Solusi Vision AI dengan Azure IoT Edge
Rangkaian artikel ini menjelaskan cara merencanakan dan merancang beban kerja visi komputer yang menggunakan Azure IoT Edge. Anda dapat menjalankan Azure IoT Edge di perangkat, dan berintegrasi dengan Azure Pembelajaran Mesin, Azure Storage, Azure App Services, dan Power BI untuk solusi AI visi menyeluruh.
Memeriksa produk, sumber daya, dan lingkungan secara visual sangat penting untuk banyak upaya. Inspeksi dan analitik visual manusia tunduk pada inefisiensi dan ketidakakuratan. Perusahaan sekarang menggunakan jaringan neural buatan pembelajaran mendalam yang disebut jaringan neural konvolusional (CN) untuk meniru visi manusia. Menggunakan CN untuk input dan analisis gambar otomatis biasanya disebut visi komputer atau visi AI.
Teknologi seperti kontainerisasi mendukung portabilitas, yang memungkinkan migrasi model AI visi ke tepi jaringan. Anda dapat melatih model inferensi visi di cloud, membuat kontainer model, dan menggunakannya untuk membuat modul kustom untuk perangkat yang mendukung runtime Azure IoT Edge. Menyebarkan solusi AI visi di tepi menghasilkan keuntungan performa dan biaya.
Kasus penggunaan
Kasus penggunaan untuk visi AI mencakup manufaktur, ritel, layanan kesehatan, dan sektor publik. Kasus penggunaan AI visi umum termasuk jaminan kualitas, keselamatan, dan keamanan.
Jaminan kualitas
Di lingkungan manufaktur, visi AI dapat memeriksa bagian dan proses dengan cepat dan akurat. Inspeksi kualitas otomatis dapat:
- Memantau konsistensi proses manufaktur.
- Periksa perakitan produk yang tepat.
- Berikan pemberitahuan cacat awal.
Untuk contoh skenario untuk kasus penggunaan ini, lihat Skenario pengguna 1: Kontrol kualitas.
Keselamatan dan keamanan
Pemantauan visual otomatis dapat memindai potensi masalah keselamatan dan keamanan. Otomatisasi dapat memberikan lebih banyak waktu untuk merespons insiden, dan lebih banyak peluang untuk mengurangi risiko. Pemantauan keamanan otomatis dapat:
- Lacak kepatuhan terhadap pedoman peralatan pelindung diri.
- Pantau dan beri tahu tentang entri ke zona yang tidak sah.
- Pemberitahuan tentang objek yang tidak dikenal.
- Rekam panggilan dekat yang tidak dilaporkan atau peralatan pejalan kaki hampir meleset.
Untuk contoh skenario untuk kasus penggunaan ini, lihat Skenario pengguna 2: Keamanan.
Sistem
Solusi Vision AI untuk IoT Edge melibatkan beberapa komponen dan proses. Artikel dalam seri ini memberikan panduan perencanaan dan desain mendalam untuk setiap area.
- Kamera menangkap data gambar untuk dimasukkan ke dalam sistem AI visi IoT Edge. Lihat Pilihan kamera untuk Azure IoT Edge vision AI.
- Akselerasi perangkat keras pada perangkat IoT Edge menyediakan daya pemrosesan yang diperlukan untuk grafis komputer dan algoritma AI. Lihat Akselerasi perangkat keras di Azure IoT Edge vision AI.
- Model ML yang disebarkan sebagai modul IoT Edge menilai data gambar masuk. Lihat Pembelajaran mesin di Azure IoT Edge vision AI.
- Perangkat IoT Edge mengirimkan data gambar dan metadata yang relevan ke cloud untuk penyimpanan. Data tersimpan digunakan untuk pelatihan ulang, pemecahan masalah, dan analitik ML. Lihat Penyimpanan dan manajemen gambar untuk Azure IoT Edge vision AI.
- Pengguna berinteraksi dengan sistem melalui antarmuka pengguna seperti aplikasi, visualisasi, dan dasbor. Lihat Antarmuka dan skenario pengguna di Azure IoT Edge vision AI.
Pertimbangan
Alasan untuk memigrasikan beban kerja visi komputer dari cloud ke tepi termasuk performa dan biaya.
Pertimbangan performa
- Mengekspor lebih sedikit data ke cloud mengurangi ketahanan pada infrastruktur jaringan yang dapat menyebabkan masalah performa.
- Menilai data secara lokal membantu mencegah latensi respons yang tidak dapat diterima.
- Pemberitahuan lokal menghindari penundaan dan menambahkan kompleksitas.
Misalnya, seseorang yang memasuki area yang tidak sah mungkin memerlukan intervensi segera. Memposisikan model penilaian di dekat titik penyerapan data memungkinkan penilaian dan peringatan gambar mendekati real time.
Pertimbangan biaya
Menilai data secara lokal dan hanya mengirim data yang relevan ke cloud dapat meningkatkan pengembalian investasi (ROI) dari inisiatif visi komputer. Modul visi kustom IoT Edge dapat menilai data gambar per model ML, dan hanya mengirim gambar yang dianggap relevan dengan keyakinan yang wajar ke cloud untuk diproses lebih lanjut. Mengirim hanya gambar yang dipilih mengurangi jumlah data yang masuk ke cloud dan menurunkan biaya.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Keith Hill | Manajer PM Senior
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Langkah berikutnya
Untuk melanjutkan seri ini tentang IoT Edge vision AI, lanjutkan ke artikel berikutnya:
Untuk mempelajari selengkapnya tentang CNN, visi AI, Azure Pembelajaran Mesin, dan Azure IoT Edge, lihat dokumentasi berikut:
- Dokumentasi Azure IoT Edge
- Dokumentasi Azure Machine Learning
- Tutorial: Melakukan klasifikasi gambar di tepi dengan Custom Vision Service
- Apa itu Computer Vision?
- Dokumentasi kit pengembang Azure Kinect DK
- Membuka kerangka kerja ML Neural Network Exchange (ONNX)
- Alat jaringan neural dalam manajemen model (MMdnn)
Sumber daya terkait
Untuk arsitektur, contoh, dan ide visi komputer lainnya yang menggunakan Azure IoT, lihat artikel berikut ini: