L'IA visionnaire pour la détection des anomalies : Un aperçu rapide

Une minuscule fissure dans une aile d'avion, une étiquette mal imprimée sur un médicament ou une transaction financière inhabituelle peuvent causer de graves problèmes s'ils ne sont pas détectés. Chaque industrie est confrontée au défi d'essayer de repérer rapidement tout problème risqué afin d'éviter les échecs, les pertes financières ou les risques pour la sécurité.

Plus précisément, il s'agit de détecter les anomalies. La détection des anomalies se concentre sur l'identification des modèles qui ne correspondent pas aux comportements attendus. Elle vise à signaler les défauts, les erreurs ou les activités irrégulières qui pourraient autrement passer inaperçus. Les méthodes traditionnelles s'appuient sur des règles fixes pour trouver ces anomalies, mais elles sont souvent lentes et peinent à gérer des variations complexes. C'est là que la vision par ordinateur joue un rôle crucial. 

En apprenant à partir de grands ensembles de données visuelles, les modèles de vision artificielle comme Ultralytics YOLO11 peuvent détecter les irrégularités avec plus de précision que les méthodes traditionnelles. 

Dans cet article, nous allons explorer comment fonctionne la détection d'anomalies basée sur la vision et comment YOLO11 peut t'aider.

La nécessité de détecter les anomalies

En ce qui concerne la vision par ordinateur, les anomalies ou les irrégularités apparaissent généralement sous forme de défauts ou de motifs inhabituels dans les images et les vidéos. Pendant des années, les entreprises se sont appuyées sur des inspections manuelles ou des systèmes basés sur des règles pour détecter les défauts. 

Par exemple, dans la fabrication de produits pharmaceutiques, les anomalies dans les comprimés peuvent inclure des fissures, des formes incorrectes, une décoloration ou des empreintes manquantes, ce qui peut compromettre la qualité et la sécurité. La détection précoce de ces défauts est vitale pour éviter que des produits défectueux n'atteignent les consommateurs. Cependant, les méthodes manuelles de détection des anomalies sont souvent lentes, incohérentes et ne peuvent pas gérer la complexité des irrégularités du monde réel.

‍

La détection d'anomalies basée sur l'IA résout ces défis en apprenant à partir de vastes ensembles de données, améliorant continuellement leur capacité à reconnaître des modèles au fil du temps. Contrairement aux méthodes basées sur des règles fixes, les systèmes d'IA peuvent apprendre et s'améliorer au fil du temps.

Les modèles avancés comme YOLO11 améliorent la détection des anomalies en permettant une analyse des images en temps réel avec une grande précision. Les systèmes d'IA de vision peuvent analyser les détails des images comme la forme, la texture et la structure, ce qui facilite le repérage rapide et précis des irrégularités. 

Comment la vision par ordinateur permet de détecter les anomalies

Les systèmes de détection d'anomalies pilotés par Vision AI fonctionnent en commençant par capturer des images ou des vidéos de haute qualité à l'aide de caméras, de capteurs ou de drones. Des données visuelles claires sont essentielles, qu'il s'agisse de repérer un produit défectueux sur une chaîne de fabrication, de détecter une personne non autorisée dans une zone sécurisée ou d'identifier un mouvement inhabituel dans un espace public. 

Une fois collectées, les images ou les vidéos subissent des techniques de traitement d'image telles que la réduction du bruit, l'amélioration du contraste et le seuillage. Ces étapes de prétraitement aident les modèles de Vision AI à se concentrer sur les détails importants tout en filtrant le bruit de fond, ce qui améliore la précision dans diverses applications, de la surveillance de la sécurité aux diagnostics médicaux en passant par le contrôle du trafic.

Après le prétraitement, la vision par ordinateur peut être utilisée pour analyser les images et identifier tout ce qui sort de l'ordinaire. Une fois qu'une anomalie est repérée, le système peut déclencher une alerte, par exemple notifier à un ouvrier de retirer un produit défectueux, avertir le personnel de sécurité d'une menace potentielle ou informer les opérateurs de la circulation pour gérer les embouteillages.

‍

Détection des anomalies grâce aux capacités de YOLO11

Regardons de plus près comment les modèles de vision par ordinateur comme YOLO11 sont capables d'analyser les images pour détecter les anomalies. 

YOLO11 prend en charge diverses tâches de vision par ordinateur telles que la détection d'objets, la classification d'images, la segmentation d'instances, le suivi d'objets et l'estimation de la pose. Ces tâches simplifient la détection des anomalies dans différentes applications du monde réel.

Par exemple, la détection d'objets peut être utilisée pour identifier des produits défectueux sur une chaîne de montage, des personnes non autorisées dans des zones restreintes ou des articles mal placés dans un entrepôt. De même, la segmentation des instances permet de délimiter précisément les anomalies, telles que les fissures dans les machines ou la contamination des produits comestibles.

‍

Voici d'autres exemples de tâches de vision par ordinateur utilisées pour la détection d'anomalies :

• Suivi d'objets: Il peut être utilisé pour surveiller les modèles de mouvement afin de détecter les menaces à la sécurité, suivre les anomalies des véhicules dans la circulation ou évaluer les mouvements des patients dans les soins de santé.
• Estimation de la pose: YOLO11 peut détecter les mouvements inhabituels du corps pour identifier les risques de sécurité sur les lieux de travail ou suivre les progrès de la rééducation dans le domaine de la santé.
• Détection des boîtes de délimitation orientées (OBB): Améliore la détection des anomalies en identifiant et en localisant avec précision les objets tournés ou inclinés, ce qui la rend utile pour l'analyse des images aériennes, la conduite autonome et les inspections industrielles.

Pourquoi devrais-tu utiliser YOLO11?

Parmi divers autres modèles de vision par ordinateur, les modèlesYOLO d'Ultralytics se distinguent par leur rapidité et leur précision. Ultralytics YOLOv5 a simplifié le déploiement grâce à son cadre PyTorch, ce qui le rend accessible à un plus grand nombre d'utilisateurs. En attendant , Ultralytics YOLOv8 a encore amélioré la flexibilité en introduisant la prise en charge de tâches telles que la segmentation d'instances, le suivi d'objets et l'estimation de la pose, ce qui le rend plus adaptable à différentes applications.

La dernière version, YOLO11, offre une précision et des performances supérieures à celles de ses prédécesseurs. Par exemple, avec 22 % de paramètres en moins que YOLOv8m, YOLO11m offre une précision moyenne plus élevée (mAP) sur l'ensemble de données COCO, ce qui permet une détection plus précise et plus efficace des objets.

Comment entraîner YOLO11 à la détection des anomalies ?

L'entraînement personnalisé de YOLO11 pour la détection d'anomalies est simple et direct. Avec un ensemble de données conçu pour ton application spécifique, tu peux affiner le modèle pour détecter les anomalies avec précision. 

Suis ces étapes simples pour commencer :

• Prépare ton ensemble de données : Collecte des images de haute qualité qui comprennent à la fois des échantillons normaux et des échantillons d'anomalies. Veille à inclure des variations d'éclairage, d'angles et de résolutions pour aider le modèle à mieux s'adapter.
• Étiquette tes données : Marque les anomalies à l'aide de boîtes de délimitation, de segmentation ou de points clés pour que le modèle sache ce qu'il doit chercher. Les outils open-source rendent ce processus plus rapide et plus facile.
• Entraîne le modèle : Le modèle apprend au cours de plusieurs cycles, améliorant ainsi sa capacité à identifier les cas normaux et les cas d'anomalie en temps réel.
• Teste et valide : Exécute le modèle entraîné sur de nouvelles images inédites pour évaluer ses performances et t'assurer qu'il fonctionne bien avant de le déployer.

De plus, lors de la création d'un système de détection des anomalies, il est important de se demander si un entraînement personnalisé est réellement nécessaire. Dans certains cas, un modèle pré-entraîné peut déjà être suffisant. 

Par exemple, si tu développes un système de gestion du trafic et que l'anomalie que tu dois détecter est la présence de piétons, le modèle YOLO11 pré-entraîné peut déjà détecter les personnes avec une grande précision. Étant donné que le terme "personne" est une catégorie bien représentée dans l'ensemble de données COCO (sur lequel il a été pré-entraîné), il n'est pas nécessaire d'effectuer un entraînement supplémentaire.

La formation personnalisée devient essentielle lorsque les anomalies ou les objets que tu dois détecter ne sont pas inclus dans l'ensemble de données COCO. Si ton application nécessite d'identifier des défauts rares dans la fabrication, des conditions médicales spécifiques dans les images, ou des objets uniques non couverts par les ensembles de données standard, alors l'entraînement d'un modèle sur des données spécifiques au domaine garantit de meilleures performances et une plus grande précision.

Applications réelles de la détection d'anomalies basée sur la vision

La détection des anomalies est un vaste concept qui couvre de nombreuses applications dans le monde réel. Passons en revue quelques-unes d'entre elles et voyons comment la vision par ordinateur permet d'identifier les irrégularités, d'améliorer l'efficacité et la prise de décision dans différents secteurs d'activité.

Détecter les anomalies dans la fabrication

La vision par ordinateur dans la fabrication aide à maintenir des normes de haute qualité en repérant les défauts, les mauvais alignements et les composants manquants sur les lignes de production. Les modèles de vision par ordinateur peuvent instantanément signaler les produits défectueux, les empêchant ainsi de poursuivre leur chemin sur la chaîne et réduisant les déchets. La détection précoce de problèmes tels que les défauts des matières premières, les erreurs d'emballage ou la faiblesse des composants structurels permet d'éviter les rappels coûteux et les pertes financières.

Au-delà du contrôle de la qualité, la détection des anomalies peut également améliorer la sécurité sur le lieu de travail. Les usines sont souvent confrontées à la chaleur, à la fumée et à des émissions dangereuses, ce qui peut entraîner des risques d'incendie. Les modèles d'IA de vision peuvent détecter des modèles de fumée inhabituels, des machines en surchauffe ou même des signes précurseurs d'un incendie, ce qui permet aux fabricants de prendre des mesures avant que les accidents ne se produisent.

‍

Identifier les cas de figure dans le domaine de l'automobile

L'industrie automobile peut utiliser des modèles comme YOLO11 pour détecter les défauts dans les moteurs, les systèmes de freinage et les composants de transmission avant qu'ils ne conduisent à des défaillances critiques. Grâce à la prise en charge par YOLO11de la détection des objets et de la segmentation des instances, il est facile d'identifier avec précision les anomalies que les inspections manuelles pourraient négliger.

Voici d'autres exemples de détection d'anomalies dans l'industrie automobile :

• Détection des anomalies du trafic: Reconnaître les véhicules qui se déplacent à contre-courant de la circulation, les sorties de voie soudaines ou l'accès non autorisé à des zones restreintes.
• Surveillance du comportement des conducteurs: Identifier la conduite somnolente, le comportement distrait ou la conduite erratique pour améliorer la sécurité routière.
• Sécurité des véhicules autonomes : Détecter les piétons, les cyclistes et les obstacles inattendus pour éviter les collisions.

Repérer les irrégularités dans l'électronique

L'inspection manuelle des appareils électroniques peut être lente, incohérente et sujette à l'erreur humaine, ce qui signifie que les défauts des micropuces, des cartes de circuits imprimés et des connexions de soudure peuvent passer inaperçus. Même de petits défauts, comme un joint de soudure fissuré ou un composant mal aligné, peuvent provoquer des perturbations du signal, des défaillances du système ou des courts-circuits, ce qui conduit à des appareils peu fiables.

Grâce à la détection d'anomalies YOLO11, les fabricants peuvent automatiser ce processus et identifier rapidement des problèmes tels que des pièces mal alignées, des soudures défectueuses ou des défauts électriques avec une précision bien supérieure à celle des méthodes traditionnelles. Par exemple, un minuscule espace dans un joint de soudure qui pourrait être manqué par des inspecteurs humains peut être facilement détecté par la détection d'objets de YOLO11.

Principaux enseignements

Alors que les industries se tournent vers la détection d'anomalies basée sur la vision par ordinateur, des modèles comme YOLO11 deviennent essentiels pour maintenir la qualité, améliorer la sécurité et réduire les risques opérationnels.  

De la fabrication à l'agriculture, la détection d'anomalies pilotée par l'IA peut améliorer la précision, accélérer les inspections et minimiser les erreurs humaines. À l'avenir, les progrès de l'IA rendront probablement la détection des anomalies plus précise. 

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en savoir plus sur l'intelligence artificielle. Prêt à lancer tes propres projets de vision par ordinateur ? Jette un coup d'œil à nos options de licence. Découvre l'IA dans l'agriculture et l'IA de vision dans les soins de santé en visitant nos pages de solutions !