Phát hiện dị thường

Phát hiện bất thường là một kỹ thuật quan trọng trong lĩnh vực Trí tuệ Nhân tạo (AI) và Học máy (ML), tập trung vào việc xác định các điểm dữ liệu, sự kiện hoặc quan sát lệch đáng kể so với hành vi bình thường của tập dữ liệu. Thường được gọi là phát hiện ngoại lệ, quá trình này giả định rằng phần lớn dữ liệu tuân theo một mô hình hoặc phân bố cụ thể, và bất cứ điều gì nằm ngoài chuẩn mực đã thiết lập này đều được coi là bất thường. Những bất thường này có thể chỉ ra các sự cố nghiêm trọng, chẳng hạn như lỗi cấu trúc trong sản xuất, lỗi trong dữ liệu văn bản hoặc các vi phạm an ninh tiềm tàng trong lưu lượng mạng. Các thuật toán tiên tiến, bao gồm cả những thuật toán được sử dụng trong Học sâu (DL) , được sử dụng để tự động nhận dạng các sự kiện hiếm gặp này với độ chính xác cao.

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

Mặc dù cả hai phương pháp đều là nền tảng của thị giác máy tính (CV) hiện đại, nhưng điều quan trọng là phải phân biệt phát hiện bất thường với phát hiện đối tượng tiêu chuẩn.

• Phát hiện đối tượng thường là một bài toán tập đóng, trong đó mô hình xác định và định vị các lớp cụ thể, đã biết (ví dụ: "ô tô", "người", "đèn giao thông") bằng cách sử dụng các hộp giới hạn . Hệ thống được huấn luyện trên các ví dụ được gắn nhãn chính xác những gì nó cần tìm.
• Phát hiện bất thường thường được coi là một bài toán tập mở. Hệ thống học một mô hình biểu diễn "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 sản phẩm hoàn hảo. Sau đó, nó phải xác định bất kỳ vết xước, vết lõm hoặc sự đổi màu nào là bất thường, ngay cả khi nó chưa từng gặp loại khuyết tật cụ thể đó trước đây.

Tuy nhiên, các bộ phát hiện đối tượng mạnh mẽ như Ultralytics YOLO26 hiện đại có thể được điều chỉnh hiệu quả cho việc phát hiện bất thường có giám sát. Bằng cách coi các khuyết tật đã biết là các lớp riêng biệt trong dữ liệu huấn luyện , các kỹ sư có thể huấn luyện các mô hình để xác định chính xác các loại bất thường cụ thể.

Các Ứng dụng Thực tế

Khả năng tự động phát hiện các bất thường khiến việc phát hiện dị thường trở nên không thể thiếu trong nhiều ngành công nghiệp có rủi ro cao, nơi việc giám sát thủ công là không khả thi.

• Trí tuệ nhân tạo trong sản xuất : Hệ thống kiểm tra quang học tự động (AOI) giám sát dây chuyền sản xuất để xác định các khuyết tật cấu trúc trong thời gian thực. Bằng cách triển khai bảo trì dự đoán , các nhà máy có thể... detect phát hiện các rung động bất thường hoặc dấu hiệu nhiệt bất thường trong máy móc, giúp ngăn ngừa thời gian ngừng hoạt động tốn kém.
• Phân tích hình ảnh y tế : Trong lĩnh vực chăm sóc sức khỏe, các thuật toán phân tích ảnh chụp MRI hoặc CT để làm nổi bật các bệnh lý tiềm ẩn. Việc phát hiện các khối u hoặc vết gãy xương khác biệt so với mô khỏe mạnh giúp các bác sĩ X quang chẩn đoán nhanh hơn, đây là một thành phần quan trọng của trí tuệ nhân tạo trong chăm sóc sức khỏe .
• Phát hiện gian lận tài chính : 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 nhiên thay đổi—chẳng hạn như một giao dịch mua lớn ở nước ngoài—hệ thống sẽ gắn cờ giao dịch đó là một vi phạm an ninh tiềm tàng, như được mô tả trong các phương pháp phát hiện gian lận tài chính .
• Phát hiện xâm nhập mạng : Các công cụ an ninh mạng giám sát lưu lượng mạng để phát hiện các đột biến hoặc các dấu hiệu gói tin bất thường. Bằng cách thiết lập mức lưu lượng bình thường cơ bản, hệ thống có thể xác định các cuộc tấn công mạng hoặc các nỗ lực đánh cắp dữ liệu từ sớm.

Triển khai tính năng phát hiện lỗi với YOLO26

Một phương pháp thực tiễn để phát hiện bất thường là huấn luyện mô hình thị giác để nhận dạng các lớp khuyết tật cụ thể. Các mô hình mới nhất, chẳng hạn như YOLO26 , được tối ưu hóa cho nhiệm vụ này, mang lại tốc độ và độ chính xác vượt trội so với các phiên bản trước đó. YOLO11 Ví dụ sau đây minh họa cách tải một mô hình đã được huấn luyện trước và chạy suy luận để xác định các bất thường được gắn 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 dữ liệu sơ bộ và quản lý vòng đời mô hình.

• Các khung phần mềm học sâu : Các thư viện như PyTorch và TensorFlow cung cấp nền tảng tính toán để huấn luyện các mạng nơ-ron phức tạp được sử dụng trong phát hiện dựa trên thị giác.
• Chuẩn bị dữ liệu : Các công cụ làm sạch dữ liệu rất cần thiết để loại bỏ các giá trị ngoại lệ khỏi tập dữ liệu huấn luyện ban đầu, giúp mô hình học được một nền tảng sạch sẽ, "bình thường".
• Thư viện thống kê : Đối với dữ liệu không trực quan, thư viện Scikit-learn cung cấp các thuật toán tiêu chuẩn như Isolation Forest và One-Class Support Vector Machine (SVM) .
• Quy trình làm việc tích hợp : Nền tảng Ultralytics giúp đơn giản hóa vòng đời của các mô hình này, cung cấp các công cụ để chú thích tập dữ liệu, huấn luyện dựa trên đám mây và triển khai các mô hình hiệu quả như YOLO26 đến các thiết bị biên để suy luận theo thời gian thực .