Vision AI per il rilevamento delle anomalie: Una rapida panoramica

Una piccola crepa nell'ala di un aereo, un'etichetta sbagliata su un farmaco o un'insolita transazione finanziaria possono causare seri problemi se non vengono individuati. Ogni settore si trova ad affrontare la sfida di cercare di individuare tempestivamente qualsiasi problema rischioso per evitare fallimenti, perdite finanziarie o rischi per la sicurezza.

In particolare, è necessario rilevare le anomalie. Il rilevamento delle anomalie si concentra sull'identificazione di modelli che non corrispondono ai comportamenti previsti. L'obiettivo è segnalare difetti, errori o attività irregolari che altrimenti potrebbero passare inosservati. I metodi tradizionali si basano su regole fisse per trovare queste anomalie, ma spesso sono lenti e hanno difficoltà a gestire variazioni complesse. È qui che la computer vision gioca un ruolo fondamentale. 

Apprendendo da grandi serie di dati visivi, i modelli di computer vision come Ultralytics YOLO11 possono rilevare le irregolarità in modo più accurato rispetto ai metodi tradizionali. 

In questo articolo analizzeremo come funziona il rilevamento delle anomalie basato sulla visione e come YOLO11 può aiutarti.

La necessità di rilevare le anomalie

Per quanto riguarda la computer vision, le anomalie o le irregolarità appaiono tipicamente come difetti o schemi insoliti nelle immagini e nei video. Per anni, le aziende si sono affidate a ispezioni manuali o a sistemi basati su regole per rilevare i difetti. 

Ad esempio, nella produzione farmaceutica, le anomalie nelle compresse possono includere crepe, forme errate, scolorimento o impronte mancanti, che possono compromettere la qualità e la sicurezza. Rilevare tempestivamente questi difetti è fondamentale per evitare che i prodotti difettosi raggiungano i consumatori. Tuttavia, i metodi di rilevamento manuale delle anomalie sono spesso lenti, incoerenti e non riescono a gestire la complessità delle irregolarità del mondo reale.

‍

Il rilevamento delle anomalie basato sull'intelligenza artificiale risolve queste sfide imparando da vasti set di dati, migliorando continuamente la propria capacità di riconoscere gli schemi nel corso del tempo. A differenza dei metodi basati su regole fisse, i sistemi di intelligenza artificiale possono imparare e migliorare nel tempo.

Modelli avanzati come YOLO11 migliorano il rilevamento delle anomalie consentendo l'analisi delle immagini in tempo reale e con grande precisione. I sistemi di intelligenza artificiale sono in grado di analizzare i dettagli delle immagini, come la forma, la consistenza e la struttura, rendendo più facile individuare le irregolarità in modo rapido e preciso. 

Come la computer vision consente di rilevare le anomalie

I sistemi di rilevamento delle anomalie guidati da Vision AI funzionano acquisendo innanzitutto immagini o video di alta qualità tramite telecamere, sensori o droni. Dati visivi chiari sono fondamentali, sia che si tratti di individuare un prodotto difettoso sulla linea di una fabbrica, sia che si tratti di rilevare una persona non autorizzata in un'area protetta o di identificare un movimento insolito in uno spazio pubblico. 

Una volta raccolte, le immagini o i video vengono sottoposti a tecniche di elaborazione delle immagini come la riduzione del rumore, il miglioramento del contrasto e la sogliatura. Queste fasi di pre-elaborazione aiutano i modelli Vision AI a concentrarsi sui dettagli importanti e a filtrare il rumore di fondo, migliorando l'accuratezza in diverse applicazioni, dal monitoraggio della sicurezza alla diagnostica medica e al controllo del traffico.

Dopo la pre-elaborazione, la computer vision può essere utilizzata per analizzare le immagini e identificare qualsiasi anomalia. Una volta segnalata un'anomalia, il sistema può attivare un allarme, come ad esempio avvisare un lavoratore di rimuovere un prodotto difettoso, avvisare il personale di sicurezza di una potenziale minaccia o informare gli operatori del traffico per gestire la congestione.

‍

Rilevamento delle anomalie grazie alle funzionalità di YOLO11

Diamo un'occhiata più da vicino a come i modelli di computer vision come YOLO11 sono in grado di analizzare le immagini per rilevare le anomalie. 

YOLO11 supporta diverse attività di computer vision come il rilevamento degli oggetti, la classificazione delle immagini, la segmentazione delle istanze, il tracciamento degli oggetti e la stima della posa. Questi compiti rendono più semplice il rilevamento delle anomalie in diverse applicazioni del mondo reale.

Ad esempio, il rilevamento di oggetti può essere utilizzato per identificare prodotti difettosi in una catena di montaggio, persone non autorizzate in aree riservate o articoli fuori posto in un magazzino. Allo stesso modo, la segmentazione delle istanze permette di delineare con precisione le anomalie, come le crepe nei macchinari o la contaminazione nei prodotti commestibili.

‍

Ecco altri esempi di attività di computer vision utilizzate per il rilevamento di anomalie:

• Tracciamento degli oggetti: Può essere utilizzato per monitorare i modelli di movimento per rilevare le minacce alla sicurezza, tracciare le anomalie dei veicoli nel traffico o valutare i movimenti dei pazienti nel settore sanitario.
• Stima della posa: YOLO11 è in grado di rilevare i movimenti insoliti del corpo per identificare i rischi per la sicurezza nei luoghi di lavoro o per seguire i progressi della riabilitazione nel settore sanitario.
• Rilevamento delle bounding box orientate (OBB): Migliora il rilevamento delle anomalie identificando e localizzando con precisione gli oggetti ruotati o angolati, rendendolo utile per l'analisi delle immagini aeree, la guida autonoma e le ispezioni industriali.

Perché dovresti usare YOLO11?

Tra i vari modelli di computer vision, i modelliUltralytics YOLO si distinguono per la loro velocità e precisione. Ultralytics YOLOv5 ha semplificato l'implementazione grazie al suo framework PyTorch, rendendolo accessibile a una più ampia gamma di utenti. Nel frattempo, Ultralytics YOLOv8 ha ulteriormente migliorato la flessibilità introducendo il supporto per attività come la segmentazione delle istanze, il tracciamento degli oggetti e la stima della posa, rendendolo più adattabile a diverse applicazioni.

L'ultima versione, YOLO11, offre precisione e prestazioni superiori rispetto ai suoi predecessori. Ad esempio, con il 22% di parametri in meno rispetto a YOLOv8m, YOLO11m offre una precisione media superiore (mAP) sul set di dati COCO, consentendo un rilevamento più preciso ed efficiente degli oggetti.

Come addestrare YOLO11 per il rilevamento delle anomalie

L'addestramento personalizzato di YOLO11 per il rilevamento delle anomalie è semplice e immediato. Con un set di dati progettato per la tua specifica applicazione, puoi mettere a punto il modello per rilevare le anomalie in modo accurato. 

Segui questi semplici passi per iniziare:

• Prepara il tuo set di dati: Raccogli immagini di alta qualità che includano campioni normali e anomali. Assicurati di includere variazioni di illuminazione, angolazioni e risoluzioni per aiutare il modello ad adattarsi meglio.
• Etichetta i tuoi dati: Contrassegna le anomalie utilizzando caselle di delimitazione, segmentazione o punti chiave in modo che il modello sappia cosa cercare. Gli strumenti open-source rendono questo processo più semplice e veloce.
• Addestrare il modello: Il modello impara in più cicli, migliorando la sua capacità di identificare casi normali e anomali in tempo reale.
• Test e convalida: Esegui il modello addestrato su nuove immagini inedite per valutarne le prestazioni e assicurarti che funzioni bene prima di distribuirlo.

Inoltre, quando si costruisce un sistema di rilevamento delle anomalie, è importante considerare se la formazione personalizzata è effettivamente necessaria. In alcuni casi, un modello pre-addestrato potrebbe essere già sufficiente. 

Ad esempio, se stai sviluppando un sistema di gestione del traffico e l'anomalia che devi rilevare è quella delle persone che camminano sulle strisce, il modello YOLO11 pre-addestrato è già in grado di rilevare le persone con un'elevata precisione. Poiché "persona" è una categoria ben rappresentata nel set di dati COCO (su cui è pre-addestrato), non è necessario un ulteriore addestramento.

La formazione personalizzata diventa essenziale quando le anomalie o gli oggetti che devi rilevare non sono inclusi nel set di dati COCO. Se la tua applicazione richiede l'identificazione di difetti rari nella produzione, di condizioni mediche specifiche nelle immagini o di oggetti unici non coperti dai set di dati standard, l'addestramento di un modello su dati specifici del dominio garantisce prestazioni e accuratezza migliori.

Applicazioni del mondo reale del rilevamento delle anomalie guidato dalla visione

Il rilevamento delle anomalie è un concetto ampio che copre molte applicazioni reali. Vediamo alcune di queste e come la computer vision aiuta a identificare le irregolarità, a migliorare l'efficienza e a migliorare il processo decisionale in diversi settori.

Rilevare le anomalie nella produzione

La computer vision nel settore manifatturiero aiuta a mantenere standard di alta qualità individuando difetti, disallineamenti e componenti mancanti sulle linee di produzione. I modelli di visione computerizzata possono segnalare istantaneamente i prodotti difettosi, impedendo loro di avanzare lungo la linea e riducendo gli sprechi. L'individuazione precoce di problemi come difetti delle materie prime, errori di confezionamento o componenti strutturali deboli aiuta a prevenire costosi richiami e perdite finanziarie.

Oltre al controllo della qualità, il rilevamento delle anomalie può anche migliorare la sicurezza sul posto di lavoro. Le fabbriche hanno spesso a che fare con calore, fumo ed emissioni pericolose, che possono portare a rischi di incendio. I modelli di AI Vision possono rilevare modelli di fumo insoliti, macchinari surriscaldati o persino i primi segni di un incendio, consentendo ai produttori di intervenire prima che si verifichino incidenti.

‍

Identificare i casi limite del settore automobilistico

L'industria automobilistica può utilizzare modelli come YOLO11 per individuare i guasti nei motori, nei sistemi di frenata e nei componenti della trasmissione prima che questi portino a guasti critici. Grazie al supporto di YOLO11per il rilevamento degli oggetti e la segmentazione delle istanze, è facile identificare con precisione le anomalie che le ispezioni manuali potrebbero trascurare.

Ecco altri esempi di rilevamento di anomalie nel settore automobilistico:

• Rilevamento delle anomalie del traffico: Riconoscere i veicoli che si muovono contro il traffico, le deviazioni improvvise dalle corsie o gli accessi non autorizzati alle aree riservate.
• Monitoraggio del comportamento del conducente: Identificare la guida sonnolenta, il comportamento distratto o la guida irregolare per migliorare la sicurezza stradale.
• Sicurezza dei veicoli autonomi: Rilevare pedoni, ciclisti e ostacoli imprevisti per evitare collisioni.

Individuare le irregolarità nell'elettronica

L'ispezione manuale dei componenti elettronici può essere lenta, incoerente e soggetta a errori umani, il che significa che i difetti nei microchip, nei circuiti e nelle connessioni di saldatura possono passare inosservati. Anche piccoli difetti, come un giunto di saldatura incrinato o un componente non allineato, possono causare interruzioni del segnale, guasti al sistema o cortocircuiti, portando a dispositivi inaffidabili.

Con il rilevamento delle anomalie YOLO11, i produttori possono automatizzare questo processo e identificare rapidamente problemi come parti non allineate, saldature difettose o guasti elettrici con un'accuratezza molto maggiore rispetto ai metodi tradizionali. Ad esempio, una piccola fessura in un giunto di saldatura che potrebbe sfuggire agli ispettori umani può essere facilmente individuata dal rilevamento di oggetti di YOLO11.

Punti di forza

Man mano che le industrie si rivolgono al rilevamento delle anomalie basato sulla computer vision, modelli come YOLO11 stanno diventando essenziali per mantenere la qualità, migliorare la sicurezza e ridurre i rischi operativi.  

Dal settore manifatturiero a quello agricolo, il rilevamento delle anomalie guidato dall'intelligenza artificiale può migliorare l'accuratezza, velocizzare le ispezioni e ridurre al minimo gli errori umani. In prospettiva, i progressi dell'IA renderanno probabilmente più preciso il rilevamento delle anomalie. 

Unisciti alla nostra comunità in crescita! Esplora il nostro repository GitHub per saperne di più sull'intelligenza artificiale. Sei pronto ad avviare i tuoi progetti di computer vision? Scopri le nostre opzioni di licenza. Scopri l'IA nell'agricoltura e l'IA di visione nella sanità visitando le nostre pagine dedicate alle soluzioni!