AI thị giác để phát hiện anomaly: Tổng quan nhanh

Một vết nứt nhỏ trên cánh máy bay, 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 đều phải đối mặt với thách thức phát hiện sớm các vấn đề tiềm ẩn 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 hành vi dự kiến. Mục tiêu là gắn cờ các lỗi, sai sót hoặc hoạt động bất thường vốn có thể không được phát hiện. Các phương pháp truyền thống dựa vào những quy tắc cố định để tìm các điểm bất thường này, nhưng thường chậm và gặp khó khăn trước những biến thể phức tạp. Đây là lúc thị giác máy tính đóng vai trò then chốt.

Bằng cách học từ các tập dữ liệu hình ảnh lớn, các model thị giác máy tính như Ultralytics YOLO11 có thể phát hiện các điểm bất thường chính xác hơn những phương pháp truyền thống.

Trong bài viết này, chúng ta sẽ tìm hiểu cách thức hoạt động của tính năng phát hiện bất thường dựa trên hình ảnh và cách Ultralytics YOLO11 có thể hỗ trợ.

Nhu cầu phát hiện bất thường#

Trong lĩnh vực thị giác máy tính, các điểm bất thường thường xuất hiện dưới dạng lỗi hoặc mẫu bất thường trong hình ảnh và video. Trong nhiều năm, 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 điểm bất thường trên viên thuốc có thể bao gồm vết nứt, hình dạng không đúng, đổi màu hoặc thiếu ký hiệu in, từ đó ảnh hưởng đến chất lượng và độ an toàn. Việc phát hiện sớm các lỗi này rất quan trọng để ngăn sản phẩm lỗi đến tay người tiêu dùng. Tuy nhiên, các phương pháp phát hiện bất thường thủ công thường chậm, thiếu nhất quán và không thể xử lý sự phức tạp của các điểm bất thường trong thực tế.

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 mẫu theo thời gian. Không giống các phương pháp dựa trên quy tắc cố định, hệ thống AI có thể học hỏi và cải thiện theo thời gian.

Các model tiên tiến như Ultralytics 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 những chi tiết như hình dạng, kết cấu và cấu trúc trong hình ảnh, giúp phát hiện các điểm bất thường nhanh chóng và chính xác hơn.

Cách thị giác máy tính hỗ trợ phát hiện bất thường#

Các hệ thống phát hiện bất thường do Vision AI điều khiển trước tiên sẽ thu thập hình ảnh hoặc video chất lượng cao bằng camera, cảm biến hoặc drone. Dữ liệu hình ảnh rõ nét là yếu tố then chốt, dù mục tiêu là phát hiện sản phẩm lỗi trên dây chuyền nhà máy, nhận diện 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 hình ảnh như giảm nhiễu, tăng cường độ tương phản và phân ngưỡng. Các bước tiền xử lý này giúp model Vision AI tập trung vào những chi tiết quan trọng đồng thời lọc 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, thị giác máy tính có thể được sử dụng để phân tích hình ảnh và xác định mọi thứ bất 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 nhân viên vận hành giao thông để xử lý ùn tắc.

Hình 2. Ví dụ về các lỗi có thể được phát hiện bằng Vision AI.

Phát hiện bất thường bằng các khả năng của Ultralytics YOLO11#

Hãy cùng xem xét kỹ hơn cách các model thị giác máy tính như Ultralytics YOLO11 có thể phân tích hình ảnh để phát hiện các điểm bất thường.

Ultralytics YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính như phát hiện đối tượng, phân loại hình ảnh, phân đoạn instance, theo dõi đối tượng và ước tính tư thế. Các tác vụ này giúp đơn giản hóa việc phát hiện bất thường trong nhiều ứng dụng thực tế khác nhau.

Ví dụ, phát hiện đối tượng có thể được sử dụng để xác định sản phẩm lỗi trên dây chuyền lắp ráp, người không được phép trong khu vực hạn chế hoặc các vật phẩm đặt sai vị trí trong kho. Tương tự, phân đoạn instance cho phép khoanh chính xác các điểm bất thường, chẳng hạn như vết nứt trên máy móc hoặc tình trạng nhiễm bẩn trong sản phẩm thực phẩm.

Hình 3. Phân đoạn các vết nứt với sự hỗ trợ của Ultralytics 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 giám sát các mẫu chuyển động nhằm phát hiện mối đe dọa an ninh, theo dõi bất thường của phương tiện trong giao thông hoặc đánh giá chuyển động của bệnh nhân trong lĩnh vực chăm sóc sức khỏe.
• Ước tính tư thế: Ultralytics YOLO11 có thể phát hiện các chuyển động cơ thể bất thường để xác định mối nguy an toàn tại nơi làm việc hoặc theo dõi tiến trình phục hồi chức năng trong lĩnh vực chăm sóc sức khỏe.
• Phát hiện hộp giới hạn 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 nghiêng, hữu ích cho việc phân tích ảnh chụp từ trên không, lái xe tự hành và kiểm tra công nghiệp.

Tại sao nên sử dụng Ultralytics YOLO11?#

Trong số nhiều model thị giác máy tính khác, các model Ultralytics YOLO nổi bật nhờ tốc độ và độ chính xác. Ultralytics YOLOv5 đơn giản hóa việc triển khai với framework dựa trên PyTorch, giúp nhiều nhóm người dùng hơn có thể tiếp cận. Trong khi đó, Ultralytics YOLOv8 tiếp tục nâng cao tính linh hoạt bằng cách hỗ trợ các tác vụ như phân đoạn instance, theo dõi đối tượng và ước tính tư thế, giúp model thích ứng tốt hơn với nhiều ứng dụng khác nhau.

Phiên bản mới nhất, YOLO11, mang lại độ chính xác và hiệu năng vượt trội so với các phiên bản tiền nhiệm. Chẳng hạn, với ít hơn 22% số parameter so với YOLOv8m, YOLO11m đạt độ chính xác trung bình (mAP) cao hơn trên tập dữ liệu COCO, cho phép phát hiện đối tượng chính xác và hiệu quả hơn.

Cách custom-train Ultralytics YOLO11 để phát hiện bất thường#

Custom-training Ultralytics YOLO11 để phát hiện bất thường rất đơn giản và dễ thực hiện. Với một tập dữ liệu được thiết kế cho ứng dụng cụ thể, bạn có thể fine-tune model để phát hiện các điểm bất thường một cách chính xác.

Hãy làm theo các bước đơn giản sau để bắt đầu:

• Chuẩn bị tập dữ liệu: Thu thập các hình ảnh chất lượng cao bao gồm cả mẫu bình thường và mẫu bất thường. Đảm bảo có các biến thể về điều kiện ánh sáng, góc chụp và độ phân giải để giúp model thích ứng tốt hơn.
• Gắn nhãn dữ liệu: Đánh dấu các điểm bất thường bằng BBox, phân đoạn hoặc keypoint để model biết cần tìm gì. Các công cụ mã nguồn mở giúp quá trình này nhanh chóng và dễ dàng hơn.
• Huấn luyện model: Model học qua nhiều chu kỳ, cải thiện khả năng xác định các trường hợp bình thường và bất thường theo thời gian thực.
• Kiểm thử và xác thực: Chạy model đã huấn luyện trên các hình ảnh mới, chưa từng được xem để đánh giá hiệu năng và đảm bảo model hoạt động tốt trước khi triển khai.

Ngoài ra, khi xây dựng hệ thống phát hiện bất thường, điều quan trọng là phải cân nhắc liệu custom training có thực sự cần thiết hay không. Trong một số trường hợp, model đã được huấn luyện trước có thể đã đủ đáp ứng.

Ví dụ, nếu bạn đang phát triển một hệ thống quản lý giao thông và điểm bất thường cần phát hiện là người đi bộ qua đường trái phép, model Ultralytics YOLO11 đã được huấn luyện trước có thể nhận diện người với độ chính xác cao. Vì "person" là một category được thể hiện đầy đủ trong tập dữ liệu COCO (mà model đã được huấn luyện trước trên đó), nên không cần huấn luyện bổ sung.

Custom training 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 yêu cầu xác định các lỗi hiếm gặp trong sản xuất, những tình trạng y tế cụ thể trong hình ảnh hoặc các đối tượng độc nhất không được bao phủ bởi các tập dữ liệu tiêu chuẩn, thì việc huấn luyện model trên dữ liệu chuyên biệt theo lĩnh vực sẽ đảm bảo hiệu năng và độ chính xác tốt hơn.

Các ứng dụng thực tế của phát hiện bất thường dựa trên Vision AI#

Phát hiện bất thường là một khái niệm rộng, bao quát nhiều ứng dụng thực tế. Hãy cùng tìm hiểu một số ứng dụng và xem cách thị giác máy tính giúp xác định các điểm bất thường, cải thiện hiệu quả cũng như nâng cao khả năng ra quyết định trong nhiều ngành khác nhau.

Phát 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 lỗi, sai lệch và linh kiện còn thiếu trên dây chuyền sản xuất. Các model thị giác máy tính có thể ngay lập tức gắn cờ sản phẩm lỗi, ngăn chúng tiếp tục đi xuống dây chuyền và giảm lãng phí. Phát hiện sớm các vấn đề như lỗi nguyên vật liệu, sai sót trong đóng gói hoặc linh kiện kết cấu yếu giúp ngăn ngừa việc 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. Nhà máy thường phải xử lý nhiệt, khói và khí thải nguy hiểm, những yếu tố có thể dẫn đến nguy cơ hỏa hoạn. Các model Vision AI có thể phát hiện mẫu khói bất thường, máy móc quá nhiệt hoặc thậm chí dấu hiệu sớm của hỏa hoạn, cho phép 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 tình huống biên trong ngành ô tô#

Ngành ô tô có thể sử dụng các model như Ultralytics YOLO11 để phát hiện lỗi trong động cơ, hệ thống phanh và các bộ phận hộp số trước khi chúng dẫn đến sự cố nghiêm trọng. Với khả năng hỗ trợ phát hiện đối tượng và phân đoạn instance của YOLO11, việc xác định chính xác các điểm bất thường mà kiểm tra thủ công có thể bỏ sót trở nên dễ dàng hơn.

Dưới đây là một số ví dụ khác về phát hiện bất thường trong ngành ô tô:

• Phát hiện bất thường giao thông: Nhận diện các phương tiện đi ngược chiều, chuyển làn đột ngột hoặc truy cập trái phép vào khu vực hạn chế.
• Giám sát hành vi người lái: Xác định tình trạng lái xe buồn ngủ, mất tập trung hoặc đánh lái thất thường để cải thiện an toàn giao thông.
• An toàn cho xe tự hành: Phát hiện người đi bộ, người đi xe đạp và chướng ngại vật bất ngờ để ngăn ngừa va chạm.

Phát hiện bất thường trong thiết bị điện tử#

Việc kiểm tra thiết bị điện tử thủ công có thể chậm, thiếu nhất quán và dễ xảy ra lỗi do con người, khiến các lỗi trong vi mạch, bo mạch và mối hàn không được phát hiện. Ngay cả những lỗi nhỏ, chẳng hạn như mối hàn bị nứt hoặc linh kiện bị lệch, cũng có thể gây gián đoạn tín hiệu, lỗi hệ thống hoặc đoản mạch, dẫn đến thiết bị hoạt động không ổn định.

Với tính năng phát hiện bất thường được hỗ trợ bởi Ultralytics YOLO11, 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 lỗi hoặc sự cố điện với độ chính xác cao hơn nhiều so với phương pháp truyền thống. Ví dụ, một khe hở rất nhỏ trong mối hàn mà nhân viên kiểm tra có thể bỏ sót lại có thể dễ dàng được phát hiện bằng tính năng phát hiện đối tượng của YOLO11.

Những điểm chính#

Khi các ngành chuyển sang sử dụng tính năng phát hiện bất thường được hỗ trợ bởi thị giác máy tính, những model như Ultralytics YOLO11 đang trở nên thiết yếu để duy trì chất lượng, cải thiện an toàn và giảm rủi ro vận hành.

Từ sản xuất đến nông nghiệp, phát hiện bất thường dựa trên AI có thể nâng cao độ chính xác, đẩy nhanh quá trình kiểm tra và giảm thiểu lỗi do con người. Trong tương lai, những tiến bộ trong AI có thể sẽ giúp việc phát hiện bất thường trở nên chính xác hơn.

Hãy tham gia cộng đồng đang phát triển của chúng tôi! Khám phá repository GitHub 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. Tìm hiểu về AI trong nông nghiệp và AI thị giác trong chăm sóc sức khỏe bằng cách truy cập các trang giải pháp của chúng tôi!