Sdílet prostřednictvím

Vision AI solutions with Azure IoT Edge

  • Článek

Tato série článků popisuje, jak naplánovat a navrhnout úlohu počítačového zpracování obrazu, která používá Azure IoT Edge. Azure IoT Edge můžete spouštět na zařízeních a integrovat je se službou Azure Machine Learning, Azure Storage, Aplikace Azure Services a Power BI pro ucelená řešení AI.

Vizuální kontrola produktů, prostředkůach Lidské vizuální kontroly a analýzy podléhají neefektivitě a nepřesnosti. Podniky teď používají umělé neurální sítě hlubokého učení označované jako konvoluční neurální sítě (CNN) k emulaci lidské vize. Použití sítí CNN pro automatizovaný vstup a analýzu obrázků se běžně označuje jako počítačové zpracování obrazu nebo umělá inteligence pro zpracování obrazu.

Technologie, jako je kontejnerizace, podporují přenositelnost, což umožňuje migraci modelů vision AI na hraniční síť. Modely odvozování obrazu můžete trénovat v cloudu, kontejnerizovat modely a používat je k vytváření vlastních modulů pro zařízení s podporou modulu runtime Azure IoT Edge. Nasazení řešení vision AI na hraničních zařízeních přináší výhody výkonu a nákladů.

Případy použití

Případy použití vizuelní umělé inteligence zahrnují výrobu, maloobchod, zdravotnictví a veřejný sektor. Mezi typické případy použití umělé inteligence zraku patří kontrola kvality, bezpečnost a zabezpečení.

Kontrola kvality

Ve výrobních prostředích dokáže umělá inteligence pro zpracování obrazu rychle a přesně kontrolovat díly a procesy. Automatizovaná kontrola kvality může:

  • Monitorujte konzistenci výrobního procesu.
  • Zkontrolujte správné sestavení produktu.
  • Poskytněte oznámení o raných vadách.

Ukázkový scénář pro tento případ použití najdete v tématu Scénář 1: Kontrola kvality.

Bezpečnost a zabezpečení

Automatizované vizuální monitorování může vyhledávat potenciální problémy se zabezpečením a zabezpečením. Automatizace může poskytnout více času na reakci na incidenty a více příležitostí ke snížení rizika. Automatizované bezpečnostní monitorování může:

  • Sledujte dodržování pokynů k osobním ochranným prostředkům.
  • Monitorování a upozorňování na vstup do neautorizovaných zón
  • Upozornění na neidentifikované objekty
  • Zaznamenávání neshořených blízkých hovorů nebo pěších zařízení téměř zmeškaných.

Ukázkový scénář pro tento případ použití najdete v tématu Scénář 2: Bezpečnost.

Architektura

Řešení umělé inteligence pro IoT Edge zahrnují několik komponent a procesů. Články v této sérii poskytují podrobné pokyny k plánování a návrhu pro každou oblast.

Diagram znázorňující základní komponenty řešení AI pro IoT Edge

  1. Kamery zachycují data obrázků pro vstup do systému Umělé inteligence pro zpracování obrazu IoT Edge. Podívejte se na výběr kamery pro umělou inteligenci pro zpracování obrazu Azure IoT Edge.
  2. Hardwarová akcelerace na zařízeních IoT Edge poskytuje potřebný výpočetní výkon pro počítačové grafiky a algoritmy AI. Viz Hardwarová akcelerace v Azure IoT Edge vision AI.
  3. Modely ML nasazené jako moduly IoT Edge ohodnotí příchozí data imagí. Viz Strojové učení v Azure IoT Edge vision AI.
  4. Zařízení IoT Edge odesílá relevantní data a metadata obrázků do cloudu pro úložiště. Uložená data se používají k opětovnému natrénování, odstraňování potíží a analýzám STROJOVÉho učení. Viz Image Storage and Management for Azure IoT Edge Vision AI.
  5. Uživatelé komunikují se systémem prostřednictvím uživatelských rozhraní, jako jsou aplikace, vizualizace a řídicí panely. Viz Uživatelská rozhraní a scénáře v azure IoT Edge vision AI.

Důležité informace

Mezi důvody migrace úloh počítačového zpracování obrazu z cloudu do hraničních zařízení patří výkon a náklady.

Důležité informace o výkonu

  • Export méně dat do cloudu snižuje zatížení síťové infrastruktury, která může způsobit problémy s výkonem.
  • Hodnocení dat místně pomáhá zabránit nepřijatelné latenci odezvy.
  • Místní upozorňování se vyhne zpoždění a větší složitosti.

Například osoba, která vstupuje do neoprávněné oblasti, může potřebovat okamžitý zásah. Umístění modelu bodování poblíž bodu příjmu dat umožňuje vyhodnocování a upozorňování v téměř reálném čase.

Důležité informace o nákladech

Hodnocení dat místně a odesílání pouze relevantních dat do cloudu může zlepšit návratnost investic (ROI) iniciativy počítačového zpracování obrazu. Moduly pro vlastní zpracování obrazu IoT Edge můžou vyhodnotit data obrázků na modely ML a odesílat do cloudu pouze obrázky, které jsou považovány za relevantní s rozumnou jistotou, pro další zpracování. Odesílání jenom vybraných obrázků snižuje objem dat v cloudu a snižuje náklady.

Přispěvatelé

Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.

Hlavní autor:

Pokud chcete zobrazit neveřejné profily LinkedIn, přihlaste se na LinkedIn.

Další kroky

Pokud chcete pokračovat v této sérii o umělé inteligenci pro zpracování obrazu IoT Edge, přejděte k dalšímu článku:

Výběr kamery pro umělou inteligenci pro zpracování obrazu Ve službě Azure IoT Edge

Další informace o sítích CNN, vision AI, Azure Machine Learning a Azure IoT Edge najdete v následující dokumentaci:

Další architektury počítačového zpracování obrazu, příklady a nápady, které používají Azure IoT, najdete v následujících článcích: