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
Khám phá cách thị giác máy tính cho phép phát hiện bất thường chính xác trong nhiều ngành công nghiệp khác nhau. Tìm hiểu cách đào tạo các mô hình tùy chỉnh 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 detect những 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 dị thường dựa trên tầm nhìn và cách YOLO11 có thể giúp.
Nhu cầu phát hiện bất thường
Về mặt thị giác máy tính, các điểm bất thường hoặc bất thường thường xuất hiện dưới dạng khuyết tật hoặc các mẫu bất thường trong hình ảnh và video. Trong nhiều năm, các doanh nghiệp đã dựa vào việc kiểm tra thủ công hoặc các hệ thống dựa trên quy tắc để detect khuyết điểm.
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 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. Hệ thống AI thị giác có thể phân tích các chi tiết trong hình ảnh như hình dạng, kết cấu và cấu trúc, giúp 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 YOLO11 khả năng của
Chúng ta hãy xem xét kỹ hơn cách các mô hình thị giác máy tính như YOLO11 có khả năng phân tích hình ảnh để detect sự 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 thực thể, theo dõi đối tượng và ước tính tư thế. Các tác vụ này giúp việc phát hiện bất thường trong các ứng dụng thực tế khác nhau trở nên đơn giản hơn.
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 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 : Có thể được sử dụng để theo dõi các mẫu chuyển động để detect các mối đe dọa an ninh, track các bất thường của phương tiện giao thông hoặc đánh giá sự di chuyển của bệnh nhân trong chăm sóc sức khỏe.
Ước tính tư thế : YOLO11 Có thể detect các chuyển động cơ thể bất thường để xác định các mối nguy hiểm về an toàn tại nơi làm việc hoặc track 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 nhiều mô hình thị giác máy tính khác, mô hình YOLO Ultralytics nổi bật nhờ tốc độ và độ chính xác. Ultralytics YOLOv5 đã đơn giản hóa việc triển khai với PyTorch -based framework, giúp nó dễ tiếp cận với nhiều người dùng hơn. Trong khi đó, Ultralytics YOLOv8 còn tăng cường tính linh hoạt bằng cách hỗ trợ các tác vụ như phân đoạn thực thể, 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 thế hệ trước. Ví dụ, với số lượng tham số ít hơn 22% so với YOLOv8m , YOLO11m mang lại độ chính xác trung bình cao hơn ( mAP ) trên COCO tập dữ liệu, cho phép phát hiện đối tượng chính xác và hiệu quả hơn.
Làm thế nào để đào tạo tùy chỉnh YOLO11 để phát hiện bất thường
Đào tạo tùy chỉnh YOLO11 Việc phát hiện bất thường rất đơn giản và dễ dàng. Với bộ dữ liệu được thiết kế riêng cho ứng dụng của bạn, bạn có thể tinh chỉnh mô hình để detect 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 detect là người đi bộ jaywalkers, những người được đào tạo trước YOLO11 mô hình có thể đã detect những người có độ chính xác cao. Vì "con người" là một phạm trù được đại diện tốt trong COCO tập dữ liệu (đã được đào tạo trước), không cần đào tạo thêm.
Đào tạo tùy chỉnh trở nên cần thiết khi các bất thường hoặc đối tượng bạn cần detect không được bao gồm trong COCO tập dữ liệu. Nếu ứng dụng của bạn yêu cầu xác định các lỗi hiếm gặp trong sản xuất, các tình trạng bệnh lý cụ thể trong hình ảnh hoặc các đối tượng duy nhất không được bao gồm trong tập dữ liệu chuẩn, thì việc đào tạo mô hình trên dữ liệu cụ thể theo miền 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 còn có thể cải thiện an toàn nơi làm việc. Các nhà máy thường xuyên phải đối mặt với nhiệt, khói và khí thải độc hại, có thể dẫn đến nguy cơ hỏa hoạn. Các mô hình AI thị giác có thể detect các kiểu khói bất thường, máy móc quá nóng hoặc thậm chí là dấu hiệu sớm của hỏa hoạn, cho phép nhà sản xuất hành động trước khi tai nạn xảy ra.
Hình 4. Tầm nhìn máy tính được sử dụng để detect 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 ĐẾN detect lỗi trong động cơ, hệ thống phanh và các bộ phận truyền động trước khi chúng dẫn đến hỏng hóc nghiêm trọng. Sử dụng YOLO11 Với sự hỗ trợ của nó cho việc phát hiện đối tượng và phân đoạn phiên bản, bạn có thể dễ dàng xác định chính xác các điểm bất thường mà quá trình 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 YOLO11 Với khả năng phát hiện bất thường, các nhà sản xuất có thể tự động hóa quy trình này và nhanh chóng xác định các vấn đề như linh kiện không thẳng hàng, hàn lỗi hoặc lỗi điện với độ chính xác cao hơn nhiều so với các phương pháp truyền thống. Ví dụ, một khe hở nhỏ trên mối hàn mà người kiểm tra có thể bỏ sót có thể dễ dàng được phát hiện bằng YOLO11 phát hiện đối tượng.
Những điều cần nhớ
Khi các ngành công nghiệp chuyển sang phát hiện dị 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 hoạt động.
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.
