Anomaly Detection

Phát hiện bất thường là một kỹ thuật quan trọng trong các 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 khỏi hành vi bình thường của một tập dữ liệu. Quy trình này, thường được gọi là phát hiện ngoại lệ, giả định rằng phần lớn dữ liệu tuân theo một mẫu hoặc phân phối cụ thể, còn mọi thứ nằm ngoài chuẩn đã thiết lập này đều được xem là bất thường. Những điểm không đều này có thể chỉ ra các sự cố nghiêm trọng, chẳng hạn như khiếm khuyết cấu trúc trong sản xuất, lỗi trong dữ liệu văn bản hoặc các vụ xâm phạm bảo mật tiềm ẩn trong lưu lượng mạng. Các thuật toán nâng cao, bao gồm những thuật toán được sử dụng trong Học sâu (DL), được dùng để tự động nhận diện các sự kiện hiếm gặp này với độ chính xác cao.

Phát hiện bất thường và Phát hiện đối tượng#

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

• Phát hiện đối tượng thường là một bài toán tập đóng, trong đó model xác định và định vị các lớp cụ thể, đã biết (ví dụ: "ô tô", "người", "đèn giao thông") bằng hộp giới hạn. Hệ thống được huấn luyện trên các ví dụ đã gắn nhãn về chính xác những gì cần tìm.
• Phát hiện bất thường thường được xem là một bài toán tập mở. Hệ thống học một biểu diễn về trạng thái "bình thường" và đánh dấu các sai lệch chưa biết. Ví dụ, một hệ thống kiểm tra trực quan có thể được huấn luyện trên hàng nghìn hình ảnh của các sản phẩm hoàn hảo. Sau đó, hệ thống phải xác định bất kỳ vết xước, vết lõm hoặc sự đổi màu nào là bất thường, ngay cả khi chưa từng gặp loại khiếm khuyết cụ thể đó.

Tuy nhiên, các bộ phát hiện đối tượng mạnh như Ultralytics YOLO26 hiện đại nhất có thể được điều chỉnh hiệu quả cho việc phát hiện bất thường có giám sát. Bằng cách xem các khiếm khuyết đã biết là những lớp riêng biệt trong dữ liệu huấn luyện, các kỹ sư có thể huấn luyện model để xác định chính xác từng loại điểm không đều.

Các ứng dụng trong thực tế#

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

• AI trong sản xuất: Các hệ thống kiểm tra quang học tự động (AOI) giám sát dây chuyền sản xuất để xác định các khiếm khuyết cấu trúc theo thời gian thực. Bằng cách triển khai bảo trì dự đoán, các nhà máy có thể phát hiện những rung động hoặc dấu hiệu nhiệt bất thường trong máy móc, qua đó ngăn chặn 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 khối u hoặc vết gãy lệch khỏi các mẫu mô khỏe mạnh hỗ trợ bác sĩ chẩn đoán hình ảnh đưa ra chẩn đoán nhanh hơn, đây là một thành phần quan trọng của AI 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 các luồng giao dịch. Nếu hành vi chi tiêu của người dùng đột ngột thay đổi—chẳng hạn như thực hiện một giao dịch mua lớn ở nước ngoài—hệ thống sẽ đánh dấu giao dịch đó là một vụ xâm phạm bảo mật tiềm ẩn, 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 tìm những mức tăng đột biến hoặc chữ ký gói tin bất thường. Bằng cách thiết lập đường cơ sở cho lưu lượng bình thường, các hệ thống có thể sớm xác định các cuộc tấn công mạng hoặc nỗ lực trích xuất dữ liệu.

Triển khai phát hiện khiếm khuyết với Ultralytics YOLO26#

Một phương pháp thực tiễn để phát hiện bất thường là huấn luyện một model thị giác nhằm nhận diện các lớp khiếm khuyết 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 như YOLO11. Ví dụ sau minh họa cách tải một model đã được huấn luyện trước và chạy suy luận để xác định các bất thường được gắn nhãn dưới dạng 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 tiền xử lý dữ liệu và quản lý vòng đời model.

• Framework Học sâu: Các thư viện như PyTorch và TensorFlow cung cấp backend 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 ngoại lệ khỏi tập huấn luyện ban đầu, giúp model học được đường cơ sở sạch của trạng thái "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 Máy vector hỗ trợ (SVM) một lớp.
• Quy trình tích hợp: Ultralytics Platform đơn giản hóa vòng đời của các model này, cung cấp các công cụ để chú thích tập dữ liệu, huấn luyện trên cloud và triển khai các model hiệu quả như YOLO26 lên các thiết bị biên để suy luận theo thời gian thực.