异常检测

异常检测是机器学习 (ML)中使用的一种技术，用于识别罕见的、可疑的项目、事件或观测结果，这些项目、事件或观测结果与大多数数据存在显著差异。这些不符合常规的实例被称为异常值、离群值或新奇事物。其主要目标是自动区分正常数据点和异常数据点。这种能力在广泛的领域中至关重要，因为它能够主动识别设备故障、金融欺诈、安全漏洞和医疗问题等。在计算机视觉 (CV)的背景下，异常检测涉及在图像和视频中查找不符合预期行为的异常模式或对象。

异常检测与目标检测

区分异常检测和目标检测非常重要。

• 目标检测: 此任务侧重于识别和定位图像中已知对象类别的实例。例如，训练一个目标检测模型，以查找街景图像中的所有汽车、行人和交通标志。该模型根据其训练数据中的预定义类别来了解它正在寻找什么。
• 异常检测（Anomaly Detection）: 此任务旨在识别任何偏离已学习的“正常”定义的事物。在许多情况下，系统事先不知道异常情况会是什么样子。例如，它可能在数千张完美产品的图像上进行训练，并负责标记任何缺陷，无论是划痕、凹痕还是变色——它可能从未见过的缺陷类型。

虽然像 Ultralytics YOLO 这样的模型可以通过将特定缺陷视为对象进行自定义训练，从而执行异常检测，但基本方法有所不同。传统的对象检测需要找到的每个类别的示例，而许多异常检测方法只需要代表正常状态的数据。

异常检测方法

异常检测技术可以根据数据集中标签的可用性进行大致分类：

• 监督学习: 此方法需要一个已标记“正常”和“异常”示例的数据集。训练分类模型以区分两者。这种方法非常有效，但受到对大型且良好标记的数据集的需求的限制，由于异常在定义上很少见，因此很难获得。
• 半监督学习: 这是最常用的方法，模型仅在正常样本的数据集上进行训练。系统学习正常的模式，并将任何偏离此学习模型的的数据点标记为异常。这对于异常情况多样且不可预测的场景非常实用。
• 无监督学习: 这种方法在没有任何标签的情况下工作。它基于以下假设运行：异常很少且与正常数据点不同。诸如聚类（例如，DBSCAN）或统计方法之类的算法用于对数据点进行分组，并将孤立的点或小集群识别为异常值。有关各种方法的全面概述，请参见该主题的学术调查，例如“用于异常检测的深度学习：一项调查”。

实际应用

异常检测是许多智能系统的基石，可在各行各业提供关键见解。

1. 制造质量控制: 在装配线上，计算机视觉系统可以实时监控产品。在完美物品图像上训练的模型可以立即发现缺陷，如裂缝、未对准或缺失的组件。这种自动化检测通常在智能制造中进行探索，与人工检查相比，它能更有效地提高质量并减少浪费。
2. 安全与监控： 在公共场所或安全设施中，人工智能驱动的监控系统可以检测异常事件。例如，识别逆向行驶的车辆、检测机场中遗弃的行李或标记对限制区域的未授权访问。这些系统可以向安全人员提供实时警报。
3. 医疗保健中的人工智能: 异常检测通过突出显示扫描中潜在的癌细胞或识别心电图数据中的不规则心跳，从而在医学图像分析中发挥作用。
4. 金融欺诈检测：银行和金融机构使用异常检测来监控交易流并识别指示欺诈活动的行为模式，例如在 Kaggle 上的信用卡欺诈检测数据集等公共数据集中发现的模式。
5. 网络安全：监控网络流量以检测可能预示着网络攻击或数据泄露的异常模式。网络安全和基础设施安全局 (CISA)等组织强调此类主动措施。

工具与技术

开发强大的异常检测系统通常涉及标准 ML 库和专用平台的组合。

• 框架: PyTorch 和 TensorFlow 提供了构建和训练自定义 深度学习 模型的基础工具。
• 库: 对于非视觉任务，像Scikit-learn这样的库提供了一个专门的模块，用于使用各种算法进行异常值和异常检测。
• 平台：Ultralytics HUB 提供了一个集成的环境，可以简化整个模型生命周期，从基于云的训练到各种模型部署选项，从而简化 Vision AI 应用程序的开发。