Artikel ini menjelaskan cara menggunakan robot seluler dengan kamera streaming langsung untuk menerapkan berbagai kasus penggunaan. Solusi ini mengimplementasikan sistem yang berjalan secara lokal di Azure Stack Edge untuk menyerap dan memproses aliran video dan layanan Azure AI yang melakukan deteksi objek.
Sistem
Unduh file Visio arsitektur ini.
Alur kerja
Alur kerja ini menjelaskan cara sistem memproses data masuk:
Kamera yang diinstal pada robot mengalirkan video secara real time dengan menggunakan Real Time Streaming Protocol (RTSP).
Kontainer dalam kluster Kubernetes di Azure Stack Edge membaca aliran masuk dan membagi video menjadi gambar terpisah. Alat perangkat lunak sumber terbuka yang disebut FFmpeg menyerap dan memproses aliran video.
Gambar disimpan di akun penyimpanan Azure Stack Edge lokal.
Setiap kali bingkai kunci baru disimpan di akun penyimpanan, kontainer Visi AI mengambilnya. Untuk informasi tentang pemisahan logika ke dalam beberapa kontainer, lihat Detail skenario.
Saat memuat bingkai kunci dari kontainer penyimpanan, kontainer Visi AI mengirimkannya ke layanan Azure AI di cloud. Arsitektur ini menggunakan Azure AI Vision, yang memungkinkan deteksi objek melalui analisis gambar.
Hasil analisis gambar (objek yang terdeteksi dan peringkat keyakinan) dikirim ke kontainer deteksi anomali.
Kontainer deteksi anomali menyimpan hasil analisis gambar dan deteksi anomali dalam instans Azure SQL Database lokal Azure Stack Edge untuk referensi di masa mendatang. Menggunakan instans lokal database meningkatkan waktu akses, yang membantu meminimalkan keterlambatan akses data.
Pemrosesan data dijalankan untuk mendeteksi anomali apa pun dalam aliran video real-time yang masuk. Jika anomali terdeteksi, UI front-end menampilkan pemberitahuan.
Komponen
Azure Stack Edge digunakan untuk menghosting layanan Azure yang berjalan secara lokal, dekat dengan lokasi di mana deteksi anomali terjadi, yang mengurangi latensi.
Azure Kubernetes Service di Azure Stack Edge digunakan untuk menjalankan kluster kontainer Kubernetes yang berisi logika sistem di Azure Stack Edge dengan cara yang sederhana dan terkelola.
Azure Arc mengontrol kluster Kubernetes yang berjalan pada perangkat edge.
Azure AI Vision digunakan untuk mendeteksi objek dalam bingkai kunci aliran video.
Azure Blob Storage digunakan untuk menyimpan gambar bingkai kunci yang diekstrak dari aliran video.
Azure SQL Edge digunakan untuk menyimpan data di tepi, dekat dengan layanan yang menggunakan dan memprosesnya.
Azure Container Registry digunakan untuk menyimpan gambar kontainer Docker.
Azure Key Vault menyediakan penyimpanan keamanan yang ditingkatkan untuk rahasia atau kunci kriptografi apa pun yang digunakan oleh sistem.
Azure Monitor menyediakan pengamatan untuk sistem.
Detail skenario
Arsitektur ini menunjukkan sistem yang memproses aliran video real-time, membandingkan data real-time yang diekstrak dengan sekumpulan data referensi, dan membuat keputusan berdasarkan hasilnya. Misalnya, ini dapat digunakan untuk memberikan inspeksi terjadwal perimeter yang dipagari di sekitar lokasi yang aman.
Arsitektur ini menggunakan Azure Stack Edge untuk memastikan bahwa proses yang paling intensif sumber daya dilakukan secara lokal, dekat dengan sumber video. Desain ini secara signifikan meningkatkan waktu respons sistem, yang penting ketika respons segera terhadap anomali sangat penting.
Karena bagian sistem disebarkan sebagai kontainer independen dalam kluster Kubernetes, Anda hanya dapat menskalakan subsistem yang diperlukan sesuai dengan permintaan. Misalnya, jika Anda meningkatkan jumlah kamera untuk umpan video, Anda dapat menskalakan kontainer yang bertanggung jawab atas penyerapan dan pemrosesan video untuk menangani permintaan tetapi menjaga sisa kluster pada tingkat aslinya.
Membongkar fungsionalitas deteksi objek ke layanan Azure AI secara signifikan mengurangi keahlian yang Anda butuhkan untuk menyebarkan arsitektur ini. Kecuali persyaratan Anda untuk deteksi objek sangat khusus, pendekatan siap pakai yang Anda dapatkan dari layanan Analisis Gambar sudah cukup dan tidak memerlukan pengetahuan tentang pembelajaran mesin.
Kemungkinan kasus penggunaan
Memantau keamanan perimeter
Mendeteksi lingkungan kerja yang tidak aman di pabrik
Mendeteksi anomali dalam garis rakitan otomatis
Mendeteksi kurangnya cairan de-icing pada pesawat
Pertimbangan
Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat Anda gunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Keandalan
Keandalan memastikan aplikasi Anda dapat mencapai komitmen yang Anda buat kepada pelanggan Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keandalan.
Salah satu keuntungan terbesar menggunakan Azure Stack Edge adalah Anda mendapatkan komponen yang dikelola sepenuhnya pada perangkat keras lokal Anda. Semua komponen Azure yang dikelola sepenuhnya secara otomatis tangguh di tingkat regional.
Selain itu, menjalankan sistem dalam kluster Kubernetes memungkinkan Anda untuk membongkar tanggung jawab untuk menjaga subsistem tetap sehat untuk sistem orkestrasi Kubernetes.
Keamanan
Keamanan memberikan jaminan terhadap serangan yang disukai dan penyalahgunaan data dan sistem berharga Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keamanan.
Identitas terkelola Microsoft Entra memberikan keamanan untuk semua komponen arsitektur ini. Menggunakan identitas terkelola menghilangkan kebutuhan untuk menyimpan rahasia dalam file kode atau konfigurasi. Ini menyederhanakan kontrol akses, manajemen kredensial, dan penetapan peran.
Pengoptimalan biaya
Pengoptimalan biaya adalah tentang mengurangi pengeluaran yang tidak perlu dan meningkatkan efisiensi operasional. Untuk informasi selengkapnya, lihat Gambaran umum pilar pengoptimalan biaya.
Untuk melihat contoh harga untuk skenario ini, gunakan kalkulator harga Azure. Komponen termahal dalam skenario adalah Azure Stack Edge dan Azure Kubernetes Service. Layanan ini menyediakan kapasitas untuk menskalakan sistem untuk mengatasi peningkatan permintaan di masa depan.
Biaya penggunaan layanan Azure AI untuk deteksi objek bervariasi berdasarkan berapa lama sistem berjalan. Contoh harga sebelumnya didasarkan pada sistem yang menghasilkan satu gambar per detik dan beroperasi selama 8 jam per hari. Satu FPS cukup untuk skenario ini. Namun, jika sistem Anda perlu berjalan untuk jangka waktu yang lebih lama, biaya penggunaan layanan Azure AI lebih tinggi:
Efisiensi kinerja
Efisiensi performa adalah kemampuan beban kerja Anda untuk diskalakan agar memenuhi permintaan yang diberikan oleh pengguna dengan cara yang efisien. Untuk informasi selengkapnya, lihat Gambaran umum pilar efisiensi performa.
Karena kode disebarkan dalam kluster Kubernetes, Anda dapat memanfaatkan manfaat dari sistem orkestrasi yang kuat ini. Karena berbagai subsistem dipisahkan menjadi kontainer, Anda hanya dapat menskalakan bagian aplikasi yang paling menuntut. Pada tingkat dasar, dengan satu umpan video masuk, sistem hanya dapat berisi satu node dalam kluster. Desain ini secara signifikan menyederhanakan konfigurasi awal. Seiring dengan meningkatnya permintaan untuk pemrosesan data, Anda dapat dengan mudah menskalakan kluster dengan menambahkan simpul.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Nick Sologoub | Pemimpin Rekayasa Perangkat Lunak Utama
Kontributor lain:
- Mick Alberts | Penulis Teknis
- Frédéric Le Coquil | Insinyur Perangkat Lunak Utama
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Langkah berikutnya
Dokumentasi produk:
- Deteksi objek
- Penggunaan AI yang bertanggung jawab
- Apa itu Azure Stack Edge Pro 2?
- Azure Kubernetes Service
- Gambaran umum Azure Arc
Jalur pembelajaran terpandu:
- Menghadirkan inovasi Azure ke lingkungan hibrid Anda dengan Azure Arc
- Pengantar Azure Kubernetes Service
- Pengantar Azure Stack
- Menganalisis gambar dengan layanan Computer Vision