Vision AI cho phát hiện bất thường: Tổng quan nhanh

Một vết nứt nhỏ trên cánh máy bay, một nhãn dán 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 đối mặt với thách thức trong việc phát hiện sớm các vấn đề rủi ro để ngăn ngừa hư hỏng, tổn thất tài chính hoặc rủi ro an toàn.

Cụ thể là các điểm bất thường cần được phát hiện. Phát hiện bất thường tập trung vào việc xác định các mô hình không khớp với hành vi mong đợi. Nó nhằm mục đích gắn cờ các khiếm khuyết, lỗi hoặc hoạt động bất thường mà nếu không có thể sẽ bị bỏ qua. Các phương pháp truyền thống dựa vào các quy tắc cố định để tìm những bất thường này, nhưng chúng thường chậm và gặp khó khăn với các biến thể phức tạp. Đây là lúc thị giác máy tính đóng vai trò quan trọng.

Bằng cách học từ các tập dữ liệu trực quan 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 phát hiện bất thường dựa trên thị giác và cách YOLO11 có thể hỗ trợ.

Link to this sectionNhu cầu phát hiện bất thường#

Liên quan đến thị giác máy tính, các bất thường hay sai lệch thường xuất hiện dưới dạng khiếm khuyết hoặc các mô hình khác 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 khiếm khuyết.

Ví dụ, trong sản xuất dược phẩm, các bất thường ở viên thuốc có thể bao gồm vết nứt, hình dạng không chính xác, đổi màu hoặc thiếu dấu in, điều này có thể làm giảm chất lượng và sự an toàn. Việc phát hiện sớm các lỗi này là rất quan trọng để ngăn chặn các sản phẩm 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 sai lệch trong thế giới thực.

Hình 1. Phát hiện bất thường trong ngành dược phẩm.

Phát hiện bất thường dựa trên AI giải quyết những thách thức này bằng cách học từ các tập dữ liệu khổng lồ, liên tục cải thiện khả năng nhận diện mô hình 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 dần theo thời gian.

Các mô hình tiên tiến như YOLO11 nâng cao 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 việc phát hiện sai lệch trở nên nhanh chóng và chính xác hơn.

Link to this sectionCách thị giác máy tính hỗ trợ phát hiện bất thường#

Các hệ thống phát hiện bất thường được điều khiển bởi Vision AI hoạt động bằng cách trước tiên ghi lại hình 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, dù đó là việc phát hiện một sản phẩm lỗi trên dây chuyền sản xuất, phát hiện một người không được phép trong khu vực an ninh, hay xác định chuyển động bất thường ở không gian công cộng.

Sau khi được thu thập, hình ảnh hoặc video sẽ trải qua các kỹ thuật xử lý ảnh như giảm nhiễu, tăng cường 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 trong khi lọc bỏ nhiễu nền, cải thiện độ chính xác trong nhiều ứng dụng, từ giám sát an ninh đến chẩn đoán y tế và kiểm soát giao thông.

Sau khi tiền xử lý, thị giác máy tính có thể được sử dụng để phân tích hình ảnh và xác định bất cứ điều gì khác thường. Khi một điểm bất thường được gắn cờ, hệ thống có thể kích hoạt cảnh báo, chẳng hạn như thông báo cho công nhân loại bỏ sản phẩm lỗi, cảnh báo nhân viên an ninh về mối đe dọa tiềm ẩn hoặc thông báo cho người điều khiển giao thông để quản lý tắc nghẽn.

Hình 2. Ví dụ về các khiếm khuyết có thể phát hiện bằng Vision AI.

Link to this sectionPhát hiện bất thường sử dụng khả năng của YOLO11#

Hãy cùng xem xét kỹ hơn cách các mô hình thị giác máy tính như YOLO11 có khả năng phân tích hình ảnh để phát hiện bất thường.

YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính như phát hiện đối tượng, phân loại hình ảnh, phân đoạn thực thể (instance segmentation), theo dõi đối tượng và ước tính tư thế. Những tác vụ này giúp việc phát hiện bất thường trong các ứng dụng thực tế khác nhau trở nên đơn giản hơn.

Ví dụ, phát hiện đối tượng có thể được sử dụng để xác định các sản phẩm lỗi trên dây chuyền lắp ráp, những cá nhân không được phép trong các khu vực hạn chế, hoặc các vật phẩm đặt sai vị trí trong kho hàng. Tương tự, phân đoạn thực thể giúp việc phác thảo chính xác các bất thường, như vết nứt trên máy móc hoặc sự nhiễm bẩn trong các sản phẩm ăn được, trở nên khả thi.

Hình 3. Phân đoạn các vết nứt với sự hỗ trợ 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 giám sát các mô hình di chuyển nhằm phát hiện các mối đe dọa an ninh, theo dõi các bất thường của phương tiện trong giao thông, hoặc đánh giá chuyển động của bệnh nhân trong chăm sóc sức khỏe.
• Ước tính tư thế: 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 bao quanh định hướng (OBB): Cải thiện khả năng phát hiện bất thường bằng cách xác định và định vị chính xác các đối tượng bị xoay hoặc đặt theo góc, giúp nó hữu ích cho việc phân tích hình ảnh trên không, lái xe tự động và kiểm tra công nghiệp.

Link to this sectionTại sao bạn nên sử dụng YOLO11?#

Trong số nhiều mô hình thị giác máy tính khác, các mô hình Ultralytics YOLO nổi bật nhờ tốc độ và độ chính xác. Ultralytics YOLOv5 đơn giản hóa việc triển khai với khung làm việc dựa trên PyTorch, giúp nhiều người dùng hơn có thể tiếp cận. Trong khi đó, Ultralytics YOLOv8 tăng cường hơn nữa tính linh hoạt bằng cách giới thiệu hỗ trợ cho các tác vụ như phân đoạn thực thể, theo dõi đối tượng và ước tính tư thế, giúp nó thích ứng tốt hơn với các ứng dụng khác nhau.

Phiên bản mới nhất, YOLO11, cung cấp 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 mean average precision (mAP) cao hơn trên tập dữ liệu COCO, cho phép phát hiện đối tượng chính xác và hiệu quả hơn.

Link to this sectionCách huấn luyện tùy chỉnh YOLO11 để phát hiện bất thường#

Huấn luyện tùy chỉnh YOLO11 để phát hiện bất thường rất đơn giản và dễ dàng. Với một tập dữ liệu được thiết kế cho ứng dụng cụ thể của bạn, bạn có thể tinh chỉnh mô hình để phát hiện bất thường một cách chính xác.

Làm theo các bước đơn giản sau để bắt đầu:

• Chuẩn bị tập dữ liệu của bạn: Thu thập hình ảnh chất lượng cao bao gồm cả các mẫu bình thường và mẫu bất thường. Đảm bảo bao gồm các biến thể về ánh sáng, góc độ và độ phân giải để giúp mô hình thích nghi tốt hơn.
• Gán nhãn dữ liệu của bạn: Đánh dấu các điểm bất thường bằng hộp bao quanh (bounding box), phân đoạn hoặc các điểm chính để mô hình biết cần tìm gì. Các công cụ mã nguồn mở giúp quá trình này nhanh chóng và dễ dàng hơn.
• Huấn luyện mô hình: Mô hình sẽ học qua nhiều chu kỳ, cải thiện khả năng xác định các trường hợp bình thường và bất thường theo 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 cân nhắc xem liệu việc huấn luyện tùy chỉnh có thực sự cần thiết hay không. Trong một số trường hợp, một mô hình được huấn luyện sẵn có thể đã đủ dùng.

Ví dụ, nếu bạn đang phát triển một hệ thống quản lý giao thông và điểm bất thường bạn cần phát hiện là người đi bộ sang đường trái phép, mô hình YOLO11 được huấn luyện sẵn đã có thể phát hiện người với độ chính xác cao. Vì "người" là một danh mục được đại diện tốt trong tập dữ liệu COCO (tập dữ liệu mà nó được huấn luyện sẵn), nên không cần phải huấn luyện thêm.

Huấn luyện tùy chỉnh trở nên cần thiết khi các điểm bất thường hoặc đối tượng bạn cần phát hiện không có trong tập dữ liệu COCO. Nếu ứng dụng của bạn yêu cầu xác định các khiếm khuyết hiếm gặp trong sản xuất, các tình trạng y tế cụ thể trong hình ảnh, hoặc các đối tượng độc đáo không có trong các tập dữ liệu tiêu chuẩn, thì việc huấn luyện mô hình trên dữ liệu chuyên biệt theo tên miền sẽ đảm bảo hiệu suất và độ chính xác tốt hơn.

Link to this sectionCác ứng dụng thực tế của phát hiện bất thường dựa trên thị giác#

Phát hiện bất thường là một khái niệm rộng bao hàm nhiều ứng dụng thực tế. Hãy cùng điểm qua một vài trong số đó và xem cách thị giác máy tính giúp xác định các sai lệch, cải thiện hiệu quả và nâng cao khả năng ra quyết định trong các ngành công nghiệp khác nhau.

Link to this sectionPhát hiện 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 khiếm khuyết, sai lệch và các thành phần bị thiếu trên dây chuyền sản xuất. Các mô hình thị giác máy tính có thể gắn cờ ngay lập tức các sản phẩm lỗi, ngăn chúng di chuyển tiếp trên dây chuyền và giảm thiểu lãng phí. Việc phát hiện sớm các vấn đề như khiếm khuyết nguyên liệu thô, lỗi đóng gói hoặc các thành phần cấu trúc yếu giúp ngăn ngừa các đợt thu hồi tốn kém và tổn thất tài chính.

Ngoài kiểm soát chất lượng, phát hiện bất thường còn có thể cải thiện an toàn tại nơi làm việc. Các nhà máy thường xử lý nhiệt, khói và khí thải độc hại, điều này có thể dẫn đến nguy cơ hỏa hoạn. Các mô hình Vision AI có thể phát hiện các mô hình khói bất thường, máy móc quá nhiệt, hoặc thậm chí là những dấu hiệu sớm của hỏa hoạn, 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.

Link to this sectionXác định các trường hợp biên trong ô tô#

Ngành công nghiệp ô tô có thể sử dụng các mô hình như YOLO11 để phát hiện lỗi trong động cơ, hệ thống phanh và các thành phần truyền động trước khi chúng dẫn đến các hư hỏng nghiêm trọng. Bằng cách sử dụng hỗ trợ của YOLO11 cho phát hiện đối tượng và phân đoạn thực thể, thật dễ dàng để xác định chính xác các bất thường mà các phương pháp kiểm tra thủ công có thể bỏ sót.

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 diện 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 tài xế: Xác định tình trạng buồn ngủ khi lái xe, hành vi mất tập trung hoặc lái xe lạng lách để cải thiện an toàn đường bộ.
• An toàn phương tiện tự động: Phát hiện người đi bộ, người đi xe đạp và các chướng ngại vật bất ngờ để ngăn ngừa va chạm.

Link to this sectionPhát hiện sai lệch trong thiết bị điện tử#

Việc kiểm tra thiết bị điện tử thủ công có thể chậm, không nhất quán và dễ xảy ra lỗi do con người, nghĩa là các khiếm khuyết trong vi mạch, bảng mạch và các mối hàn có thể bị bỏ qua. Ngay cả những khiếm khuyết nhỏ, như một mối hàn bị nứt hoặc một thành phần bị lệch, cũng có thể gây ra gián đoạn tín hiệu, lỗi hệ thống hoặc chập mạch, dẫn đến các thiết bị không đáng tin cậy.

Với việc phát hiện bất thường được hỗ trợ bởi YOLO11, các nhà sản xuất có thể tự động hóa quy trình này và nhanh chóng xác định các vấn đề như linh kiện bị lệch, mối hàn bị lỗi hoặc lỗi điện với độ chính xác cao hơn nhiều so với các phương pháp truyền thống. Ví dụ, một khoảng hở nhỏ trong mối hàn mà có thể bị các thanh tra viên con người bỏ sót có thể được phát hiện dễ dàng bằng tính năng phát hiện đối tượng của YOLO11.

Link to this sectionCác điểm chính cần lưu ý#

Khi các ngành công nghiệp chuyển sang sử dụng phát hiện bất thường bằng thị giác máy tính, các mô hình như YOLO11 đang trở nên thiết yếu để duy trì chất lượng, cải thiện an toàn và giảm thiểu rủi ro vận hành.

Từ sản xuất đến nông nghiệp, phát hiện bất thường do AI điều khiển có thể nâng cao độ chính xác, tăng tốc độ kiểm tra và giảm thiểu lỗi do con người. Hướng tới tương lai, những tiến bộ trong AI có khả năng sẽ làm cho việc phát hiện bất thường trở nên chính xác hơn.

Tham gia cộng đồng đang phát triển của chúng tôi! Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Bạn đã sẵn sàng bắt đầu các dự án thị giác máy tính của riêng mình chưa? Hãy xem các tùy chọn cấp phép của chúng tôi. Khám phá AI trong nông nghiệp và AI thị giác trong chăm sóc sức khỏe bằng cách truy cập các trang giải pháp của chúng tôi!