KI-Lösungen für maschinelles Sehen mit Azure IoT Edge
In dieser Artikelreihe erfahren Sie, wie Sie eine Workload für maschinelles Sehen mit Azure IoT Edge planen und entwerfen. Sie können Azure IoT Edge auf Geräten ausführen und in Azure Machine Learning, Azure Storage, Azure App Services und Power BI integrieren, um End-to-End-KI-Lösungen für maschinelles Sehen zu erhalten.
Die visuelle Untersuchung von Produkten, Ressourcen und Umgebungen ist in vielen Bereichen unverzichtbar. Von Menschen durchgeführte Sichtprüfungen und Analysen sind ineffizient und ungenau. Unternehmen setzen heutzutage auf künstliche neuronale Deep Learning-Netze – sogenannte Convolutional Neural Networks (CNNs) –, um das menschliche Sehen zu emulieren. Die Verwendung von CNNs für die automatische Bilderfassung und -analyse wird allgemein als maschinelles Sehen oder einfach als Vision AI (Sehen per künstlicher Intelligenz) bezeichnet.
Technologien wie Containerisierung unterstützen Portabilität, was die Migration von KI-Modellen für maschinelles Sehen zum Netzwerkedge ermöglicht. Sie können Rückschlussmodelle für maschinelles Sehen in der Cloud trainieren, die Modelle containerisieren und mithilfe dieser Modelle benutzerdefinierte Module für Geräte erstellen, die für die Azure IoT Edge-Runtime geeignet sind. Die Bereitstellung von KI-Lösungen für maschinelles Sehen am Edge führt zu Leistungs- und Kostenvorteilen.
Anwendungsfälle
Anwendungsfälle für KI-Lösungen für maschinelles Sehen reichen vom Fertigungsbereich über den Einzelhandel und das Gesundheitswesen bis hin zum öffentlichen Sektor. Typische Anwendungsfälle für KI-Lösungen für maschinelles Sehen sind Qualitätssicherung, Schutz und Sicherheit.
Qualitätssicherung
In Produktionsumgebungen ermöglicht KI für maschinelles Sehen eine schnelle und genaue Untersuchung von Teilen und Prozessen. Eine automatisierte Qualitätsinspektion bietet folgende Vorteile:
- Konsistente Überwachung des Fertigungsprozesses
- Sicherstellung einer ordnungsgemäßen Produktmontage
- Frühzeitige Fehlerbenachrichtigungen
Ein Beispielszenario für diesen Anwendungsfall finden Sie unter Benutzerszenario 1: Qualitätslenkung.
Schutz und Sicherheit
Eine automatisierte visuelle Überwachung ermöglicht die Erkennung potenzieller Gefahren und Sicherheitsprobleme. Dank der Automatisierung bleibt mehr Zeit, um auf Vorfälle zu reagieren, und sie bietet mehr Möglichkeiten zur Risikominderung. Die automatisierte Sicherheitsüberwachung hat folgende Vorteile:
- Überwachung der Einhaltung von Richtlinien im Zusammenhang mit persönlicher Schutzausrüstung
- Überwachung des Zugangs zu nicht autorisierten Bereichen und Warnung bei Verstößen
- Warnung bei nicht identifizierten Objekten
- Erfassung nicht gemeldeter Gefahrensituationen oder Beinahe-Unfälle zwischen Menschen und Ausrüstung
Ein Beispielszenario für diesen Anwendungsfall finden Sie unter Benutzerszenario 2: Sicherheit.
Architektur
KI-Lösungen für maschinelles Sehen mit IoT Edge umfassen mehrere Komponenten und Prozesse. Die Artikel in dieser Reihe enthalten ausführliche Planungs- und Entwurfsleitfäden für jeden Bereich.
- Kameras erfassen die Bilddaten, die als Eingabe für das IoT Edge Vision-KI-System verwendet werden. Weitere Informationen finden Sie unter Kameraauswahl für Azure IoT Edge Vision-KI.
- Die Hardwarebeschleunigung auf IoT Edge-Geräten sorgt für die erforderliche Verarbeitungsleistung für Computergrafik und KI-Algorithmen. Weitere Informationen finden Sie unter Hardwarebeschleunigung für Azure IoT Edge Vision-KI.
- Die eingehenden Bilddaten werden von ML-Modellen bewertet, die als IoT Edge-Module bereitgestellt werden. Weitere Informationen finden Sie unter Maschinelles Lernen in IoT Edge Vision-KI.
- Das IoT Edge-Gerät sendet relevante Bilddaten und Metadaten zur Speicherung an die Cloud. Gespeicherte Daten werden zum erneuten Trainieren des maschinellen Lernens sowie zur Problembehandlung und Analyse verwendet. Weitere Informationen finden Sie unter Bildspeicherung und -verwaltung in Azure IoT Edge Vision-KI.
- Benutzer interagieren mit dem System über Benutzeroberflächen wie Apps, Visualisierungen und Dashboards. Weitere Informationen finden Sie unter Benutzeroberflächen und -szenarien für Azure IoT Edge Vision-KI.
Überlegungen
Workloads für maschinelles Sehen können unter anderem aus Leistungs- und Kostengründen von der Cloud zum Edge migriert werden.
Überlegungen zur Leistung
- Wenn weniger Daten in die Cloud exportiert werden, trägt dies zur Entlastung der Netzwerkinfrastruktur und somit zur Vermeidung von Leistungsproblemen bei.
- Durch die lokale Bewertung von Daten lassen sich nicht akzeptable Antwortwartezeiten vermeiden.
- Lokale Warnungen tragen zur Vermeidung von Verzögerungen und zusätzlicher Komplexität bei.
Beispielsweise kann umgehendes Eingreifen erforderlich sein, wenn eine Person einen Bereich betritt, für den sie keine Zugangsberechtigung hat. Die Positionierung des Bewertungsmodells in der Nähe des Datenerfassungspunkts ermöglicht Bildbewertungen und Warnungen nahezu in Echtzeit.
Kostenbetrachtung
Wenn Daten lokal bewertet und nur relevante Daten an die Cloud gesendet werden, kann dies die Rentabilität (Return On Investment, ROI) einer Initiative für maschinelles Sehen verbessern. Benutzerdefinierte IoT Edge-Module für maschinelles Sehen können Bilddaten über ML-Modelle bewerten und nur relevante Bilder zur weiteren Verarbeitung an die Cloud senden. Da in diesem Fall nur ausgewählte Bilder gesendet werden, verringert sich die Menge der Daten, die an die Cloud übertragen werden, was zu niedrigeren Kosten führt.
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautor:
- Keith Hill | Senior PM Manager
Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.
Nächste Schritte
Den nächsten Artikel dieser Reihe zu IoT Edge Vision-KI finden Sie hier:
Weitere Informationen zu CNNs, KI für maschinelles Sehen, Azure Machine Learning und Azure IoT Edge finden Sie in der folgenden Dokumentation:
- Azure IoT Edge-Dokumentation
- Azure Machine Learning-Dokumentation
- Tutorial: Durchführen von Bildklassifizierungen im Edge-Bereich mit dem Custom Vision Service
- Worum handelt es sich bei maschinellem Sehen?
- Azure Kinect DK-Dokumentation
- ML-Framework ONNX (Open Neural Network Exchange)
- MMdnn-Tool (Model Management deep neural network)
Zugehörige Ressourcen
Weitere Architekturen, Beispiele und Ideen für maschinelles Sehen mit Azure IoT finden Sie in den folgenden Artikeln: