异常检测

异常检测如何工作

异常检测系统通常会学习训练数据集中的正常模式。这种学习可以通过各种方法进行：

1. 统计方法：这些方法使用数据的统计属性，如平均值、标准偏差或概率分布，来定义正常范围。超出此范围的数据点被视为异常。
2. 机器学习方法：
   • 聚类：像DBSCAN这样的算法会将相似的数据点组合在一起。不属于任何聚类或属于很小聚类的点都会被标记为异常点。
   • 分类： 支持向量机 (SVM)或神经网络 (NN)等技术可以通过训练来区分正常数据和异常数据，通常需要两者都有标记的示例（监督学习）。
   • 自动编码器：这些神经网络学会压缩和重建正常数据。异常数据通常会导致较高的重构误差，从而使异常数据被检测到。这是一种无监督学习，因为它主要是从正常数据中学习。

方法的选择取决于数据的性质和具体的应用要求。

异常检测与相关概念的比较

必须将异常检测与相关的计算机视觉 (CV)和 ML 任务区分开来：

• 物体检测：这项任务的重点是在图像中识别和定位已知类型的物体（例如，找到所有汽车和行人）。异常检测，尤其是在视觉领域，可能会识别出不属于预定义类别的意外物体或缺陷。例如，检测表面的裂缝，而不是识别表面本身。
• 图像分类：它将图像归入若干预定义类别之一（例如，将图像分类为包含 "猫 "或 "狗"）。异常检测可识别不符合任何正常、预期类别的图像或模式。

实际应用

异常检测应用广泛：

• 生产质量控制：利用视觉系统识别生产线上的划痕、裂缝或错位部件等缺陷。制造业中的人工智能可利用这一点防止有问题的产品流入消费者手中。例如，系统可以将标签印刷错误的瓶子标记为异常。您可以了解有关计算机视觉如何改进质量控制的更多信息。
• 网络安全：检测异常网络流量模式、来自意外位置的登录尝试或异常系统行为，这些可能表明存在恶意软件、入侵或拒绝服务攻击。网络安全和基础设施安全局（CISA）等机构强调了此类检测方法的重要性。
• 金融欺诈检测：识别非典型交易模式，如异常大额购物或来自陌生地点的交易，这可能是欺诈活动的信号。探索人工智能如何影响金融。
• 医疗保健：在医学图像分析中检测异常结果，例如识别扫描中的肿瘤或标记异常的病人生命体征。了解YOLO 模型如何用于肿瘤检测。
• 系统健康监测：监控工业设备或 IT 基础设施的传感器和日志，根据正常运行参数的偏差预测故障或检测性能问题。查看使用YOLO11监控遗留系统。

工具和技术

开发异常检测系统通常涉及标准 ML 库和专业平台。框架，如 PyTorch和 TensorFlow等框架为构建自定义模型提供了基本工具。对于基于视觉的任务，像 Ultralytics YOLO等模型。虽然预训练的YOLO 模型擅长检测普通物体，但它们可以在特定数据集上进行定制训练，以识别特定领域的异常情况，如独特的缺陷或不寻常的视觉模式。Ultralytics HUB等平台为高效训练、部署和管理此类模型提供了集成环境。

异常检测是现代人工智能和 ML 的一项重要功能，可主动识别各行各业的关键问题和偏差。在我们的Ultralytics 术语表中探索更多相关概念。