Phát hiện dị thường

Phát hiện bất thường là một khả năng quan trọng trong trí tuệ nhân tạo , bao gồm việc xác định các điểm dữ liệu, sự kiện hoặc quan sát khác biệt đáng kể so với phần lớn dữ liệu. Những trường hợp khác biệt này, thường được gọi là ngoại lệ, thường chỉ ra các sự cố nghiêm trọng như khiếm khuyết cấu trúc, tình trạng sức khỏe hoặc vi phạm an ninh. Trong bối cảnh cụ thể của thị giác máy tính , các thuật toán phát hiện bất thường phân tích dữ liệu trực quan để đánh dấu các mẫu bất thường không tuân theo biểu diễn đã học về hành vi hoặc hình dạng "bình thường", từ đó lọc nhiễu hiệu quả khỏi các tín hiệu có ý nghĩa.

Cơ chế và phương pháp cốt lõi

Việc triển khai phát hiện bất thường thường dựa trên phân tích thống kê và kỹ thuật học sâu . Tùy thuộc vào tính khả dụng của dữ liệu huấn luyện được gắn nhãn, phương pháp này có thể được phân loại thành ba loại chính:

• Học có giám sát : Phương pháp này sử dụng một tập dữ liệu được gắn nhãn đầy đủ, bao gồm cả các ví dụ bình thường và bất thường. Mô hình được huấn luyện để thực hiện phân loại nhị phân hoặc đa lớp. Mặc dù hiệu quả, phương pháp này đòi hỏi một lượng lớn các ví dụ bất thường đã biết, vốn có thể khan hiếm trong các tình huống thực tế.
• Học không giám sát : Hoạt động mà không cần dữ liệu được gắn nhãn, kỹ thuật này giả định rằng các điểm bất thường là hiếm và riêng biệt. Các thuật toán như phân cụm K-means hoặc DBSCAN nhóm các điểm dữ liệu tương tự lại với nhau, để lại các điểm riêng lẻ được phân loại là điểm ngoại lai.
• Học bán giám sát : Đây là một phương pháp phổ biến trong kiểm tra trực quan, trong đó hệ thống được huấn luyện hoàn toàn trên dữ liệu chuẩn. Trong quá trình suy luận, bất kỳ dữ liệu đầu vào nào tạo ra lỗi tái tạo cao - thường được tính toán bằng bộ mã hóa tự động - sẽ được gắn cờ là bất thường.

So sánh giữa Phát hiện dị thường và Phát hiện đối tượng

Mặc dù cả hai kỹ thuật đều được sử dụng để phân tích hình ảnh, nhưng điều quan trọng là phải phân biệt phát hiện dị thường với phát hiện đối tượng .

• Phát hiện Đối tượng tập trung vào việc định vị và phân loại các trường hợp thuộc các danh mục đã biết (ví dụ: ô tô, người đi bộ) bằng cách sử dụng các hộp giới hạn được xác định. Mô hình phải đã thấy các ví dụ về các đối tượng cụ thể này trong quá trình huấn luyện.
• Phát hiện bất thường thường là tập mở, nghĩa là nó tìm kiếm các sai lệch chưa biết . Ví dụ, một hệ thống giám sát băng chuyền có thể được đào tạo trên các sản phẩm hoàn hảo và phải đánh dấu bất kỳ vết xước, vết lõm hoặc đổi màu nào mà không cần biết trước các khuyết tật đó trông như thế nào. Tuy nhiên, các mô hình mạnh mẽ như Ultralytics YOLO11 có thể được điều chỉnh để phát hiện bất thường có giám sát bằng cách xử lý các khuyết tật cụ thể thành các lớp riêng biệt.

Các Ứng dụng Thực tế

Khả năng tự động phát hiện những điểm bất thường khiến công nghệ này trở nên không thể thiếu trong nhiều ngành công nghiệp khác nhau.

• Kiểm soát chất lượng công nghiệp : Trong thời đại sản xuất thông minh , hệ thống kiểm tra trực quan tự động giám sát các dây chuyền lắp ráp để detect lỗi sản phẩm. Việc xác định lỗi sớm giúp giảm thiểu lãng phí và đảm bảo chỉ có hàng hóa chất lượng cao mới đến tay người tiêu dùng, như được nêu chi tiết trong hướng dẫn của chúng tôi về AI trong Sản xuất .
• An ninh tài chính : Các ngân hàng sử dụng phương pháp phát hiện bất thường thống kê để xác định hoạt động gian lận. Bằng cách thiết lập cơ sở dữ liệu về hành vi điển hình của người dùng, hệ thống có thể kích hoạt cảnh báo cho các giao dịch bất thường, một quy trình thường được trích dẫn trong nghiên cứu phát hiện gian lận tài chính.
• Chẩn đoán Y khoa : Trong chăm sóc sức khỏe, các thuật toán phân tích hình ảnh y khoa để làm nổi bật các bệnh lý tiềm ẩn. Ví dụ, việc phát hiện khối u trong ảnh chụp MRI lệch khỏi mô hình mô khỏe mạnh giúp các bác sĩ X quang chẩn đoán nhanh hơn, một lợi ích quan trọng của AI trong chăm sóc sức khỏe .
• Bảo mật mạng : Các công cụ bảo mật mạng theo dõi lưu lượng mạng để phát hiện các đột biến hoặc chữ ký gói tin bất thường có thể chỉ ra một cuộc tấn công mạng, giúp các tổ chức tuân thủ các hướng dẫn từ Cơ quan an ninh mạng và cơ sở hạ tầng (CISA) .

Triển khai phát hiện lỗi với YOLO11

Một cách thực tế để triển khai hình thức phát hiện bất thường có giám sát là huấn luyện một mô hình thị giác để nhận dạng các lớp lỗi cụ thể. Ví dụ sau đây minh họa cách tải một mô hình được huấn luyện tùy chỉnh và chạy suy luận để xác định các bất thường được gắn nhãn là đối tượng.

from ultralytics import YOLO

# Load a YOLO11 model trained to detect specific defects (e.g., scratches)
model = YOLO("yolo11n.pt")  # Replace with your custom trained weights

# Perform inference on a new image to check for anomalies
results = model.predict("path/to/product_image.jpg", conf=0.25)

# Display the results to visualize identified defects
for result in results:
    result.show()  # Renders the image with bounding boxes around defects

Công Cụ và Framework

Việc phát triển các hệ thống này đòi hỏi hệ sinh thái phần mềm mạnh mẽ.

• Thư viện : các thư viện nền tảng như PyTorch và TensorFlow cung cấp các khối xây dựng cho kiến trúc học sâu.
• Xử lý dữ liệu : Đối với dữ liệu không trực quan, mô-đun phát hiện giá trị ngoại lai Scikit-learn cung cấp các thuật toán chuẩn như Isolation Forest.
• Giải pháp toàn diện : Nền tảng Ultralytics sắp ra mắt được thiết kế để hợp lý hóa toàn bộ quy trình làm việc, từ chú thích dữ liệu đến đào tạo và triển khai mô hình, giúp việc xây dựng các hệ thống thị giác chuyên dụng để phát hiện các bất thường trong môi trường thời gian thực trở nên dễ dàng hơn.