视觉 AI 异常检测：快速概述

飞机机翼上的微小裂纹、药物上的印刷错误，或是异常的金融交易，如果未被察觉，都可能导致严重问题。每个行业都面临着一个挑战：如何尽早发现危险隐患，从而防止故障、经济损失或安全风险。

具体来说，需要检测异常。Anomaly detection专注于识别不符合预期行为的模式。它的目标是标记可能被忽视的缺陷、错误或不规则活动。传统方法依靠固定规则来寻找这些异常，但它们通常速度较慢，且难以应付复杂的变体。这就是computer vision发挥关键作用的地方。

通过从大型视觉数据集中学习，像Ultralytics YOLO11这样的计算机视觉模型能够比传统方法更准确地检测异常情况。

在这篇文章中，我们将探讨基于视觉的异常检测是如何工作的以及 Ultralytics YOLO11 如何提供帮助。

异常检测的需求#

在计算机视觉领域，异常或不规则现象通常表现为图像和视频中的缺陷或异常模式。多年来，企业一直依赖人工检查或基于规则的系统来检测缺陷。

例如，在pharmaceutical manufacturing中，药片的异常可能包括裂纹、形状不正确、变色或印记缺失，这可能会危及质量和安全。尽早检测出这些瑕疵对于防止有缺陷的产品流向消费者至关重要。然而，人工异常检测方法通常速度慢、不稳定，且无法处理现实世界中复杂的异常情况。

Fig 1. 制药行业中的异常检测。

基于AI的异常检测通过从海量datasets中学习来解决这些挑战，并随着时间的推移不断提升识别模式的能力。与基于固定规则的方法不同，AI系统可以不断学习和改进。

像 Ultralytics YOLO11 这样先进的模型通过以高精度实现实时图像分析来增强异常检测。Vision AI 系统可以分析图像中的形状、纹理和结构等细节，从而更轻松、更准确地快速发现不规则情况。

计算机视觉如何实现异常检测#

由视觉AI驱动的异常检测系统，首先通过摄像头、传感器或无人机捕获高质量的图像或视频。无论是发现生产线上的缺陷产品、检测禁区内的未经授权人员，还是识别公共场所的异常活动，清晰的视觉数据都是关键。

收集完图像或视频后，会对其进行降噪、对比度增强和阈值处理等image processing技术。这些预处理步骤有助于视觉AI模型专注于重要细节，同时过滤掉背景噪声，从而提高从安全监控到医学诊断和交通控制等各种应用场景的准确性。

预处理后，计算机视觉便可用于分析图像并识别任何异常情况。一旦标记出异常，系统即可触发警报，例如通知工人移除缺陷产品、提醒安保人员防范潜在威胁，或通知交通运营商处理拥堵。

Fig 2. 可以使用视觉AI检测到的缺陷示例。

使用 Ultralytics YOLO11 的功能进行异常检测#

让我们仔细看看像 Ultralytics YOLO11 这样的计算机视觉模型是如何分析图像来检测异常的。

Ultralytics YOLO11 支持各种 computer vision tasks（例如目标检测、图像分类、实例分割、目标跟踪和姿态估计）。这些任务使不同实际应用中的异常检测变得更简单。

例如，object detection可用于识别流水线上的缺陷产品、限制区域内的未经授权人员，或者仓库中放置不当的物品。类似地，实例分割可以精确勾勒出异常轮廓，例如机械裂纹或食品污染。

Fig 3. 在 Ultralytics YOLO11 的帮助下分割裂缝。

以下是计算机视觉任务应用于异常检测的其他一些例子：

• 目标追踪：可用于监控运动模式以检测安全威胁、追踪交通中的车辆异常，或评估医疗保健中的患者动作。
• 姿态估计：Ultralytics YOLO11 可以检测异常的身体动作，以识别工作场所的安全隐患或跟踪医疗保健中的康复进展。
• 定向包围框 (OBB) 检测：通过准确识别和定位旋转或有角度的对象来改进异常检测，这对于航空图像分析、自动驾驶和工业检测非常有用。

为什么你应该使用 Ultralytics YOLO11？#

在众多其他计算机视觉模型中，Ultralytics YOLO models以其速度和准确性脱颖而出。Ultralytics YOLOv5通过其基于PyTorch的框架简化了部署，使其能够被更广泛的用户使用。同时，Ultralytics YOLOv8通过引入对实例分割、目标追踪和姿态估计等任务的支持，进一步增强了灵活性，使其更能适应不同的应用场景。

最新版本YOLO11与前代产品相比，提供了更卓越的精度和性能。例如，与YOLOv8m相比，YOLO11m的参数减少了22%，但在COCO数据集上实现了更高的平均精度均值 (mAP)，从而实现了更精确高效的目标检测。

如何针对异常检测自定义训练 Ultralytics YOLO11#

为异常检测Custom-training Ultralytics YOLO11 既直接又简单。使用专为你的特定应用设计的数据集，你可以微调模型以准确检测异常。

按照这些简单的步骤即可开始：

• 准备你的数据集： 收集包含正常和异常样本的高质量图像。确保包括光照、角度和分辨率的差异，以帮助模型更好地适应。
• 标记你的数据： 使用包围框、分割或关键点来标记异常，以便模型知道要寻找什么。开源工具可以让这个过程更快速、更容易。
• 训练模型： 模型在多个周期内学习，不断提高其实时识别正常和异常情况的能力。
• 测试和验证： 在新的、未见过的数据上运行训练好的模型，以评估其性能，确保在部署前其表现良好。

此外，在构建异常检测系统时，考虑是否真的需要自定义训练非常重要。在某些情况下，预训练模型可能已经足够了。

例如，如果你正在开发交通管理系统，而你需要检测的异常是乱穿马路的行人，那么预训练的 Ultralytics YOLO11 模型已经可以高精度地检测出人。由于“人”是 COCO 数据集（它是在其上进行预训练的）中很好代表的类别，因此无需进行额外的训练。

当需要检测的异常或对象未包含在COCO数据集中时，自定义训练就变得至关重要。如果你的应用需要识别制造中的罕见缺陷、图像中的特定医疗状况，或标准数据集未涵盖的独特对象，那么使用领域专用数据训练模型将确保更好的性能和准确性。

视觉驱动的异常检测的实际应用#

异常检测是一个涵盖许多实际应用的广泛概念。让我们通过其中一些例子，看看计算机视觉如何帮助识别不规则现象、提高效率并改善跨行业的决策过程。

制造领域的异常检测#

Computer vision in manufacturing通过发现生产线上的缺陷、不对齐和缺失组件，帮助保持高标准质量。计算机视觉模型可以即时标记有缺陷的产品，阻止它们流向后续环节并减少浪费。早期检测出原材料缺陷、包装错误或结构部件薄弱等问题，有助于防止成本高昂的召回和财务损失。

除了质量控制外，异常检测还能提高工作场所的安全性。工厂通常伴有高温、烟雾和有害排放，这可能导致火灾隐患。视觉AI模型可以检测异常的烟雾模式、过热的机器，甚至火灾的早期迹象，使制造商能在事故发生前采取行动。

Fig 4. 用于检测火灾和烟雾的计算机视觉。

识别汽车行业的极端情况#

汽车行业可以使用像 Ultralytics YOLO11 这样的模型来检测发动机、制动系统和变速箱组件中的故障，从而避免它们导致严重故障。利用 YOLO11 对目标检测和实例分割的支持，你可以轻松精确定位人工检查可能忽略的异常。

以下是汽车行业中异常检测的其他一些例子：

• 交通异常检测：识别逆行车辆、突然变道或擅自进入限制区域。
• 驾驶员行为监控：识别疲劳驾驶、分心行为或不规律转向，以提高道路安全。
• 自动驾驶安全：检测行人、骑行者和意外障碍物以防止碰撞。

电子产品中的异常识别#

人工检查电子产品可能缓慢、不一致且容易出现人为错误，这意味着微芯片、电路板和焊接连接处的缺陷可能会被忽略。即使是像焊点裂纹或组件错位这样的小缺陷，也可能导致信号干扰、系统故障或短路，从而导致设备不可靠。

借助由 Ultralytics YOLO11 驱动的异常检测，制造商可以自动化这一过程，并以远高于传统方法的速度准确识别出零件错位、焊接缺陷或电气故障等问题。例如，人类检查员可能会漏掉的焊点上的微小间隙，通过 YOLO11 的目标检测可以轻松被检测出来。

关键要点#

随着各行各业转向支持计算机视觉的异常检测，像 Ultralytics YOLO11 这样的模型对于维持质量、提高安全性和降低运营风险变得至关重要。

从制造业到农业，AI驱动的异常检测可以提高准确性、加速检查过程并最大限度地减少人为错误。展望未来，AI的进步很可能会使异常检测变得更加精确。

加入我们不断壮大的社区！探索我们的 GitHub 仓库以了解更多关于 AI 的信息。准备好开始你自己的计算机视觉项目了吗？查看我们的许可选项。访问我们的解决方案页面，探索农业领域的 AI 和医疗保健领域的视觉 AI！