+.3f})")

Eğitim ortalamasına yakın iki ölçüm +0,080 ve +0,076 puan alır ve normal kabul edilir. 75 °C'deki aşırı ısınma ölçümü −0,139, olağan titreşimin iki katından fazlasını gösteren ölçüm ise −0,152 puan alır; dolayısıyla model bu arızaların hiçbir örneğini görmemiş olsa da ikisi de işaretlenir.

Görsel Anomali Algılama#

Görsel denetim, kusurların toplanıp etiketlenip etiketlenememesine bağlı olarak iki yoldan birini izler. Kusur türleri biliniyor ve örnekleri varsa çizik, ezik ve çatlak gibi sınıflarda eğitilmiş nesne algılama veya örnek segmentasyonu modelleri her kusuru bulup adlandırır. Bu sınıflarda ince ayar yapılmış bir YOLO26 algılama veya segmentasyon modeli, görüntüde bulduğu her kusur için bir kutu veya maske, sınıf ve güven puanı döndürür. Kusurlar nadir veya öngörülemez olduğunda tek sınıflı yöntemler yalnızca kusursuz parçaların görüntüleriyle eğitilir ve farklı görünen her şeyi işaretleyerek kimsenin öngörmediği kusur türlerini de yakalar. 15 nesne ve doku kategorisinde 5.000'den fazla görüntü içeren, eğitim kümelerinde yalnızca kusursuz görüntülerin bulunduğu MVTec AD veri kümesi, bu yaklaşım için standart bir kıyaslamadır. Ultralytics Platform, denetimli yöntem için bu veri kümesini algılama veri kümesi olarak da barındırır. Anomalib gibi açık kaynaklı kütüphaneler PatchCore ve benzeri yöntemleri uygular.

Anomali algılayıcılar, eşikten bağımsız ROC eğrisi altındaki alan (AUC) gibi ölçütlerle ve seçilen eşikteki kesinlik ile duyarlılıkla değerlendirilir; bunlar operatörlerin gerçekten göreceği yanlış alarmları ve kaçırılan anomalileri yansıtır. Anomaliler seyrek olduğundan eşik, çoğu zaman normal doğrulama görüntülerindeki puanlara göre belirlenir; örneğin iyi parçaların yalnızca %1'inin aştığı puan seçilir.

Anomali Algılama ve İlgili Terimler#

• Nesne algılama: Sabit bir etiketli sınıf kümesinin örneklerini bulur. Kusurlar üzerinde eğitilmiş bir nesne algılayıcı, yalnızca eğitildiği kusur türlerini bulur.
• Veri kayması: Bir haftalık daha karanlık görüntüler gibi, zaman içinde tüm girdi akışının dağılımında meydana gelen değişimdir. Anomali algılama, tek tek girdilere puan verir.
• Dağılım dışı (OOD) algılama: Modelin eğitim verilerinden farklı girdileri işaretleyerek modelin tahminde bulunmamasını veya bir insana yönlendirmesini sağlar. Dağıtılmış bir modelin girdilerine uygulanan yenilik algılama türüdür.
• Değişim algılama: Sel öncesi ve sonrası uydu görüntüleri gibi, aynı sahnenin farklı zamanlarda çekilmiş görüntülerini karşılaştırarak nelerin değiştiğini bulur.