Azure IoT Edge를 사용하는 비전 AI 솔루션

  • 아티클

이 문서 시리즈에서는 Azure IoT Edge를 사용하는 컴퓨터 비전 워크로드를 계획하고 설계하는 방법을 설명합니다. 디바이스에서 Azure IoT Edge를 실행하고 엔드투엔드 비전 AI 솔루션을 위해 Azure Machine Learning, Azure Storage, Azure App Service 및 Power BI와 통합할 수 있습니다.

제품, 리소스 및 환경을 육안으로 검사하는 것은 많은 노력이 필요합니다. 육안 검사 및 분석은 비효율적이며 정확하지 않을 수 있습니다. 기업들은 이제 합성곱 신경망(CNN)이라는 딥 러닝 인공 신경망을 사용하여 인간의 시각을 에뮬레이트합니다. 자동화된 이미지 입력 및 분석을 위해 CNN을 사용하는 것을 일반적으로 컴퓨터 비전 또는 비전 AI라고 합니다.

컨테이너화와 같은 기술은 비전 AI 모델을 네트워크 에지로 마이그레이션할 수 있는 이식성을 지원합니다. 클라우드에서 비전 유추 모델을 학습시키고, 모델을 컨테이너화하고, 이를 사용하여 Azure IoT Edge 런타임 지원 디바이스에 대한 사용자 지정 모듈을 만들 수 있습니다. 에지에서 비전 AI 솔루션을 배포하면 성능과 비용 이점이 있습니다.

사용 사례

비전 AI의 활용 사례는 제조, 소매, 의료 및 공공 부문에 걸쳐 있습니다. 일반적인 비전 AI 사용 사례에는 품질 보증, 안전 및 보안이 포함됩니다.

품질 보증

제조 환경에서 비전 AI는 부품과 프로세스를 빠르고 정확하게 검사할 수 있습니다. 자동화된 품질 검사는 다음을 수행할 수 있습니다.

  • 제조 프로세스 일관성을 모니터링합니다.
  • 적절한 제품 어셈블리를 확인합니다.
  • 조기 결함 알림을 제공합니다.

이 사용 사례에 대한 예제 시나리오는 사용자 시나리오 1: 품질 관리를 참조하세요.

안전 및 보안

자동화된 시각적 모니터링은 잠재적인 안전 및 보안 문제를 스캔할 수 있습니다. 자동화는 인시던트에 대응할 수 있는 더 많은 시간과 위험을 줄일 수 있는 더 많은 기회를 제공할 수 있습니다. 자동화된 안전 모니터링은 다음을 수행할 수 있습니다.

  • 개인 보호 장비 지침 준수를 추적합니다.
  • 권한이 없는 영역으로의 진입을 모니터링하고 경고합니다.
  • 식별되지 않은 개체에 대해 경고합니다.
  • 보고되지 않은 위기일발 또는 보행자 장비 아차사고를 기록합니다.

이 사용 사례에 대한 예제 시나리오는 사용자 시나리오 2: 안전을 참조하세요.

아키텍처

IoT Edge용 비전 AI 솔루션은 몇 가지 구성 요소와 프로세스를 포함합니다. 이 시리즈의 문서는 각 영역에 대한 심층적인 계획 및 설계 지침을 제공합니다.

IoT Edge 비전 AI 솔루션의 기본 구성 요소를 보여주는 다이어그램.

  1. 카메라는 IoT Edge 비전 AI 시스템에 입력할 이미지 데이터를 캡처합니다. Azure IoT Edge 비전 AI에 대한 카메라 선택을 참조하세요.
  2. IoT Edge 디바이스의 하드웨어 가속은 컴퓨터 그래픽 및 AI 알고리즘에 필요한 처리 능력을 제공합니다. Azure IoT Edge 비전 AI의 하드웨어 가속을 참조하세요.
  3. IoT Edge 모듈로 배포된 ML 모델은 들어오는 이미지 데이터의 점수를 매기고 있습니다. Azure IoT Edge 비전 AI에서 기계 학습을 참조하세요.
  4. IoT Edge 디바이스는 관련 이미지 데이터와 메타데이터를 클라우드로 전송하여 저장합니다. 저장된 데이터는 ML 재교육, 문제 해결 및 분석에 사용됩니다. Azure IoT Edge 비전 AI에 대한 이미지 스토리지 및 관리를 참조하세요.
  5. 사용자는 앱, 시각화 및 대시보드와 같은 사용자 인터페이스를 통해 시스템과 상호 작용합니다. Azure IoT Edge 비전 AI의 사용자 인터페이스 및 시나리오를 참조하세요.

고려 사항

컴퓨터 비전 워크로드를 클라우드에서 에지로 마이그레이션하는 이유에는 성능과 비용이 포함됩니다.

성능 고려 사항

  • 클라우드로 내보내는 데이터가 적으면 성능 문제를 일으킬 수 있는 네트워크 인프라에 대한 부담이 줄어듭니다.
  • 로컬에서 데이터를 채점하면 허용할 수 없는 응답 대기 시간을 방지하는 데 도움이 됩니다.
  • 로컬 경고는 지연 및 복잡성을 방지합니다.

예를 들어, 권한이 없는 영역으로 진입하는 사람은 즉각적인 개입이 필요할 수 있습니다. 채점 모델을 데이터 수집 지점 근처에 배치하면 근 실시간 이미지 채점 및 경고가 가능합니다.

비용 고려 사항

로컬에서 데이터를 채점하고 관련 데이터만 클라우드로 전송하면 컴퓨터 비전 이니셔티브의 ROI(투자 수익률)를 개선할 수 있습니다. IoT Edge 사용자 지정 비전 모듈은 ML 모델별로 이미지 데이터에 채점할 수 있으며, 추가 처리를 위해 합리적인 신뢰도와 관련이 있는 것으로 간주되는 이미지만 클라우드로 보낼 수 있습니다. 선택한 이미지만 보내면 클라우드로 이동하는 데이터의 양이 줄어들고 비용이 절감됩니다.

참가자

Microsoft에서 이 문서를 유지 관리합니다. 원래 다음 기여자가 작성했습니다.

보안 주체 작성자:

비공개 LinkedIn 프로필을 보려면 LinkedIn에 로그인합니다.

다음 단계

IoT Edge 비전 AI에 대한 이 시리즈를 계속 진행하려면 다음 문서를 참조하세요.

Azure IoT Edge 비전 AI에 대한 카메라 선택

CNN, 비전 AI, Azure Machine Learning 및 Azure IoT Edge에 대한 자세한 내용은 다음 설명서를 참조하세요.

Azure IoT를 사용하는 컴퓨터 비전 아키텍처, 예제 및 아이디어에 대한 자세한 내용은 다음 문서를 참조하세요.