异常检测

异常检测是人工智能的一项重要能力 人工智能的关键能力，包括 识别严重偏离数据集多数的数据点、事件或观察结果。这些 通常被称为离群值，往往预示着结构缺陷、医疗状况或安全漏洞等重大事件、 医疗状况或安全漏洞。在计算机视觉的特定环境中 异常检测算法 分析视觉数据，标记出不符合 "正常 "行为或外观的不规则模式。 行为或外观的不规则模式，从而有效地从有意义的信号中过滤噪音。

核心机制和方法

异常检测的实现通常依赖于统计分析和 深度学习技术。根据 根据标注训练数据的可用性 可分为三大类：

• 监督学习:这种方法利用一个包含正常和异常示例的全标记数据集。模型经过训练 进行二元或多类分类。这种方法虽然有效，但需要大量的 这种方法虽然有效，但需要大量已知的异常示例，而这些示例在现实世界中可能很少。
• 无监督学习:这种技术在没有标注数据的情况下运行，假定异常情况是罕见和独特的。算法如 K-means 聚类或 DBSCAN 等算法将相似的数据点归类在一起，而将孤立的数据点归类为异常值。
• 半监督学习：这是视觉检测领域的一种流行方法，系统 完全根据正常数据进行训练。在推理过程中，任何产生较高重构误差的输入--通常使用自动编码器计算得出 会被标记为异常。 异常。

异常检测与目标检测

虽然这两种技术都用于分析图像，但重要的是要区分异常检测和对象检测。 物体检测。

• 物体检测主要是利用定义的边界框对已知类别（如：汽车、行人、车辆等）的实例进行定位和分类、 汽车、行人）。模型 模型必须在训练过程中看到过这些特定物体的实例。
• 异常检测通常是开放式的，这意味着它会搜索未知的偏差。例如 例如，监控传送带的系统可能是针对完美的产品进行训练的，必须标记出任何划痕、凹痕或变色，而事先并不明确知道这些缺陷是什么样子的、 或变色，而事先并不明确知道这些缺陷是什么样子的。然而，像 Ultralytics YOLO11等稳健模型可以通过将特定缺陷视为不同的类别来进行有监督的异常 通过将特定缺陷视为不同的类别来进行异常检测。

实际应用

自动发现异常的能力使这项技术在各行各业都不可或缺。

• 工业质量控制：在智能制造时代 智能制造时代，自动视觉检测 系统监控装配线，detect 产品缺陷。及早发现缺陷可以减少浪费，确保只有高质量的产品才能到达消费者手中。 只有高质量的产品才能到达消费者手中。 人工智能在制造业中的应用。
• 金融安全：银行利用统计异常检测来识别欺诈活动。通过 建立典型用户行为基线，系统就能触发异常交易警报。 在 金融欺诈检测研究中经常引用这一过程。
• 医疗诊断：在医疗保健领域，算法分析 医疗成像，以突出潜在的 病变。例如，在核磁共振成像扫描中检测出偏离健康组织模式的肿瘤，有助于放射科医生更快地做出诊断，这也是 放射科医生更快地做出诊断，这是人工智能在医疗保健领域的一个关键优势。 人工智能在医疗保健领域的应用。
• 网络安全：网络安全工具监控网络流量，以发现可能预示网络攻击的峰值或不寻常数据包特征。 网络安全工具监控网络流量，以发现可能预示网络攻击的峰值或不寻常数据包特征，帮助企业遵守网络安全和基础设施安全局（CISA）的指导原则。 网络安全和基础设施安全局（CISA）的指导方针。

使用YOLO11实施缺陷检测

实现有监督的异常检测的一种实用方法是训练视觉模型来识别特定的缺陷类别。 特定缺陷类别。下面的示例演示了如何加载 自定义训练模型 并运行推理以识别标记为物体的异常。

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

工具和框架

开发这些系统需要强大的软件生态系统。

• 库：基础库，如 PyTorch和 TensorFlow等基础库为深度学习架构提供了构件。
• 数据处理：对于非视觉数据 离群点检测模块 提供标准算法，如隔离森林算法（Isolation Forest）。
• 端到端解决方案：即将推出的 Ultralytics 平台旨在简化从数据标注到模型训练和部署的整个工作流程。 数据标注、模型训练和部署、 使构建用于检测实时环境中异常情况的专用视觉系统变得更加容易。