用于异常检测的视觉 AI：快速概览

飞机机翼上的细小裂缝、药品上印刷错误的标签或异常的金融交易，如果未被发现，都可能导致严重问题。每个行业都面临着尽早发现任何潜在风险问题，以防止失败、经济损失或安全风险的挑战。

具体来说，需要检测异常。异常检测侧重于识别与预期行为不符的模式。它旨在标记缺陷、错误或可能被忽视的不规则活动。传统方法依靠固定规则来查找这些异常，但它们通常速度较慢，并且难以应对复杂的变体。这就是计算机视觉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可以比传统方法更准确地检测异常。 

在本文中，我们将探讨基于视觉的异常检测的工作原理以及 YOLO11 如何提供帮助。

异常检测的需求

对于计算机视觉而言，异常或不规则通常表现为图像和视频中的缺陷或不寻常的模式。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，在药物制造中，药片的异常可能包括裂缝、形状不正确、变色或缺少印记，这些都可能损害质量和安全性。及早发现这些缺陷对于防止有缺陷的产品到达消费者手中至关重要。然而，手动异常检测方法通常速度慢、不一致，并且无法处理现实世界中不规则性的复杂性。

​

基于人工智能的异常检测通过从海量数据集中学习来解决这些挑战，不断提高其识别随时间变化模式的能力。与固定的基于规则的方法不同，人工智能系统可以随着时间的推移进行学习和改进。

像 YOLO11 这样的先进模型通过实现高精度的实时图像分析，从而增强了异常检测能力。视觉 AI 系统可以分析图像中的细节，如形状、纹理和结构，从而更容易快速准确地发现异常。 

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的工作原理是首先使用相机、传感器或无人机捕获高质量的图像或视频。清晰的视觉数据是关键，无论是发现工厂生产线上的缺陷产品、检测安全区域内的未经授权人员，还是识别公共场所的异常移动。 

收集图像或视频后，会使用图像处理技术，如降噪、对比度增强和阈值处理。这些预处理步骤有助于视觉 AI 模型专注于重要细节，同时滤除背景噪声，从而提高从安全监控到医疗诊断和交通控制等各种应用的准确性。

经过预处理后，计算机视觉可用于分析图像并识别任何异常情况。一旦标记出异常，系统就可以触发警报，例如通知工人移除有缺陷的产品、提醒安保人员注意潜在威胁或通知交通运营人员管理拥堵。

​

使用 YOLO11 功能进行异常检测

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

YOLO11 支持各种计算机视觉任务，如目标检测、图像分类、实例分割、目标跟踪和姿态估计。这些任务简化了不同实际应用中的异常检测。

例如，目标检测 可用于识别装配线上的缺陷产品、限制区域内的未经授权人员或仓库中放错位置的物品。同样，实例分割可以精确地勾勒出异常情况，例如机械中的裂缝或食用产品中的污染物。

​

以下是用于异常检测的计算机视觉任务的其他示例：

• 对象跟踪：它可用于监控移动模式以检测安全威胁，跟踪交通中的车辆异常，或评估医疗保健中的患者移动情况。
  ‍
• 姿势估计：YOLO11 可以检测不寻常的身体动作，以识别工作场所中的安全隐患或跟踪医疗保健中的康复进展。
  ‍
• 定向边界框（OBB）检测：通过准确识别和定位旋转或成角度的物体来改善异常检测，使其可用于航空图像分析、自动驾驶和工业检查。

为什么要使用 YOLO11？

在各种其他计算机视觉模型中，Ultralytics YOLO 模型 以其速度和准确性而著称。Ultralytics YOLOv5 通过其基于 PyTorch 的框架简化了部署，使其可供更广泛的用户使用。同时，Ultralytics YOLOv8 通过引入对实例分割、对象跟踪和姿态估计等任务的支持，进一步增强了灵活性，使其更适应不同的应用。

与之前的版本相比，最新版本YOLO11提供了卓越的精度和性能。例如，与YOLOv8m相比，YOLO11m的参数减少了22%，但在COCO数据集上提供了更高的平均精度均值（mAP），从而实现了更精确和高效的目标检测。

如何为异常检测定制训练 YOLO11

自定义训练 YOLO11 进行异常检测非常直接和简单。通过专为您的特定应用设计的数据集，您可以微调模型以准确检测异常。 

按照以下简单步骤开始：

• 准备您的数据集： 收集包含正常和异常样本的高质量图像。确保包括光照、角度和分辨率的变化，以帮助模型更好地适应。
  ‍
• 标注您的数据： 使用边界框、分割或关键点标记异常，以便模型知道要寻找什么。开源工具使此过程更快、更轻松。
  ‍
• 训练模型： 该模型通过多个周期进行学习，从而提高其在实时识别正常和异常情况的能力。
  ‍
• 测试和验证： 在新的、未见过的图像上运行训练后的模型，以评估其性能，并确保其在部署前运行良好。

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

例如，如果您正在开发交通管理系统，并且您需要检测的异常是乱穿马路的人，那么预训练的 YOLO11 模型已经可以高精度地检测到人。由于“人”是 COCO 数据集中一个充分表示的类别（它是在该数据集上进行预训练的），因此无需进行额外的训练。

当您需要检测的异常或对象未包含在 COCO 数据集中时，自定义训练变得至关重要。 如果您的应用需要识别制造业中的罕见缺陷、图像中的特定医疗状况或标准数据集未涵盖的独特对象，则在特定领域数据上训练模型可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

异常检测是一个广泛的概念，涵盖许多实际应用。让我们了解其中的一些应用，看看计算机视觉如何帮助识别异常、提高效率并加强不同行业的决策。

检测制造业中的异常

制造业中的计算机视觉通过发现生产线上的缺陷、错位和缺失组件，帮助维持高质量标准。计算机视觉模型可以立即标记出有缺陷的产品，阻止它们进一步向下移动，从而减少浪费。及早发现原材料缺陷、包装错误或结构组件薄弱等问题有助于防止代价高昂的召回和经济损失。

除了质量控制之外，异常检测还可以提高工作场所的安全性。工厂通常会处理高温、烟雾和有害排放物，这些都可能导致火灾隐患。视觉 AI 模型可以检测到异常的烟雾模式、过热的机械，甚至火灾的早期迹象，从而使制造商能够在事故发生前采取行动。

​

识别汽车边缘案例

汽车行业可以使用像YOLO11这样的模型来检测发动机、制动系统和传动部件中的故障，以防止它们导致严重故障。利用YOLO11对目标检测和实例分割的支持，可以轻松准确地识别人工检查可能忽略的异常。

以下是在汽车行业中异常检测的其他示例：

• 交通异常检测：识别逆向行驶的车辆、突然的车道偏离或未经授权进入限制区域的行为。
  ‍
• 驾驶员行为监控：识别疲劳驾驶、注意力不集中或不稳驾驶行为，以提高道路安全性。
  ‍
• 自动驾驶车辆安全： 检测行人、骑自行车的人和意外障碍物以防止碰撞。

发现电子产品中的不规则现象

手动检查电子产品可能很慢、不一致且容易出现人为错误，这意味着微芯片、电路板和焊接连接中的缺陷可能会被忽视。即使是很小的缺陷，如焊接点裂缝或未对准的组件，也可能导致信号中断、系统故障或短路，从而导致设备不可靠。

借助 YOLO11 驱动的异常检测，制造商可以自动执行此过程，并以远高于传统方法的精度快速识别诸如未对准的零件、有缺陷的焊接或电气故障等问题。例如，人工检查员可能错过的焊点中的微小间隙可以很容易地被 YOLO11 的物体检测功能检测到。

主要要点

随着各行业转向计算机视觉驱动的异常检测，YOLO11 等模型正变得至关重要，它们有助于维持质量、提高安全性并降低运营风险。  

从制造业到农业，人工智能驱动的异常检测可以提高准确性，加快检查速度并最大限度地减少人为错误。展望未来，人工智能的进步可能会使异常检测更加精确。 

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人工智能的信息。准备好开始您自己的计算机视觉项目了吗？查看我们的许可选项。通过访问我们的解决方案页面，了解农业领域的人工智能和医疗保健领域的 Vision AI！