Bằng cách nhấp vào “Chấp nhận tất cả Cookie”, bạn đồng ý với việc lưu trữ cookie trên thiết bị của mình để tăng cường khả năng điều hướng trang web, phân tích việc sử dụng trang web và hỗ trợ các nỗ lực tiếp thị của chúng tôi. Thêm thông tin
Cài đặt Cookie
Bằng cách nhấp vào “Chấp nhận tất cả Cookie”, bạn đồng ý với việc lưu trữ cookie trên thiết bị của mình để tăng cường khả năng điều hướng trang web, phân tích việc sử dụng trang web và hỗ trợ các nỗ lực tiếp thị của chúng tôi. Thêm thông tin
Tìm hiểu cách thị giác máy tính cho phép phát hiện sự bất thường chính xác trong các ngành công nghiệp khác nhau. Tìm hiểu cách tùy chỉnh huấn luyện các mô hình như Ultralytics YOLO11 để phát hiện sự bất thường.
Một vết nứt nhỏ trên cánh máy bay, một nhãn in sai trên thuốc hoặc một giao dịch tài chính bất thường có thể gây ra những vấn đề nghiêm trọng nếu không được phát hiện. Mọi ngành công nghiệp đều phải đối mặt với thách thức cố gắng phát hiện sớm bất kỳ vấn đề rủi ro nào để ngăn ngừa sự cố, tổn thất tài chính hoặc rủi ro an toàn.
Cụ thể, cần phát hiện các điểm bất thường. Phát hiện bất thường tập trung vào việc xác định các mẫu không khớp với các hành vi dự kiến. Nó nhằm mục đích gắn cờ các khuyết tật, lỗi hoặc hoạt động bất thường mà nếu không có thể không được chú ý. Các phương pháp truyền thống dựa vào các quy tắc cố định để tìm các điểm bất thường này, nhưng chúng thường chậm và gặp khó khăn với các biến thể phức tạp. Đây là nơi thị giác máy tính đóng một vai trò quan trọng.
Bằng cách học hỏi từ các tập dữ liệu hình ảnh lớn, các mô hình thị giác máy tính như Ultralytics YOLO11 có thể phát hiện các điểm bất thường chính xác hơn so với các phương pháp truyền thống.
Trong bài viết này, chúng ta sẽ khám phá cách thức hoạt động của việc phát hiện dị thường dựa trên thị giác và cách YOLO11 có thể giúp ích.
Nhu cầu phát hiện bất thường
Đối với thị giác máy tính, các điểm bất thường hoặc không đều thường xuất hiện dưới dạng lỗi hoặc các mẫu bất thường trong hình ảnh và video. Trong nhiều năm, các doanh nghiệp đã dựa vào kiểm tra thủ công hoặc các hệ thống dựa trên quy tắc để phát hiện lỗi.
Ví dụ: trong sản xuất dược phẩm, các bất thường trong viên nén có thể bao gồm vết nứt, hình dạng không chính xác, sự đổi màu hoặc thiếu dấu ấn, có thể ảnh hưởng đến chất lượng và sự an toàn. Phát hiện sớm những sai sót này là rất quan trọng để ngăn chặn các sản phẩm bị lỗi đến tay người tiêu dùng. Tuy nhiên, các phương pháp phát hiện bất thường thủ công thường chậm, không nhất quán và không thể xử lý sự phức tạp của các bất thường trong thế giới thực.
Hình 1. Phát hiện bất thường trong ngành dược phẩm.
Tính năng phát hiện bất thường dựa trên AI giải quyết những thách thức này bằng cách học hỏi từ các bộ dữ liệu lớn, liên tục cải thiện khả năng nhận diện các mẫu theo thời gian. Không giống như các phương pháp dựa trên quy tắc cố định, các hệ thống AI có thể học hỏi và cải thiện theo thời gian.
Các mô hình tiên tiến như YOLO11 tăng cường khả năng phát hiện bất thường bằng cách cho phép phân tích hình ảnh theo thời gian thực với độ chính xác cao. Các hệ thống Vision AI có thể phân tích các chi tiết trong hình ảnh như hình dạng, kết cấu và cấu trúc, giúp bạn dễ dàng phát hiện các điểm bất thường một cách nhanh chóng và chính xác.
Cách thị giác máy tính cho phép phát hiện bất thường
Các hệ thống phát hiện bất thường được điều khiển bởi Vision AI hoạt động bằng cách chụp ảnh hoặc video chất lượng cao bằng camera, cảm biến hoặc máy bay không người lái. Dữ liệu trực quan rõ ràng là chìa khóa, cho dù đó là phát hiện một sản phẩm bị lỗi trên dây chuyền sản xuất, phát hiện một người không được phép trong một khu vực an toàn hoặc xác định chuyển động bất thường ở một không gian công cộng.
Sau khi thu thập, hình ảnh hoặc video sẽ trải qua các kỹ thuật xử lý ảnh như giảm nhiễu, tăng độ tương phản và phân ngưỡng. Các bước tiền xử lý này giúp các mô hình Vision AI tập trung vào các chi tiết quan trọng, đồng thời loại bỏ nhiễu nền, cải thiện độ chính xác trong nhiều ứng dụng khác nhau, từ giám sát an ninh đến chẩn đoán y tế và điều khiển giao thông.
Sau khi tiền xử lý, computer vision có thể được sử dụng để phân tích hình ảnh và xác định bất kỳ điều gì khác thường. Khi một sự bất thường được gắn cờ, hệ thống có thể kích hoạt cảnh báo, chẳng hạn như thông báo cho công nhân loại bỏ một sản phẩm bị lỗi, cảnh báo nhân viên an ninh về một mối đe dọa tiềm ẩn hoặc thông báo cho người điều hành giao thông để quản lý tắc nghẽn.
Hình 2. Các ví dụ về lỗi có thể được phát hiện bằng Vision AI.
Phát hiện bất thường bằng cách sử dụng các khả năng của YOLO11
Hãy xem xét kỹ hơn cách các mô hình thị giác máy tính như YOLO11 có thể phân tích hình ảnh để phát hiện các điểm bất thường.
YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính khác nhau như phát hiện đối tượng, phân loại hình ảnh, phân đoạn thể hiện, theo dõi đối tượng và ước tính tư thế. Các tác vụ này giúp đơn giản hóa việc phát hiện bất thường trong các ứng dụng thực tế khác nhau.
Ví dụ: nhận dạng đối tượng có thể được sử dụng để xác định các sản phẩm bị lỗi trên dây chuyền lắp ráp, những cá nhân không được phép trong các khu vực hạn chế hoặc các mặt hàng bị đặt sai vị trí trong nhà kho. Tương tự, phân đoạn thể hiện giúp có thể phác thảo chính xác các điểm bất thường, chẳng hạn như vết nứt trên máy móc hoặc sự ô nhiễm trong các sản phẩm ăn được.
Hình 3. Phân đoạn các vết nứt với sự trợ giúp của YOLO11.
Dưới đây là một số ví dụ khác về các tác vụ thị giác máy tính được sử dụng để phát hiện bất thường:
Theo dõi đối tượng: Nó có thể được sử dụng để theo dõi các kiểu chuyển động để phát hiện các mối đe dọa an ninh, theo dõi các bất thường của xe trong giao thông hoặc đánh giá chuyển động của bệnh nhân trong chăm sóc sức khỏe.
Ước tính tư thế (Pose estimation): YOLO11 có thể phát hiện các chuyển động cơ thể bất thường để xác định các mối nguy hiểm về an toàn tại nơi làm việc hoặc theo dõi tiến trình phục hồi chức năng trong chăm sóc sức khỏe.
Phát hiện hộp giới hạn có hướng (OBB): Cải thiện khả năng phát hiện dị thường bằng cách xác định và định vị chính xác các vật thể bị xoay hoặc nghiêng, hữu ích cho phân tích ảnh chụp từ trên không, lái xe tự động và kiểm tra công nghiệp.
Tại sao bạn nên sử dụng YOLO11?
Trong số các mô hình thị giác máy tính khác nhau, các mô hình Ultralytics YOLO nổi bật về tốc độ và độ chính xác. Ultralytics YOLOv5 đơn giản hóa việc triển khai với khung dựa trên PyTorch, giúp nó dễ tiếp cận hơn với nhiều người dùng hơn. Trong khi đó, Ultralytics YOLOv8 tiếp tục tăng cường tính linh hoạt bằng cách giới thiệu hỗ trợ cho các tác vụ như phân đoạn thể hiện, theo dõi đối tượng và ước tính tư thế, giúp nó thích ứng hơn với các ứng dụng khác nhau.
Phiên bản mới nhất, YOLO11, mang lại độ chính xác và hiệu suất vượt trội so với các phiên bản tiền nhiệm. Ví dụ: với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m mang lại độ chính xác trung bình (mAP) cao hơn trên bộ dữ liệu COCO, cho phép phát hiện đối tượng chính xác và hiệu quả hơn.
Cách tùy chỉnh huấn luyện YOLO11 để phát hiện bất thường
Huấn luyện tùy chỉnh (Custom-training) YOLO11 để phát hiện bất thường rất đơn giản và dễ dàng. Với một bộ dữ liệu được thiết kế cho ứng dụng cụ thể của bạn, bạn có thể tinh chỉnh mô hình để phát hiện các bất thường một cách chính xác.
Thực hiện theo các bước đơn giản sau để bắt đầu:
Chuẩn bị bộ dữ liệu của bạn: Thu thập hình ảnh chất lượng cao bao gồm cả mẫu bình thường và mẫu bất thường. Đảm bảo đưa vào các biến thể về ánh sáng, góc độ và độ phân giải để giúp mô hình thích ứng tốt hơn.
Gán nhãn dữ liệu của bạn: Đánh dấu các điểm bất thường bằng cách sử dụng hộp giới hạn, phân đoạn hoặc điểm chính để mô hình biết cần tìm gì. Các công cụ mã nguồn mở giúp quá trình này nhanh hơn và dễ dàng hơn.
Huấn luyện mô hình: Mô hình học hỏi qua nhiều chu kỳ, cải thiện khả năng xác định các trường hợp bình thường và bất thường trong thời gian thực.
Kiểm tra và xác thực: Chạy mô hình đã huấn luyện trên các hình ảnh mới, chưa từng thấy để đánh giá hiệu suất của nó và đảm bảo nó hoạt động tốt trước khi triển khai.
Ngoài ra, khi xây dựng một hệ thống phát hiện bất thường, điều quan trọng là phải xem xét liệu việc huấn luyện tùy chỉnh có thực sự cần thiết hay không. Trong một số trường hợp, một mô hình được huấn luyện trước có thể đã đủ.
Ví dụ: nếu bạn đang phát triển một hệ thống quản lý giao thông và sự bất thường bạn cần phát hiện là người đi bộ sang đường trái phép, thì mô hình YOLO11 được đào tạo trước có thể phát hiện người với độ chính xác cao. Vì "người" là một danh mục được thể hiện rõ trong tập dữ liệu COCO (mà nó được đào tạo trước), nên không cần đào tạo thêm.
Huấn luyện tùy chỉnh trở nên cần thiết khi các dị thường hoặc đối tượng bạn cần phát hiện không có trong bộ dữ liệu COCO. Nếu ứng dụng của bạn yêu cầu xác định các khiếm khuyết hiếm gặp trong sản xuất, các tình trạng bệnh lý cụ thể trong hình ảnh hoặc các đối tượng duy nhất không được đề cập trong các bộ dữ liệu tiêu chuẩn, thì việc huấn luyện mô hình trên dữ liệu dành riêng cho lĩnh vực sẽ đảm bảo hiệu suất và độ chính xác tốt hơn.
Các ứng dụng thực tế của phát hiện bất thường dựa trên thị giác
Phát hiện bất thường là một khái niệm rộng bao gồm nhiều ứng dụng thực tế. Hãy cùng xem qua một vài ứng dụng này và xem computer vision giúp xác định các điểm bất thường, cải thiện hiệu quả và nâng cao khả năng ra quyết định trong các ngành công nghiệp khác nhau như thế nào.
Phát hiện các điểm bất thường trong sản xuất
Thị giác máy tính trong sản xuất giúp duy trì các tiêu chuẩn chất lượng cao bằng cách phát hiện các khuyết tật, sai lệch và các thành phần bị thiếu trên dây chuyền sản xuất. Các mô hình thị giác máy tính có thể ngay lập tức gắn cờ các sản phẩm bị lỗi, ngăn chúng di chuyển xa hơn xuống dây chuyền và giảm lãng phí. Phát hiện sớm các vấn đề như lỗi nguyên liệu thô, lỗi đóng gói hoặc các thành phần cấu trúc yếu giúp ngăn ngừa việc thu hồi tốn kém và tổn thất tài chính.
Ngoài việc kiểm soát chất lượng, phát hiện bất thường cũng có thể cải thiện an toàn tại nơi làm việc. Các nhà máy thường phải đối mặt với nhiệt, khói và khí thải độc hại, có thể dẫn đến nguy cơ hỏa hoạn. Các mô hình Vision AI có thể phát hiện các kiểu khói bất thường, máy móc quá nóng hoặc thậm chí các dấu hiệu ban đầu của đám cháy, cho phép các nhà sản xuất hành động trước khi tai nạn xảy ra.
Hình 4. Thị giác máy tính được sử dụng để phát hiện lửa và khói.
Xác định các trường hợp đặc biệt trong ô tô
Ngành công nghiệp ô tô có thể sử dụng các mô hình như YOLO11 để phát hiện các lỗi trong động cơ, hệ thống phanh và các bộ phận truyền động trước khi chúng dẫn đến các hỏng hóc nghiêm trọng. Sử dụng hỗ trợ của YOLO11 cho object detection và phân vùng thể hiện, bạn có thể dễ dàng xác định chính xác các bất thường mà kiểm tra thủ công có thể bỏ qua.
Dưới đây là một số ví dụ khác về phát hiện bất thường trong ngành công nghiệp ô tô:
Phát hiện bất thường giao thông: Nhận biết các phương tiện di chuyển ngược chiều, đột ngột chuyển làn hoặc truy cập trái phép vào các khu vực hạn chế.
Giám sát hành vi của người lái xe: Xác định tình trạng lái xe buồn ngủ, hành vi mất tập trung hoặc đánh lái thất thường để cải thiện an toàn đường bộ.
An toàn xe tự hành: Phát hiện người đi bộ, người đi xe đạp và các chướng ngại vật bất ngờ để ngăn ngừa va chạm.
Phát hiện các bất thường trong thiết bị điện tử
Kiểm tra điện tử thủ công có thể chậm, không nhất quán và dễ xảy ra lỗi do con người, điều này có nghĩa là các lỗi trong vi mạch, bảng mạch và kết nối hàn có thể không được chú ý. Ngay cả những lỗi nhỏ, như mối hàn bị nứt hoặc một thành phần bị lệch, có thể gây ra gián đoạn tín hiệu, lỗi hệ thống hoặc đoản mạch, dẫn đến các thiết bị không đáng tin cậy.
Với khả năng phát hiện bất thường do YOLO11 cung cấp, các nhà sản xuất có thể tự động hóa quy trình này và nhanh chóng xác định các vấn đề như các bộ phận bị lệch, hàn bị lỗi hoặc lỗi điện với độ chính xác cao hơn nhiều so với các phương pháp truyền thống. Ví dụ: một khoảng trống nhỏ trong mối hàn mà các thanh tra viên là con người có thể bỏ qua có thể dễ dàng được phát hiện bởi khả năng phát hiện đối tượng của YOLO11.
Những điều cần nhớ
Khi các ngành công nghiệp chuyển sang phát hiện bất thường bằng thị giác máy tính, các mô hình như YOLO11 đang trở nên cần thiết để duy trì chất lượng, cải thiện an toàn và giảm rủi ro vận hành.
Từ sản xuất đến nông nghiệp, tính năng phát hiện bất thường (anomaly detection) dựa trên AI có thể nâng cao độ chính xác, tăng tốc độ kiểm tra và giảm thiểu lỗi do con người. Trong tương lai, những tiến bộ trong AI có thể sẽ làm cho việc phát hiện bất thường trở nên chính xác hơn.
