اكتشاف الحالات الشاذة

يعد اكتشاف الحالات الشاذة تقنية مهمة في مجالات الذكاء الاصطناعي (AI) و التعلم الآلي (ML) تركز على تحديد نقاط البيانات أو الأحداث أو الملاحظات التي تحيد بشكل كبير عن السلوك الطبيعي لمجموعة البيانات. غالبًا ما يشار إلى هذه العملية باسم اكتشاف القيم المتطرفة، وتفترض أن غالبية البيانات تتبع نمطًا أو توزيعًا معينًا، و أي شيء يقع خارج هذا المعيار المحدد يعتبر حالة شاذة. يمكن أن تشير هذه المخالفات إلى حوادث خطيرة، مثل العيوب الهيكلية في التصنيع أو الأخطاء في البيانات النصية أو الانتهاكات الأمنية المحتملة في حركة مرور الشبكة . تُستخدم خوارزميات متقدمة، بما في ذلك تلك المستخدمة في التعلم العميق (DL)، لأتمتة التعرف على هذه الأحداث النادرة بدقة عالية.

كشف الحالات الشاذة مقابل الكشف عن الكائنات

في حين أن كلا المنهجيتين أساسيتان للرؤية الحاسوبية الحديثة (CV)، من المهم التمييز بين اكتشاف الشذوذ واكتشاف الكائنات القياسي .

• يعد اكتشاف الكائنات عادةً مشكلة مغلقة حيث يقوم النموذج بتحديد وتحديد موقع فئات معينة ومعروفة (مثل "سيارة" و"شخص" و"إشارة مرور") باستخدام مربعات تحديد. يتم تدريب النظام على أمثلة مصنفة لما يحتاج إلى العثور عليه بالضبط.
• غالبًا ما يتم التعامل مع اكتشاف الحالات الشاذة على أنه مشكلة مفتوحة. يتعلم النظام تمثيلًا لـ "الوضع الطبيعي" ويشير إلى الانحرافات غير المعروفة. على سبيل المثال، قد يتم تدريب نظام الفحص البصري على آلاف الصور لمنتجات مثالية. يجب عليه بعد ذلك تحديد أي خدش أو انبعاج أو تغير في اللون على أنه حالة شاذة، حتى لو لم يسبق له أن واجه هذا النوع المحدد من العيوب من قبل.

ومع ذلك، يمكن تكييف أجهزة الكشف القوية عن الأجسام مثل أحدث أجهزة Ultralytics بشكل فعال من أجل الكشف عن الحالات الشاذة تحت الإشراف . من خلال معالجة العيوب المعروفة كفئات متميزة ضمن بيانات التدريب، يمكن للمهندسين تدريب النماذج على تحديد أنواع معينة من المخالفات.

تطبيقات واقعية

إن القدرة على اكتشاف المخالفات تلقائيًا تجعل من الكشف عن الحالات الشاذة أمرًا لا غنى عنه في مختلف الصناعات عالية المخاطر حيث لا يكون المراقبة اليدوية أمرًا عمليًا.

• الذكاء الاصطناعي في التصنيع: تراقب أنظمة الفحص البصري الآلي (AOI) خطوط الإنتاج لتحديد العيوب الهيكلية في الوقت الفعلي. من خلال تنفيذ الصيانة التنبؤية، يمكن للمصانع detect الاهتزازات detect أو علامات الحرارة في الآلات، مما يمنع التوقف عن العمل المكلف.
• تحليل الصور الطبية: في مجال الرعاية الصحية، تحلل الخوارزميات صور الرنين المغناطيسي أو الأشعة المقطعية لإبراز الأمراض المحتملة. يساعد اكتشاف الأورام أو الكسور التي تحيد عن أنماط الأنسجة السليمة أطباء الأشعة في إجراء تشخيصات أسرع، وهو عنصر أساسي في الذكاء الاصطناعي في مجال الرعاية الصحية.
• الكشف عن الاحتيال المالي: تستخدم البنوك الكشف عن الانحرافات الإحصائية لمراقبة تدفقات المعاملات. إذا تغير سلوك الإنفاق للمستخدم بشكل مفاجئ — مثل إجراء عملية شراء كبيرة في بلد أجنبي — يقوم النظام بوضع علامة على المعاملة باعتبارها خرقًا أمنيًا محتملاً، كما هو موضح في منهجيات الكشف عن الاحتيال المالي.
• كشف التسلل إلى الشبكة: تراقب أدوات الأمن السيبراني حركة مرور الشبكة بحثًا عن أي ارتفاعات أو توقيعات غير عادية للحزم. من خلال إنشاء خط أساس لحركة المرور العادية، يمكن للأنظمة تحديد الهجمات السيبرانية أو محاولات تسريب البيانات في وقت مبكر.

تنفيذ الكشف عن العيوب باستخدام YOLO26

يتضمن النهج العملي لاكتشاف الحالات الشاذة تدريب نموذج الرؤية على التعرف على فئات معينة من العيوب. تم تحسين أحدث النماذج، مثل YOLO26، لهذه المهمة، مما يوفر سرعة ودقة فائقتين مقارنة بالإصدارات السابقة مثل YOLO11. يوضح المثال التالي كيفية تحميل نموذج مدرب مسبقًا وتشغيل الاستدلال لتحديد الحالات الشاذة المصنفة ككائنات.

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

الأدوات والنظام البيئي

يتطلب تطوير أنظمة فعالة للكشف عن الحالات الشاذة وجود نظام بيئي قوي للبرمجيات للتعامل مع المعالجة المسبقة للبيانات وإدارة دورة حياة النموذج .

• أطر العمل الخاصة بالتعلم العميق: مكتبات مثل PyTorch و TensorFlow توفر الخلفية الحاسوبية لتدريب الشبكات العصبية المعقدة المستخدمة في الكشف القائم على الرؤية.
• إعداد البيانات: أدوات تنظيف البيانات ضرورية لإزالة القيم المتطرفة من مجموعة التدريب الأولية حتى يتعلم النموذج خط أساس نظيف لـ "الطبيعي".
• مكتبات إحصائية: بالنسبة للبيانات غير المرئية، توفر مكتبة Scikit-learn خوارزميات قياسية مثل Isolation Forest و One-Class Support Vector Machine (SVM).
• سير العمل المتكامل: تعمل Ultralytics على تبسيط دورة حياة هذه النماذج، وتوفر أدوات لتعليق مجموعات البيانات، والتدريب القائم على السحابة، ونشر نماذج فعالة مثل YOLO26 على الأجهزة الطرفية للاستدلال في الوقت الفعلي.