Anomaly Detection

Phát hiện bất thường là một kỹ thuật quan trọng trong các lĩnh vực Artificial Intelligence (AI) và Machine Learning (ML), tập trung vào việc xác định các điểm dữ liệu, sự kiện hoặc quan sát lệch khỏi hành vi bình thường của tập dữ liệu một cách đáng kể. Thường được gọi là phát hiện điểm ngoại lai, quá trình này giả định rằng phần lớn dữ liệu tuân theo một mẫu hoặc phân phối cụ thể và bất kỳ thứ gì nằm ngoài định mức đã thiết lập này đều được coi là bất thường. Những điểm bất thường này có thể biểu thị các sự cố nghiêm trọng, chẳng hạn như lỗi cấu trúc trong sản xuất, lỗi trong dữ liệu văn bản hoặc các vi phạm bảo mật tiềm ẩn trong lưu lượng mạng. Các thuật toán nâng cao, bao gồm cả những thuật toán được sử dụng trong Deep Learning (DL), được áp dụng để tự động hóa việc nhận dạng các sự kiện hiếm gặp này với độ accuracy cao.

Phát hiện bất thường so với Phát hiện đối tượng#

Mặc dù cả hai phương pháp luận đều đóng vai trò cốt lõi đối với computer vision (CV) hiện đại, nhưng điều quan trọng là phải phân biệt phát hiện bất thường với object detection tiêu chuẩn.

• Object Detection thường là một bài toán tập đóng trong đó model xác định và khoanh vùng các lớp cụ thể, đã biết (ví dụ: "car", "person", "traffic light") bằng cách sử dụng bounding boxes. Hệ thống được huấn luyện trên các ví dụ có nhãn về chính xác những gì nó cần tìm.
• Phát hiện bất thường thường được coi là một bài toán tập mở (open-set). Hệ thống học cách biểu diễn "trạng thái bình thường" và gắn cờ các sai lệch chưa biết. Ví dụ, một hệ thống kiểm tra hình ảnh có thể được huấn luyện trên hàng nghìn hình ảnh của các sản phẩm hoàn hảo. Sau đó, nó phải xác định bất kỳ vết trầy xước, vết lõm hoặc sự đổi màu nào là một điểm bất thường, ngay cả khi nó chưa từng gặp loại lỗi cụ thể đó trước đây.

Tuy nhiên, các bộ dò tìm đối tượng mạnh mẽ như Ultralytics YOLO26 tiên tiến có thể được điều chỉnh hiệu quả cho việc phát hiện bất thường có giám sát. Bằng cách coi các lỗi được biết đến như các lớp riêng biệt trong training data, các kỹ sư có thể huấn luyện các model để xác định chính xác các loại bất thường cụ thể.

Các ứng dụng trong thực tế#

Khả năng tự động phát hiện các điểm bất thường làm cho phát hiện bất thường trở nên không thể thiếu trong nhiều ngành công nghiệp đòi hỏi độ an toàn cao, nơi việc giám sát thủ công là không khả thi.

• AI in Manufacturing: Các hệ thống kiểm tra quang học tự động (AOI) giám sát các dây chuyền sản xuất để xác định các lỗi cấu trúc theo thời gian thực. Bằng cách áp dụng predictive maintenance, các nhà máy có thể phát hiện các rung động bất thường hoặc dấu hiệu nhiệt trong máy móc, từ đó ngăn ngừa thời gian chết tốn kém.
• Medical Image Analysis: Trong lĩnh vực chăm sóc sức khỏe, các thuật toán phân tích quét MRI hoặc CT để làm nổi bật các bệnh lý tiềm ẩn. Việc phát hiện các khối u hoặc vết gãy xương lệch khỏi các mẫu mô khỏe mạnh hỗ trợ các bác sĩ chẩn đoán nhanh hơn, đây là một thành phần quan trọng của AI in Healthcare.
• Financial Fraud Detection: Các ngân hàng sử dụng phương pháp phát hiện bất thường thống kê để giám sát luồng giao dịch. Nếu hành vi chi tiêu của người dùng đột ngột thay đổi—chẳng hạn như một giao dịch mua lớn ở nước ngoài—hệ thống sẽ đánh dấu giao dịch đó là vi phạm bảo mật tiềm ẩn, như được mô tả trong financial fraud detection methodologies.
• Network Intrusion Detection: Các công cụ an ninh mạng giám sát lưu lượng mạng để phát hiện các đợt tăng đột biến hoặc chữ ký gói tin bất thường. Bằng cách thiết lập đường cơ sở của lưu lượng bình thường, hệ thống có thể xác định sớm cyberattacks or data exfiltration attempts.

Triển khai phát hiện lỗi với YOLO26#

Một cách tiếp cận thực tế đối với việc phát hiện bất thường liên quan đến việc huấn luyện một vision model để nhận dạng các lớp lỗi cụ thể. Các model mới nhất, chẳng hạn như YOLO26, được tối ưu hóa cho tác vụ này, mang lại tốc độ và độ chính xác vượt trội so với các phiên bản trước đó như YOLO11. Ví dụ sau đây minh họa cách tải một model đã được huấn luyện trước và chạy inference để nhận dạng các bất thường được dán nhãn là đối tượng.

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

Công cụ và Hệ sinh thái#

Việc phát triển các hệ thống phát hiện bất thường hiệu quả đòi hỏi một hệ sinh thái phần mềm mạnh mẽ để xử lý data preprocessing và quản lý vòng đời của model.

• Deep Learning Frameworks: Các thư viện như PyTorch và TensorFlow cung cấp phần phụ trợ tính toán để huấn luyện các neural networks phức tạp được sử dụng trong phát hiện dựa trên thị giác máy tính.
• Data Preparation: Các công cụ dành cho data cleaning đóng vai trò thiết yếu để loại bỏ các điểm ngoại lai khỏi tập huấn luyện ban đầu nhằm giúp model học được một đường cơ sở "bình thường" sạch sẽ.
• Statistical Libraries: Đối với dữ liệu phi hình ảnh, thư viện Scikit-learn cung cấp các thuật toán tiêu chuẩn như Isolation Forest và One-Class Support Vector Machine (SVM).
• Integrated Workflows: Ultralytics Platform đơn giản hóa vòng đời của các model này, cung cấp các công cụ để chú thích tập dữ liệu, huấn luyện dựa trên đám mây và triển khai các model hiệu quả như YOLO26 lên các thiết bị biên để thực hiện real-time inference.