Vision AI cho phát hiện bất thường: Tổng quan nhanh

Một vết nứt nhỏ trên cánh máy bay, nhãn in sai trên thuốc, hoặc một giao dịch tài chính bất thường đều có thể gây ra những vấn đề nghiêm trọng nếu không được phát hiện. Mọi ngành công nghiệp đều phải đối mặt với thách thức trong việc xác định sớm các vấn đề rủi ro để ngăn ngừa hỏng hóc, tổn thất tài chính hoặc rủi ro an toàn.

Cụ thể, các điểm bất thường cần phải được phát hiện. Phát hiện bất thường tập trung vào việc xác định các khuôn mẫu không khớp với hành vi mong đợi. Mục tiêu là gắn cờ các lỗi, sai sót hoặc hoạt động không thường xuyên mà nếu không sẽ không bị chú ý. Các phương pháp truyền thống dựa vào các quy tắc cố định để tìm những bất thường này, nhưng chúng thường chậm và gặp khó khăn với các biến thể phức tạp. Đây là lúc thị giác máy tính đóng vai trò quan trọng.

Bằng cách học từ các tập dữ liệu hình ảnh lớn, các model thị giác máy tính như Ultralytics YOLO11 có thể phát hiện các điểm bất thường chính xác hơn so với các phương pháp truyền thống.

Trong bài viết này, chúng ta sẽ khám phá cách thức hoạt động của tính năng phát hiện bất thường dựa trên thị giác máy tính và cách YOLO11 có thể hỗ trợ.

Link to this sectionNhu cầu phát hiện bất thường#

Đối với thị giác máy tính, các điểm bất thường hoặc điểm không đều thường xuất hiện dưới dạng lỗi hoặc các khuôn mẫu bất thường trong hình ảnh và video. Trong nhiều năm, các doanh nghiệp đã dựa vào việc kiểm tra thủ công hoặc các hệ thống dựa trên quy tắc để phát hiện lỗi.

Ví dụ, trong sản xuất dược phẩm, các bất thường trên viên thuốc có thể bao gồm vết nứt, hình dạng không chính xác, đổi màu hoặc thiếu dấu in, điều này có thể làm giảm chất lượng và sự an toàn. Việc phát hiện sớm các lỗi này là rất quan trọng để ngăn các sản phẩm lỗi đến tay người tiêu dùng. Tuy nhiên, các phương pháp phát hiện bất thường thủ công thường chậm, không nhất quán và không thể xử lý sự phức tạp của các bất thường trong thực tế.

Hình 1. Phát hiện bất thường trong ngành dược phẩm.

Phát hiện bất thường dựa trên AI giải quyết các thách thức này bằng cách học từ các tập dữ liệu khổng lồ, liên tục cải thiện khả năng nhận diện khuôn mẫu theo thời gian. Không giống như các phương pháp dựa trên quy tắc cố định, các hệ thống AI có thể học hỏi và cải thiện dần.

Các model tiên tiến như YOLO11 nâng cao khả năng phát hiện bất thường bằng cách cho phép phân tích hình ảnh thời gian thực với độ chính xác cao. Các hệ thống Vision AI có thể phân tích chi tiết trong hình ảnh như hình dạng, kết cấu và cấu trúc, giúp việc phát hiện các điểm không đều trở nên nhanh chóng và chính xác hơn.

Link to this sectionCách thị giác máy tính hỗ trợ phát hiện bất thường#

Các hệ thống phát hiện bất thường được vận hành bởi Vision AI hoạt động bằng cách trước tiên thu thập hình ảnh hoặc video chất lượng cao sử dụng camera, cảm biến hoặc drone. Dữ liệu hình ảnh rõ ràng là chìa khóa, dù là để phát hiện sản phẩm lỗi trên dây chuyền nhà máy, phát hiện người trái phép trong khu vực bảo mật hay xác định chuyển động bất thường tại không gian công cộng.

Sau khi thu thập, hình ảnh hoặc video sẽ trải qua các kỹ thuật xử lý ảnh như giảm nhiễu, tăng cường độ tương phản và ngưỡng hóa (thresholding). Các bước tiền xử lý này giúp các model Vision AI tập trung vào các chi tiết quan trọng trong khi lọc bỏ nhiễu nền, cải thiện độ chính xác trên nhiều ứng dụng, từ giám sát an ninh đến chẩn đoán y tế và điều khiển giao thông.

Sau khi tiền xử lý, thị giác máy tính được sử dụng để phân tích hình ảnh và nhận diện bất cứ thứ gì khác thường. Khi một điểm bất thường được gắn cờ, hệ thống có thể kích hoạt cảnh báo, chẳng hạn như thông báo cho công nhân loại bỏ sản phẩm lỗi, cảnh báo nhân viên an ninh về mối đe dọa tiềm ẩn hoặc thông báo cho đơn vị vận hành giao thông để giải tỏa ùn tắc.

Hình 2. Các ví dụ về lỗi có thể được phát hiện bằng Vision AI.

Link to this sectionPhát hiện bất thường sử dụng các khả năng của YOLO11#

Hãy cùng xem xét kỹ hơn cách các model thị giác máy tính như YOLO11 có thể phân tích hình ảnh để phát hiện các bất thường.

YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính như phát hiện đối tượng, phân loại hình ảnh, phân đoạn thực thể (instance segmentation), theo dõi đối tượng và ước tính tư thế. Các tác vụ này giúp việc phát hiện bất thường trong các ứng dụng thực tế khác nhau trở nên đơn giản hơn.

Ví dụ, phát hiện đối tượng có thể được sử dụng để xác định các sản phẩm lỗi trên dây chuyền lắp ráp, cá nhân trái phép trong khu vực hạn chế hoặc các vật phẩm bị đặt nhầm vị trí trong kho hàng. Tương tự, phân đoạn thực thể giúp có thể xác định chính xác các bất thường, chẳng hạn như vết nứt trên máy móc hoặc sự nhiễm bẩn trong sản phẩm thực phẩm.

Hình 3. Phân đoạn vết nứt với sự hỗ trợ của YOLO11.

Dưới đây là một số ví dụ khác về các tác vụ thị giác máy tính được sử dụng để phát hiện bất thường:

• Theo dõi đối tượng: Có thể được sử dụng để giám sát các khuôn mẫu chuyển động nhằm phát hiện các mối đe dọa an ninh, theo dõi các bất thường của phương tiện trong giao thông, hoặc đánh giá chuyển động của bệnh nhân trong chăm sóc sức khỏe.
• Ước tính tư thế: YOLO11 có thể phát hiện các chuyển động cơ thể bất thường để xác định các mối nguy hiểm an toàn tại nơi làm việc hoặc theo dõi tiến trình phục hồi chức năng trong y tế.
• Phát hiện hộp bao quanh định hướng (OBB): Cải thiện phát hiện bất thường bằng cách xác định và định vị chính xác các đối tượng bị xoay hoặc đặt nghiêng, hữu ích cho phân tích hình ảnh trên không, lái xe tự động và kiểm tra công nghiệp.

Link to this sectionTại sao bạn nên sử dụng YOLO11?#

Trong số nhiều model thị giác máy tính khác, các model Ultralytics YOLO nổi bật nhờ tốc độ và độ chính xác. Ultralytics YOLOv5 đơn giản hóa việc triển khai với framework dựa trên PyTorch, giúp người dùng dễ dàng tiếp cận hơn. Trong khi đó, Ultralytics YOLOv8 tiếp tục tăng cường tính linh hoạt bằng cách giới thiệu hỗ trợ cho các tác vụ như phân đoạn thực thể, theo dõi đối tượng và ước tính tư thế, giúp nó thích ứng tốt hơn với các ứng dụng khác nhau.

Phiên bản mới nhất, YOLO11, cung cấp độ chính xác và hiệu suất vượt trội so với các phiên bản tiền nhiệm. Ví dụ, với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m mang lại độ chính xác trung bình (mAP) cao hơn trên tập dữ liệu COCO, cho phép phát hiện đối tượng chính xác và hiệu quả hơn.

Link to this sectionCách huấn luyện tùy chỉnh (custom-train) YOLO11 để phát hiện bất thường#

Huấn luyện tùy chỉnh YOLO11 để phát hiện bất thường rất đơn giản và trực quan. Với tập dữ liệu được thiết kế cho ứng dụng cụ thể của bạn, bạn có thể tinh chỉnh model để phát hiện bất thường một cách chính xác.

Thực hiện theo các bước đơn giản sau để bắt đầu:

• Chuẩn bị tập dữ liệu của bạn: Thu thập hình ảnh chất lượng cao bao gồm cả các mẫu bình thường và mẫu bất thường. Đảm bảo bao gồm các biến thể về ánh sáng, góc độ và độ phân giải để giúp model thích ứng tốt hơn.
• Gán nhãn dữ liệu của bạn: Đánh dấu các điểm bất thường bằng bounding box, phân đoạn hoặc các điểm chính (key points) để model biết cần tìm kiếm gì. Các công cụ mã nguồn mở giúp quá trình này nhanh hơn và dễ dàng hơn.
• Huấn luyện model: Model học qua nhiều chu kỳ, cải thiện khả năng nhận diện các trường hợp bình thường và bất thường trong thời gian thực.
• Kiểm tra và xác thực: Chạy model đã huấn luyện trên các hình ảnh mới chưa từng thấy để đánh giá hiệu suất và đảm bảo model hoạt động tốt trước khi triển khai.

Ngoài ra, khi xây dựng hệ thống phát hiện bất thường, điều quan trọng là phải xem xét liệu việc huấn luyện tùy chỉnh có thực sự cần thiết hay không. Trong một số trường hợp, một model được huấn luyện trước (pre-trained) đã là đủ.

Ví dụ, nếu bạn đang phát triển hệ thống quản lý giao thông và bất thường bạn cần phát hiện là người đi bộ qua đường không đúng nơi quy định, model YOLO11 đã được huấn luyện trước có thể phát hiện người với độ chính xác cao. Vì "person" (người) là danh mục được biểu diễn tốt trong tập dữ liệu COCO (mà model đã được huấn luyện trước trên đó), nên không cần phải huấn luyện thêm.

Huấn luyện tùy chỉnh trở nên cần thiết khi các điểm bất thường hoặc đối tượng bạn cần phát hiện không có trong tập dữ liệu COCO. Nếu ứng dụng của bạn yêu cầu xác định các lỗi hiếm gặp trong sản xuất, các tình trạng y tế cụ thể trong hình ảnh hoặc các đối tượng độc đáo không được bao phủ bởi các tập dữ liệu tiêu chuẩn, thì việc huấn luyện model trên dữ liệu đặc thù của lĩnh vực sẽ đảm bảo hiệu suất và độ chính xác tốt hơn.

Link to this sectionCác ứng dụng thực tế của phát hiện bất thường dựa trên thị giác máy tính#

Phát hiện bất thường là một khái niệm rộng bao gồm nhiều ứng dụng trong thế giới thực. Hãy cùng đi qua một vài ứng dụng này và xem cách thị giác máy tính giúp xác định các điểm không đều, cải thiện hiệu quả và nâng cao khả năng ra quyết định trong các ngành công nghiệp khác nhau.

Link to this sectionPhát hiện bất thường trong sản xuất#

Thị giác máy tính trong sản xuất giúp duy trì các tiêu chuẩn chất lượng cao bằng cách phát hiện lỗi, sự sai lệch và thiếu hụt linh kiện trên các dây chuyền sản xuất. Các model thị giác máy tính có thể gắn cờ ngay lập tức các sản phẩm bị lỗi, ngăn chúng di chuyển tiếp trên dây chuyền và giảm thiểu lãng phí. Việc phát hiện sớm các vấn đề như lỗi nguyên liệu, lỗi đóng gói hoặc các thành phần cấu trúc yếu giúp ngăn ngừa các vụ thu hồi tốn kém và tổn thất tài chính.

Ngoài việc kiểm soát chất lượng, phát hiện bất thường còn có thể cải thiện an toàn tại nơi làm việc. Các nhà máy thường xuyên xử lý nhiệt, khói và khí thải độc hại, có thể dẫn đến nguy cơ hỏa hoạn. Các model Vision AI có thể phát hiện các khuôn mẫu khói bất thường, máy móc quá nhiệt hoặc thậm chí là các dấu hiệu sớm của hỏa hoạn, cho phép các nhà sản xuất thực hiện hành động trước khi tai nạn xảy ra.

Hình 4. Thị giác máy tính đang được sử dụng để phát hiện hỏa hoạn và khói.

Link to this sectionXác định các trường hợp biên (edge cases) trong ngành ô tô#

Ngành công nghiệp ô tô có thể sử dụng các model như YOLO11 để phát hiện các lỗi trong động cơ, hệ thống phanh và bộ phận truyền động trước khi chúng dẫn đến hỏng hóc nghiêm trọng. Sử dụng hỗ trợ của YOLO11 cho phát hiện đối tượng và phân đoạn thực thể, việc xác định chính xác các bất thường mà kiểm tra thủ công có thể bỏ sót trở nên dễ dàng hơn.

Dưới đây là một số ví dụ khác về phát hiện bất thường trong ngành công nghiệp ô tô:

• Phát hiện bất thường giao thông: Nhận diện các phương tiện di chuyển ngược chiều, lấn làn đột ngột hoặc truy cập trái phép vào các khu vực hạn chế.
• Giám sát hành vi lái xe: Xác định tình trạng buồn ngủ khi lái xe, hành vi mất tập trung hoặc đánh lái thất thường để cải thiện an toàn đường bộ.
• An toàn phương tiện tự lái: Phát hiện người đi bộ, người đi xe đạp và các chướng ngại vật bất ngờ để ngăn ngừa va chạm.

Link to this sectionPhát hiện những điểm không đều trong thiết bị điện tử#

Việc kiểm tra thiết bị điện tử thủ công có thể chậm, không nhất quán và dễ xảy ra lỗi do con người, nghĩa là các lỗi trong vi mạch, bảng mạch và các mối hàn có thể không bị chú ý. Ngay cả những lỗi nhỏ, như mối hàn bị nứt hoặc linh kiện bị lệch, cũng có thể gây ra gián đoạn tín hiệu, hỏng hệ thống hoặc đoản mạch, dẫn đến các thiết bị không đáng tin cậy.

Với tính năng phát hiện bất thường chạy trên YOLO11, các nhà sản xuất có thể tự động hóa quy trình này và nhanh chóng xác định các vấn đề như linh kiện bị lệch, mối hàn lỗi hoặc các lỗi điện với độ chính xác cao hơn nhiều so với các phương pháp truyền thống. Ví dụ, một khe hở nhỏ trong mối hàn mà thanh tra con người có thể bỏ lỡ có thể dễ dàng được phát hiện bởi tính năng phát hiện đối tượng của YOLO11.

Link to this sectionNhững điểm chính cần lưu ý#

Khi các ngành công nghiệp chuyển sang phát hiện bất thường bằng thị giác máy tính, các model như YOLO11 đang trở nên thiết yếu để duy trì chất lượng, cải thiện an toàn và giảm thiểu rủi ro vận hành.

Từ sản xuất đến nông nghiệp, phát hiện bất thường do AI điều khiển có thể nâng cao độ chính xác, tăng tốc độ kiểm tra và giảm thiểu lỗi do con người. Trong tương lai, những tiến bộ trong AI có khả năng sẽ làm cho việc phát hiện bất thường trở nên chính xác hơn nữa.

Tham gia community đang phát triển của chúng tôi! Khám phá GitHub repository của chúng tôi để tìm hiểu thêm về AI. Bạn đã sẵn sàng để bắt đầu các dự án thị giác máy tính của riêng mình chưa? Hãy xem các licensing options của chúng tôi. Khám phá AI in agriculture và vision AI in healthcare bằng cách truy cập các trang giải pháp của chúng tôi!