Vision AI trong phát hiện bất thường: Tổng quan nhanh

Một vết nứt nhỏ trên cánh máy bay, nhãn thuốc in sai hoặc giao dịch tài chính bất thường đều có thể gây ra vấn đề nghiêm trọng nếu không được phát hiện. Ngành nào cũng đối mặt với thách thức phát hiện sớm các vấn đề rủi ro để ngăn ngừa sự cố, tổn thất tài chính hoặc nguy cơ mất an toàn.

Cụ thể, cần phát hiện các điểm bất thường. Phát hiện bất thường tập trung vào việc nhận diện những mẫu không khớp với hành vi dự kiến. Mục tiêu là gắn cờ các khiếm khuyết, lỗi hoặc hoạt động bất thường vốn có thể không được chú ý. Các phương pháp truyền thống dựa vào những quy tắc cố định để tìm các điểm bất thường này, nhưng thường chậm và khó xử lý các biến thể phức tạp. Đây là lúc thị giác máy tính đóng vai trò then chốt.

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

Trong bài viết này, chúng ta sẽ tìm hiểu cách thức hoạt động của phát hiện bất thường dựa trên thị giác 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 khiếm khuyết hoặc mẫu khác thường trong hình ảnh và video. Trong nhiều năm, doanh nghiệp đã dựa vào kiểm tra thủ công hoặc hệ thống dựa trên quy tắc để phát hiện khiếm khuyết.

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, gây ảnh hưởng đến chất lượng và độ an toàn. Việc phát hiện sớm những lỗi này là thiết yếu 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 độ phức tạp của những 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 các mẫu từ những bộ dữ liệu lớn. Khác với phương pháp cố định dựa trên quy tắc, các hệ thống AI có thể được huấn luyện lại và cải thiện khi có dữ liệu mới.

Các model tiên tiến như Ultralytics YOLO11 nâng cao khả năng phát hiện bất thường nhờ 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 điểm bất thường nhanh chóng và chính xác hơn.

Thị giác máy tính hỗ trợ phát hiện bất thường như thế nào#

Các hệ thống phát hiện bất thường dựa trên AI thị giác trước tiên ghi lại 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, người không được phép trong khu vực an ninh hay chuyển động bất thường ở nơi công cộng.

Sau khi thu thập, hình ảnh hoặc video được xử lý bằng các kỹ thuật xử lý ảnh như giảm nhiễu, tăng cường độ tương phản và phân ngưỡng. Các bước tiền xử lý này giúp model AI thị giác 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 tiết giao thông.

Sau khi tiền xử lý, có thể sử dụng thị giác máy tính để phân tích hình ảnh và xác định mọi điểm khác thường. Khi phát hiện một điểm bất thường, 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 điều hành giao thông để xử lý ùn tắc.

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

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

Hãy cùng tìm hiểu kỹ hơn cách các model thị giác máy tính như Ultralytics YOLO11 phân tích hình ảnh để phát hiện 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. Những tác vụ này giúp việc phát hiện bất thường trong nhiều ứng dụng thực tế trở nên đơn giản hơn.

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

Hình 3. Phân đoạn vết nứt bằng Ultralytics YOLO11.

Dưới đây là một số ví dụ khác về việc sử dụng các tác vụ thị giác máy tính để phát hiện bất thường:

• Theo dõi đối tượng: Có thể dùng 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 chăm sóc sức khỏe.
• Ước tính tư thế: Ultralytics YOLO11 có thể phát hiện chuyển động cơ thể bất thường để nhận diện nguy cơ an toàn tại nơi làm việc hoặc theo dõi tiến độ phục hồi chức năng trong 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 nằm nghiêng, hữu ích cho phân tích ảnh trên không, 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 bằng framework dựa trên PyTorch, giúp nhiều người dùng dễ tiếp cận hơn. Trong khi đó, Ultralytics YOLOv8 tiếp tục tăng cường 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.

YOLO11, phiên bản mới nhất tại thời điểm viết bài (sau này được Ultralytics YOLO26 kế nhiệm), có độ chính xác và hiệu năng cao hơn các phiên bản tiền nhiệm. Ví dụ, với ít hơn 22% tham số so với YOLOv8m, YOLO11m đạt độ chính xác trung bình trung bình (mAP) cao hơn trên bộ dữ liệu COCO, cho phép phát hiện đối tượng chính xác và hiệu quả hơn.

Cách huấn luyện tùy chỉnh Ultralytics YOLO11 để phát hiện bất thường#

Huấn luyện tùy chỉnh Ultralytics YOLO11 để phát hiện bất thường rất đơn giản. Với bộ dữ liệu được thiết kế cho ứng dụng cụ thể, bạn có thể tinh chỉnh model để phát hiện bất thường chính xác.

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

• Chuẩn bị bộ dữ liệu: Thu thập ảnh chất lượng cao bao gồm cả mẫu bình thường và mẫu bất thường. Hãy đảm bảo có các biến thể về ánh sáng, góc chụp và độ phân giải để giúp model thích ứng tốt hơn. Các bộ dữ liệu chuẩn công khai như MVTec AD là điểm khởi đầu hữu ích để phát hiện lỗi công nghiệp.
• Gắn nhãn dữ liệu: Đánh dấu điểm bất thường bằng hộp giới hạn, phân đoạn hoặc keypoint để model biết cần tìm gì. Các công cụ gắn nhãn giúp quá trình này nhanh chóng và dễ dàng hơn.
• Huấn luyện model: Model học qua nhiều chu kỳ, cải thiện khả năng nhận diện các trường hợp bình thường và bất thường theo thời gian thực.
• Kiểm thử và xác thực: Chạy model đã huấn luyện trên những hình ảnh mới chưa từng thấy 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 xem việc huấn luyện tùy chỉnh có thực sự cần thiết hay không. Trong một số trường hợp, model đã tiền huấn luyện có thể đã đáp ứng đủ nhu cầu.

Ví dụ, nếu bạn đang phát triển hệ thống quản lý giao thông và cần phát hiện người đi bộ băng qua đường trái phép, model Ultralytics YOLO11 đã tiền huấn luyện có thể phát hiện người với độ chính xác cao. Vì "person" là một lớp được đại diện đầy đủ trong dataset COCO (dataset mà model được tiền huấn luyện trên đó), nên không cần huấn luyện thêm.

Huấn luyện tùy chỉnh trở nên thiết yếu khi các điểm bất thường hoặc đối tượng cần phát hiện không có trong dataset COCO. Nếu ứng dụng của bạn cần nhận diện các khiếm khuyết hiếm gặp trong sản xuất, những tình trạng y tế cụ thể trong hình ảnh hoặc các đối tượng đặc thù không có trong những dataset tiêu chuẩn, 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 thị giác#

Phát hiện bất thường là một khái niệm rộng, bao quát nhiều ứng dụng thực tế. Hãy cùng tìm hiểu một vài ứng dụng để xem thị giác máy tính giúp nhận diện điểm bất thường, cải thiện hiệu quả và nâng cao khả năng ra quyết định trong nhiều ngành như thế nào.

Phát hiện bất thường trong sản xuất#

Thị giác máy tính trong sản xuất giúp duy trì tiêu chuẩn chất lượng cao bằng cách phát hiện khiếm khuyết, sai lệch căn chỉnh và linh kiện bị thiếu trên dây chuyền sản xuất. Các model thị giác máy tính có thể nhanh chóng gắn cờ sản phẩm lỗi, ngăn chúng tiếp tục đi xuống dây chuyền và giảm lãng phí. Phát hiện sớm các vấn đề như khiếm khuyết nguyên liệu thô, lỗi đóng gói hoặc linh kiện kết cấu 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. Nhà máy thường phải đối mặt với nhiệt độ cao, khói và khí thải nguy hiểm, có thể dẫn đến nguy cơ cháy nổ. Các model AI thị giác có thể phát hiện kiểu khói bất thường, máy móc quá nhiệt hoặc thậm chí dấu hiệu hỏa hoạn ban đầu, 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.

Nhận diện các tình huống ngoại lệ trong ngành ô tô#

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

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 phương tiện di chuyển ngược chiều, chuyển làn đột ngột hoặc truy cập trái phép vào khu vực hạn chế.
• Giám sát hành vi tài xế: Nhận diện lái xe khi buồn ngủ, hành vi mất tập trung hoặc đánh lái thất thường để cải thiện an toàn giao thông.
• An toàn 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#

Kiểm tra thiết bị điện tử thủ công có thể chậm, thiếu nhất quán và dễ mắc lỗi do con người, khiến các lỗi trong vi mạch, bo mạch và mối hàn có thể không được phát hiện. Ngay cả những lỗi nhỏ, như mối hàn bị nứt hoặc linh kiện lắp 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 khả năng phát hiện bất thường dựa trên Ultralytics YOLO11, nhà sản xuất có thể tự động hóa quy trình này và nhanh chóng xác định các vấn đề như linh kiện lắp lệch, mối hàn lỗi hoặc sự cố điện với độ chính xác cao hơn nhiều so với phương pháp truyền thống. Ví dụ, YOLO11 có thể dễ dàng phát hiện một khe hở nhỏ trong mối hàn mà nhân viên kiểm tra có thể bỏ sót. Ultralytics Platform cũng lưu trữ một model phát hiện lỗi PCB được tinh chỉnh từ YOLO26s.

Điểm chính cần ghi nhớ#

Khi các ngành công nghiệp chuyển sang phát hiện bất thường bằng 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, tính năng phát hiện bất thường ứng dụng 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 của AI có thể giúp việc phát hiện bất thường trở nên chính xác hơn.

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. 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!