Vision AI für die Erkennung von Anomalien: Ein kurzer Überblick

Ein winziger Riss in einer Flugzeugtragfläche, ein falsch aufgedrucktes Etikett auf einem Medikament oder eine ungewöhnliche Finanztransaktion können ernsthafte Probleme verursachen, wenn sie unentdeckt bleiben. Jede Branche steht vor der Herausforderung, riskante Probleme frühzeitig zu erkennen, um Ausfälle, finanzielle Verluste oder Sicherheitsrisiken zu vermeiden.

Vor allem müssen Anomalien erkannt werden. Die Erkennung von Anomalien konzentriert sich auf die Identifizierung von Mustern, die nicht mit den erwarteten Verhaltensweisen übereinstimmen. Sie zielt darauf ab, Mängel, Fehler oder unregelmäßige Aktivitäten zu erkennen, die sonst unbemerkt bleiben könnten. Herkömmliche Methoden stützen sich auf feste Regeln, um diese Anomalien zu finden, aber sie sind oft langsam und haben Schwierigkeiten mit komplexen Variationen. Hier spielt die Computer Vision eine entscheidende Rolle. 

Indem sie aus großen visuellen Datensätzen lernen, können Computer Vision Modelle wie Ultralytics YOLO11 können Unregelmäßigkeiten genauer erkennen als herkömmliche Methoden. 

In diesem Artikel erfahren wir, wie die bildbasierte Anomalieerkennung funktioniert und wie YOLO11 dabei helfen kann.

Die Notwendigkeit der Aufdeckung von Anomalien

Bei der Computer Vision zeigen sich Anomalien oder Unregelmäßigkeiten in der Regel als Defekte oder ungewöhnliche Muster in Bildern und Videos. Jahrelang haben sich Unternehmen auf manuelle Inspektionen oder regelbasierte Systeme verlassen, um Mängel zu erkennen. 

In der pharmazeutischen Produktion können Anomalien in Tabletten beispielsweise Risse, falsche Formen, Verfärbungen oder fehlende Aufdrucke sein, die die Qualität und Sicherheit beeinträchtigen können. Die frühzeitige Erkennung dieser Fehler ist wichtig, um zu verhindern, dass fehlerhafte Produkte die Verbraucher erreichen. Manuelle Methoden zur Erkennung von Anomalien sind jedoch oft langsam, uneinheitlich und können die Komplexität von Unregelmäßigkeiten in der Praxis nicht bewältigen.

‍

KI-basierte Anomalieerkennung löst diese Herausforderungen, indem sie aus großen Datensätzen lernt und ihre Fähigkeit, Muster zu erkennen, im Laufe der Zeit kontinuierlich verbessert. Im Gegensatz zu festen regelbasierten Methoden können KI-Systeme lernen und sich mit der Zeit verbessern.

Fortschrittliche Modelle wie YOLO11 verbessern die Erkennung von Anomalien, indem sie eine Bildanalyse in Echtzeit mit hoher Präzision ermöglichen. KI-Systeme können Details in Bildern wie Form, Textur und Struktur analysieren und so Unregelmäßigkeiten schnell und genau erkennen. 

Wie Computer Vision die Erkennung von Anomalien ermöglicht

Systeme zur Erkennung von Anomalien, die von Vision AI angetrieben werden, nehmen zunächst hochwertige Bilder oder Videos mit Kameras, Sensoren oder Drohnen auf. Klare visuelle Daten sind der Schlüssel, egal ob es darum geht, ein fehlerhaftes Produkt in einer Fertigungsstraße zu erkennen, eine unbefugte Person in einem Sicherheitsbereich zu entdecken oder ungewöhnliche Bewegungen in einem öffentlichen Raum zu identifizieren. 

Nach der Erfassung werden die Bilder oder Videos Bildverarbeitungstechniken wie Rauschunterdrückung, Kontrastverbesserung und Schwellenwertbestimmung unterzogen. Diese Vorverarbeitungsschritte helfen den Vision AI-Modellen, sich auf wichtige Details zu konzentrieren und gleichzeitig Hintergrundgeräusche herauszufiltern, was die Genauigkeit in verschiedenen Anwendungsbereichen verbessert, von der Sicherheitsüberwachung über die medizinische Diagnostik bis hin zur Verkehrskontrolle.

Nach der Vorverarbeitung können die Bilder mit Hilfe von Computer Vision analysiert werden, um Unregelmäßigkeiten zu erkennen. Sobald eine Anomalie erkannt wird, kann das System eine Warnung auslösen, z. B. einen Arbeiter benachrichtigen, um ein defektes Produkt zu entfernen, das Sicherheitspersonal auf eine potenzielle Bedrohung aufmerksam machen oder die Verkehrsteilnehmer informieren, um Staus zu vermeiden.

‍

Erkennung von Anomalien mit den Fähigkeiten von YOLO11

Schauen wir uns genauer an, wie Computer Vision Modelle wie YOLO11 Bilder analysieren können, um Anomalien zu erkennen. 

YOLO11 unterstützt verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Instanzsegmentierung, Objektverfolgung und Posenschätzung. Diese Aufgaben machen die Erkennung von Anomalien in verschiedenen realen Anwendungen einfacher.

Die Objekterkennung kann zum Beispiel dazu verwendet werden, fehlerhafte Produkte auf einem Fließband, unbefugte Personen in gesperrten Bereichen oder verlegte Gegenstände in einem Lager zu identifizieren. Mit der Segmentierung von Instanzen lassen sich Anomalien wie Risse in Maschinen oder Verunreinigungen in essbaren Produkten genau umreißen.

‍

Hier sind einige weitere Beispiele für Bildverarbeitungsaufgaben, die zur Erkennung von Anomalien eingesetzt werden:

• Objektverfolgung: Sie kann zur Überwachung von Bewegungsmustern eingesetzt werden, um Sicherheitsbedrohungen zu erkennen, Fahrzeuganomalien im Verkehr zu verfolgen oder Patientenbewegungen im Gesundheitswesen zu beurteilen.
• Einschätzung der Körperhaltung: YOLO11 kann ungewöhnliche Körperbewegungen erkennen, um Sicherheitsrisiken am Arbeitsplatz zu identifizieren oder Rehabilitationsfortschritte im Gesundheitswesen zu verfolgen.
• Erkennung von orientierten Bounding Boxes (OBB): Verbessert die Erkennung von Anomalien durch die genaue Identifizierung und Lokalisierung von gedrehten oder abgewinkelten Objekten und ist damit nützlich für die Analyse von Luftbildern, autonomes Fahren und industrielle Inspektionen.

Warum solltest du YOLO11 benutzen?

Die YOLO Ultralytics zeichnen sich unter verschiedenen anderen Computer-Vision-Modellen durch ihre Geschwindigkeit und Genauigkeit aus. Ultralytics YOLOv5 hat mit seinem PyTorch Framework den Einsatz vereinfacht und ist damit für eine größere Zahl von Nutzern zugänglich. Inzwischen, Ultralytics YOLOv8 die Flexibilität weiter erhöht, indem es Aufgaben wie die Segmentierung von Instanzen, die Verfolgung von Objekten und die Schätzung von Körperhaltungen unterstützt und sich so besser an verschiedene Anwendungen anpassen lässt.

Die neueste Version, YOLO11, bietet im Vergleich zu seinen Vorgängern eine höhere Präzision und Leistung. Mit 22 % weniger Parametern als YOLOv8m liefert YOLO11m beispielsweise eine höhere durchschnittliche Genauigkeit (mAP) auf dem COCO-Datensatz und ermöglicht so eine präzisere und effizientere Objekterkennung.

So trainierst du YOLO11 für die Erkennung von Anomalien

Das individuelle Training YOLO11 zur Erkennung von Anomalien ist unkompliziert und einfach. Mit einem Datensatz, der für deine spezielle Anwendung entwickelt wurde, kannst du das Modell so feinabstimmen, dass es Anomalien genau erkennt. 

Folge diesen einfachen Schritten, um loszulegen:

• Bereite deinen Datensatz vor: Sammle hochwertige Bilder, die sowohl normale als auch anomale Muster enthalten. Achte darauf, dass du unterschiedliche Beleuchtungen, Blickwinkel und Auflösungen verwendest, damit sich das Modell besser anpassen kann.
• Beschrifte deine Daten: Markiere Anomalien mit Bounding Boxes, Segmentierungen oder Schlüsselpunkten, damit das Modell weiß, wonach es suchen muss. Open-Source-Tools machen diesen Prozess schneller und einfacher.
• Trainiere das Modell: Das Modell lernt über mehrere Zyklen und verbessert so seine Fähigkeit, normale und anomale Fälle in Echtzeit zu erkennen.
• Testen und validieren: Lass das trainierte Modell auf neuen, ungesehenen Bildern laufen, um seine Leistung zu bewerten und sicherzustellen, dass es gut funktioniert, bevor du es einsetzt.

Beim Aufbau eines Systems zur Erkennung von Anomalien ist es außerdem wichtig zu überlegen, ob ein eigenes Training tatsächlich notwendig ist. In manchen Fällen kann ein vortrainiertes Modell bereits ausreichen. 

Wenn du z.B. ein Verkehrsmanagementsystem entwickelst und die Anomalie, die du erkennen musst, sind Fußgänger, kann das vortrainierte YOLO11 bereits Personen mit hoher Genauigkeit erkennen. Da die Kategorie "Person" im COCO-Datensatz (auf dem es bereits trainiert wurde) gut vertreten ist, ist kein zusätzliches Training erforderlich.

Individuelles Training ist dann wichtig, wenn die Anomalien oder Objekte, die du erkennen musst, nicht im COCO-Datensatz enthalten sind. Wenn deine Anwendung seltene Defekte in der Produktion, spezifische medizinische Bedingungen in Bildern oder einzigartige Objekte, die nicht von Standarddatensätzen abgedeckt werden, identifizieren muss, dann sorgt das Training eines Modells auf domänenspezifischen Daten für bessere Leistung und Genauigkeit.

Reale Anwendungen der bildverarbeitungsbasierten Anomalieerkennung

Die Erkennung von Anomalien ist ein umfassendes Konzept, das viele reale Anwendungen umfasst. Gehen wir einige davon durch und sehen wir, wie Computer Vision dabei hilft, Unregelmäßigkeiten zu erkennen, die Effizienz zu steigern und die Entscheidungsfindung in verschiedenen Branchen zu verbessern.

Anomalien in der Produktion aufspüren

Computervision in der Fertigung hilft dabei, hohe Qualitätsstandards einzuhalten, indem sie Defekte, Fehlausrichtungen und fehlende Komponenten in den Produktionslinien aufspürt. Bildverarbeitungsmodelle können fehlerhafte Produkte sofort erkennen und so verhindern, dass sie die Produktionslinie weiter durchlaufen, und den Ausschuss reduzieren. Die frühzeitige Erkennung von Problemen wie Rohstoffmängeln, Verpackungsfehlern oder schwachen Bauteilen hilft, kostspielige Rückrufaktionen und finanzielle Verluste zu vermeiden.

Neben der Qualitätskontrolle kann die Erkennung von Anomalien auch die Sicherheit am Arbeitsplatz verbessern. Fabriken haben oft mit Hitze, Rauch und gefährlichen Emissionen zu tun, die zu Brandgefahr führen können. KI-Modelle können ungewöhnliche Rauchmuster, überhitzte Maschinen oder sogar frühe Anzeichen eines Brandes erkennen, so dass die Hersteller Maßnahmen ergreifen können, bevor Unfälle passieren.

‍

Identifizierung von Grenzfällen in der Automobilindustrie

Die Automobilindustrie kann Modelle wie YOLO11 nutzen, um Fehler in Motoren, Bremssystemen und Getriebekomponenten zu erkennen, bevor sie zu kritischen Ausfällen führen. Mit der Unterstützung von YOLO11für die Objekterkennung und die Segmentierung von Instanzen ist es einfach, Anomalien zu identifizieren, die bei manuellen Inspektionen übersehen werden könnten.

Hier sind einige weitere Beispiele für die Erkennung von Anomalien in der Automobilindustrie:

• Erkennung von Verkehrsanomalien: Erkennen von Fahrzeugen, die sich gegen den Verkehr bewegen, plötzliche Fahrspurabweichungen oder unbefugtes Betreten von Sperrgebieten.
• Überwachung des Fahrverhaltens: Erkennen von schläfrigem Fahren, abgelenktem Verhalten oder unberechenbarem Lenken, um die Verkehrssicherheit zu verbessern.
• Autonome Fahrzeugsicherheit: Erkennen von Fußgängern, Radfahrern und unerwarteten Hindernissen, um Kollisionen zu vermeiden.

Unregelmäßigkeiten in der Elektronik aufspüren

Die manuelle Prüfung von Elektronik kann langsam, uneinheitlich und anfällig für menschliche Fehler sein, was bedeutet, dass Fehler in Mikrochips, Leiterplatten und Lötverbindungen unbemerkt bleiben können. Selbst kleine Defekte wie eine gerissene Lötstelle oder ein falsch ausgerichtetes Bauteil können Signalunterbrechungen, Systemausfälle oder Kurzschlüsse verursachen und so zu unzuverlässigen Geräten führen.

Mit der YOLO11 Anomalieerkennung können Hersteller diesen Prozess automatisieren und Probleme wie falsch ausgerichtete Teile, fehlerhafte Lötstellen oder elektrische Fehler mit weitaus größerer Genauigkeit als mit herkömmlichen Methoden erkennen. Eine winzige Lücke in einer Lötstelle zum Beispiel, die von menschlichen Inspektoren übersehen werden könnte, kann von der YOLO11leicht erkannt werden.

Die wichtigsten Erkenntnisse

In dem Maße, in dem die Industrie auf die Erkennung von Anomalien mit Hilfe von Computer Vision setzt, werden Modelle wie YOLO11 für die Aufrechterhaltung der Qualität, die Verbesserung der Sicherheit und die Verringerung betrieblicher Risiken immer wichtiger.  

Von der Fertigung bis zur Landwirtschaft kann die KI-gestützte Anomalieerkennung die Genauigkeit erhöhen, die Kontrollen beschleunigen und menschliche Fehler minimieren. In Zukunft werden die Fortschritte in der KI die Erkennung von Anomalien wahrscheinlich noch präziser machen. 

Werde Teil unserer wachsenden Gemeinschaft! Erforsche unser GitHub-Repository, um mehr über KI zu erfahren. Bist du bereit, deine eigenen Computer Vision Projekte zu starten? Schau dir unsere Lizenzierungsoptionen an. Entdecke KI in der Landwirtschaft und Vision AI im Gesundheitswesen, indem du unsere Lösungsseiten besuchst!