Explora como a visão computacional permite a deteção precisa de anomalias em várias indústrias. Aprende a treinar modelos personalizados como o Ultralytics YOLO11 para deteção de anomalias.
Uma pequena fenda na asa de um avião, um rótulo mal impresso num medicamento ou uma transação financeira invulgar podem causar problemas graves se não forem detectados. Todas as indústrias enfrentam o desafio de tentar detetar quaisquer problemas de risco numa fase inicial para evitar falhas, perdas financeiras ou riscos de segurança.
Especificamente, as anomalias precisam de ser detectadas. A deteção de anomalias está centrada na identificação de padrões que não correspondem aos comportamentos esperados. Pretende assinalar defeitos, erros ou actividades irregulares que, de outra forma, poderiam passar despercebidos. Os métodos tradicionais baseiam-se em regras fixas para encontrar estas anomalias, mas são frequentemente lentos e têm dificuldades com variações complexas. É aqui que a visão computacional desempenha um papel crucial.
Ao aprender com grandes conjuntos de dados visuais, os modelos de visão por computador, como o Ultralytics YOLO11 podem detetar irregularidades com mais precisão do que os métodos tradicionais.
Neste artigo, vamos explorar como funciona a deteção de anomalias com base na visão e como YOLO11 pode ajudar.
No que respeita à visão por computador, as anomalias ou irregularidades aparecem normalmente como defeitos ou padrões invulgares em imagens e vídeos. Durante anos, as empresas confiaram em inspecções manuais ou em sistemas baseados em regras para detetar defeitos.
Por exemplo, no fabrico de produtos farmacêuticos, as anomalias nos comprimidos podem incluir fissuras, formas incorrectas, descoloração ou falta de impressões, o que pode comprometer a qualidade e a segurança. A deteção precoce dessas falhas é vital para evitar que produtos defeituosos cheguem aos consumidores. No entanto, os métodos manuais de deteção de anomalias são muitas vezes lentos, inconsistentes e não conseguem lidar com a complexidade das irregularidades do mundo real.
A deteção de anomalias baseada em IA resolve estes desafios aprendendo com vastos conjuntos de dados, melhorando continuamente a sua capacidade de reconhecer padrões ao longo do tempo. Ao contrário dos métodos baseados em regras fixas, os sistemas de IA podem aprender e melhorar ao longo do tempo.
Modelos avançados como o YOLO11 melhoram a deteção de anomalias, permitindo a análise de imagens em tempo real com elevada precisão. Os sistemas de IA de visão podem analisar detalhes em imagens como forma, textura e estrutura, facilitando a deteção de irregularidades com rapidez e precisão.
Os sistemas de deteção de anomalias impulsionados pela Vision AI funcionam capturando primeiro imagens ou vídeos de alta qualidade utilizando câmaras, sensores ou drones. Dados visuais claros são fundamentais, quer se trate de detetar um produto defeituoso numa linha de produção, de detetar uma pessoa não autorizada numa área segura ou de identificar um movimento invulgar num espaço público.
Uma vez recolhidas, as imagens ou vídeos são submetidos a técnicas de processamento de imagem, como a redução do ruído, a melhoria do contraste e a limiarização. Estes passos de pré-processamento ajudam os modelos de IA de visão a concentrarem-se nos detalhes importantes e a filtrarem o ruído de fundo, melhorando a precisão em várias aplicações, desde a monitorização da segurança ao diagnóstico médico e ao controlo do tráfego.
Após o pré-processamento, a visão computacional pode ser usada para analisar as imagens e identificar qualquer coisa fora do normal. Assim que uma anomalia é assinalada, o sistema pode acionar um alerta, tal como notificar um trabalhador para remover um produto defeituoso, alertar o pessoal de segurança para uma potencial ameaça ou informar os operadores de tráfego para gerir o congestionamento.
Vamos ver mais de perto como os modelos de visão por computador, como o YOLO11 , são capazes de analisar imagens para detetar anomalias.
YOLO11 suporta várias tarefas de visão computacional, como a deteção de objectos, a classificação de imagens, a segmentação de instâncias, o seguimento de objectos e a estimativa de pose. Estas tarefas tornam mais simples a deteção de anomalias em diferentes aplicações do mundo real.
Por exemplo, a deteção de objectos pode ser utilizada para identificar produtos defeituosos numa linha de montagem, pessoas não autorizadas em áreas restritas ou artigos extraviados num armazém. Da mesma forma, a segmentação de instâncias permite delinear com precisão anomalias, como fissuras em máquinas ou contaminação em produtos comestíveis.
Eis alguns outros exemplos de tarefas de visão computacional utilizadas para a deteção de anomalias:
Entre vários outros modelos de visão por computador, os modelosUltralytics YOLO destacam-se pela sua rapidez e precisão. Ultralytics YOLOv5 simplificou a implementação com a sua estrutura PyTorch, tornando-o acessível a um maior número de utilizadores. Entretanto, Ultralytics YOLOv8 melhorou ainda mais a flexibilidade, introduzindo suporte para tarefas como a segmentação de instâncias, o seguimento de objectos e a estimativa de pose, tornando-o mais adaptável a diferentes aplicações.
A versão mais recente, YOLO11, oferece uma precisão e um desempenho superiores aos dos seus antecessores. Por exemplo, com menos 22% de parâmetros do que YOLOv8m, o YOLO11m oferece uma precisão média superior (mAP) no conjunto de dados COCO, permitindo uma deteção de objectos mais precisa e eficiente.
O treino personalizado YOLO11 para deteção de anomalias é simples e direto. Com um conjunto de dados concebido para a tua aplicação específica, podes afinar o modelo para detetar anomalias com precisão.
Segue estes passos simples para começar:
Além disso, ao criar um sistema de deteção de anomalias, é importante considerar se o treinamento personalizado é realmente necessário. Em alguns casos, um modelo pré-treinado pode já ser suficiente.
Por exemplo, se estás a desenvolver um sistema de gestão de tráfego e a anomalia que precisas de detetar são os peões, o modelo YOLO11 pré-treinado já consegue detetar pessoas com elevada precisão. Uma vez que "pessoa" é uma categoria bem representada no conjunto de dados COCO (no qual é pré-treinado), não há necessidade de treino adicional.
O treinamento personalizado torna-se essencial quando as anomalias ou objetos que precisas detetar não estão incluídos no conjunto de dados COCO. Se a tua aplicação requer a identificação de defeitos raros no fabrico, condições médicas específicas em imagens ou objectos únicos não abrangidos por conjuntos de dados padrão, então o treino de um modelo em dados específicos do domínio garante um melhor desempenho e precisão.
A deteção de anomalias é um conceito amplo que abrange muitas aplicações do mundo real. Vamos percorrer algumas delas e ver como a visão computacional ajuda a identificar irregularidades, melhorar a eficiência e melhorar a tomada de decisões em diferentes indústrias.
A visão computacional na fabricação ajuda a manter padrões de alta qualidade, detectando defeitos, desalinhamentos e componentes ausentes nas linhas de produção. Os modelos de visão computacional podem sinalizar instantaneamente produtos defeituosos, impedindo-os de avançar na linha e reduzindo o desperdício. A deteção precoce de problemas como defeitos de matéria-prima, erros de embalagem ou componentes estruturais fracos ajuda a evitar recalls dispendiosos e perdas financeiras.
Para além do controlo de qualidade, a deteção de anomalias pode também melhorar a segurança no local de trabalho. As fábricas lidam frequentemente com calor, fumo e emissões perigosas, o que pode levar a riscos de incêndio. Os modelos de IA de visão podem detetar padrões de fumo invulgares, maquinaria sobreaquecida ou mesmo sinais precoces de um incêndio, permitindo que os fabricantes tomem medidas antes da ocorrência de acidentes.
A indústria automóvel pode utilizar modelos como o YOLO11 para detetar falhas em motores, sistemas de travagem e componentes de transmissão antes que estas conduzam a falhas críticas. Utilizando o suporte do YOLO11para deteção de objectos e segmentação de instâncias, é fácil identificar com precisão as anomalias que as inspecções manuais podem ignorar.
Eis alguns outros exemplos de deteção de anomalias na indústria automóvel:
A inspeção manual de componentes electrónicos pode ser lenta, inconsistente e propensa a erros humanos, o que significa que os defeitos em microchips, placas de circuitos e ligações de soldadura podem passar despercebidos. Mesmo pequenos defeitos, como uma junta de solda rachada ou um componente desalinhado, podem causar interrupções no sinal, falhas no sistema ou curtos-circuitos, levando a dispositivos não confiáveis.
Com a deteção de anomalias YOLO11, os fabricantes podem automatizar este processo e identificar rapidamente problemas como peças desalinhadas, soldaduras defeituosas ou falhas eléctricas com uma precisão muito superior à dos métodos tradicionais. Por exemplo, uma pequena fenda numa junta de solda que poderia passar despercebida por inspectores humanos pode ser facilmente detectada pela deteção de objectos do YOLO11.
À medida que as indústrias se voltam para a deteção de anomalias através de visão computacional, modelos como o YOLO11 estão a tornar-se essenciais para manter a qualidade, melhorar a segurança e reduzir os riscos operacionais.
Desde a indústria transformadora à agricultura, a deteção de anomalias baseada em IA pode aumentar a precisão, acelerar as inspecções e minimizar os erros humanos. Olhando para o futuro, os avanços na IA irão provavelmente tornar a deteção de anomalias mais precisa.
Junta-te à nossa comunidade em crescimento! Explora o nosso repositório GitHub para saberes mais sobre IA. Estás pronto para iniciar os teus próprios projectos de visão computacional? Vê as nossas opções de licenciamento. Descobre a IA na agricultura e a IA de visão nos cuidados de saúde visitando as nossas páginas de soluções!
Começa a tua viagem com o futuro da aprendizagem automática
