Partager via

Solutions de vision par IA avec Azure IoT Edge

  • Article

Cette série d’articles explique comment planifier et concevoir une charge de travail de vision par ordinateur qui utilise Azure IoT Edge. Vous pouvez exécuter Azure IoT Edge sur des appareils et les intégrer à Azure Machine Learning, Stockage Azure, Azure App Services et Power BI pour des solutions de vision par IA de bout en bout.

Inspecter visuellement les produits, les ressources et les environnements est critique pour de nombreuses activités. L’inspection et l’analyse visuelles des humains sont sujettes à inefficacité et à inexactitude. Les entreprises utilisent désormais des réseaux neuronaux artificiels de deep learning, appelés réseaux neuronaux convolutifs pour émuler la vision humaine. L’utilisation de réseaux neuronaux convolutifs pour l’entrée et l’analyse automatisées d’images est communément appelée vision par ordinateur ou vision par IA.

Des technologies comme la conteneurisation prennent en charge la portabilité, qui permet de migrer des modèles de vision IA vers la périphérie du réseau. Vous pouvez entraîner des modèles d’inférence de vision dans le cloud, conteneuriser les modèles et les utiliser pour créer des modules personnalisés pour des appareils activés pour le runtime Azure IoT Edge. Le déploiement de solutions de vision par IA à la périphérie offre des avantages en matière de performances et de coût.

Cas d'utilisation

Les cas d’utilisation pour la vision par IA couvrent la fabrication, la vente au détail, la santé et le secteur public. Les cas d’usage classique de la vision par IA sont l’assurance qualité, la sûreté et la sécurité.

Assurance qualité

Dans les environnements de fabrication, la vision par IA peut inspecter des pièces et des processus rapidement et avec justesse. L’inspection automatisée de la qualité peut :

  • Superviser la continuité des processus de fabrication.
  • Vérifier l’assemblage correct des produits.
  • Fournir des notifications précoces des défauts.

Pour obtenir un exemple de scénario pour ce cas d’usage, consultez Scénario utilisateur 1 : Contrôle qualité.

Sûreté et sécurité

La supervision visuelle automatisée peut rechercher des problèmes potentiels de sûreté et de sécurité. L’automatisation peut offrir plus de temps pour répondre aux incidents et davantage d’opportunités pour réduire les risques. La supervision automatisée de la sécurité peut :

  • Suivre la conformité aux instructions sur les équipements de protection personnelle.
  • Superviser et alerter de l’entrée dans des zones non autorisées.
  • Alerter sur des objets non identifiés.
  • Enregistrer les quasi-accidents non signalés, ou ceux concernant les équipements et les piétons.

Pour obtenir un exemple de scénario pour ce cas d’usage, consultez Scénario utilisateur 2 : Sûreté.

Architecture

Les solutions de vision par IA pour IoT Edge impliquent plusieurs composants et processus. Les articles de cette série fournissent des conseils de planification et de conception approfondis pour chaque domaine.

Diagramme montrant les composants de base d’une solution de vision IoT Edge avec IA.

  1. Les caméras capturent des données d’image destinées à être entrées dans le système IoT Edge vision AI. Consultez Choix des caméras pour Azure IoT Edge vision AI.
  2. L’accélération matérielle sur des appareils IoT Edge fournit la puissance de traitement nécessaire pour la représentation graphique sur ordinateur et pour les algorithmes d’IA. Consultez Accélération matérielle dans Azure IoT Edge vision AI
  3. Les modèles ML déployés en tant que modules IoT Edge établissent le score des données d’image entrantes. Consultez Machine Learning dans Azure IoT Edge vision AI.
  4. L’appareil IoT Edge envoie les données et les métadonnées d’image pertinentes au cloud pour stockage. Les données stockées sont utilisées pour le réentraînement, la résolution des problèmes et l’analytique ML. Consultez Stockage et gestion des images dans Azure IoT Edge vision AI
  5. Les utilisateurs interagissent avec le système via des interfaces utilisateur, comme des applications, des visualisations et des tableaux de bord. Consultez Interfaces utilisateur et scénarios pour Azure IoT Edge vision AI

Considérations

Les raisons de migrer les charges de travail de vision par ordinateur du cloud vers la périphérie sont les performances et le coût.

Considérations relatives aux performances

  • L’exportation d’une moindre quantité de données dans le cloud allège la surcharge de l’infrastructure réseau, qui peut entraîner des problèmes de performances.
  • Le scoring local des données permet d’éviter une latence inacceptable de la réponse.
  • Les alertes locales évitent les délais et une complexité additionnelle.

Par exemple, le fait qu’une personne entre dans une zone non autorisée peut nécessiter une intervention immédiate. Le positionnement du modèle de scoring près du point d’ingestion des données permet le scoring des images et le déclenchement d’alertes en quasi-temps réel.

Considérations relatives au coût

Le scoring local des données et l’envoi des seules données pertinentes au cloud peuvent améliorer le retour sur investissement (ROI) d’une initiative de vision par ordinateur. Les modules de vision personnalisés d’IoT Edge peuvent établir le score des données d’image d’après les modèles ML et envoyer au cloud seulement les images estimées pertinentes avec une confiance raisonnable pour traitement ultérieur. L’envoi des seules images sélectionnées réduit la quantité de données qui transitent vers le cloud et diminue les coûts.

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Auteur principal :

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes

Pour poursuivre cette série sur IoT Edge vision AI, passez à l’article suivant :

Choix des caméras pour Azure IoT Edge vision AI

Pour en savoir plus sur les réseaux neuronaux convolutifs (CNN), la vision par IA, Azure Machine Learning et Azure IoT Edge, consultez la documentation suivante :

Pour plus d’informations sur les architectures, des exemples et des idées de vision par ordinateur utilisant Azure IoT, consultez les articles suivants :