Vision AI-oplossingen met Azure IoT Edge

  • Artikel

In deze reeks artikelen wordt beschreven hoe u een Computer Vision-workload plant en ontwerpt die gebruikmaakt van Azure IoT Edge. U kunt Azure IoT Edge uitvoeren op apparaten en integreren met Azure Machine Learning, Azure Storage, Azure-app Services en Power BI voor end-to-end VISION AI-oplossingen.

Het visueel inspecteren van producten, resources en omgevingen is essentieel voor veel inspanningen. Menselijke visuele inspectie en analyses zijn onderworpen aan inefficiëntie en onnauwkeurigheid. Ondernemingen gebruiken nu kunstmatige neurale netwerken die convolutionele neurale netwerken (CNN's) worden genoemd om menselijke visie te emuleren. Het gebruik van CNN's voor geautomatiseerde invoer en analyse van afbeeldingen wordt vaak computer vision of vision AI genoemd.

Technologieën zoals containerisatie ondersteunen portabiliteit, waardoor vision AI-modellen naar de netwerkrand kunnen worden gemigreerd. U kunt visiondeductiemodellen trainen in de cloud, de modellen in een container zetten en deze gebruiken om aangepaste modules te maken voor Azure IoT Edge-runtimeapparaten. Het implementeren van Vision AI-oplossingen aan de rand levert prestatie- en kostenvoordelen op.

Gebruiksgevallen

Use cases for vision AI span manufacturing, retail, healthcare, and the public sector. Typische ai-use cases voor vision zijn kwaliteitsgarantie, veiligheid en beveiliging.

Kwaliteitscontrole

In productieomgevingen kan vision AI onderdelen en processen snel en nauwkeurig inspecteren. Geautomatiseerde kwaliteitsinspectie kan:

  • De consistentie van het productieproces bewaken.
  • Controleer de juiste productassembly.
  • Geef vroegtijdige defectmeldingen op.

Zie Gebruikersscenario 1: Kwaliteitscontrole voor een voorbeeldscenario voor deze use-case.

Veiligheid en beveiliging

Geautomatiseerde visuele bewaking kan scannen op mogelijke veiligheids- en beveiligingsproblemen. Automatisering kan meer tijd bieden om te reageren op incidenten en meer mogelijkheden om risico's te verminderen. Geautomatiseerde veiligheidsbewaking kan:

  • Volg de naleving van de richtlijnen voor persoonlijke beschermingsmiddelen.
  • Bewaken en waarschuwen bij het invoeren in niet-geautoriseerde zones.
  • Waarschuwing voor niet-geïdentificeerde objecten.
  • Noteer niet-gerapporteerde close-oproepen of voetgangersapparatuur in bijna-gemiste omgevingen.

Zie Gebruikersscenario 2: Veiligheid voor een voorbeeldscenario voor deze use-case.

Architectuur

Vision AI-oplossingen voor IoT Edge omvatten verschillende onderdelen en processen. De artikelen in deze reeks bevatten uitgebreide plannings- en ontwerprichtlijnen voor elk gebied.

Diagram met de basisonderdelen van een IoT Edge Vision AI-oplossing.

  1. Camera's leggen de afbeeldingsgegevens vast voor invoer in het IoT Edge Vision AI-systeem. Bekijk cameraselectie voor Azure IoT Edge Vision AI.
  2. Hardwareversnelling op IoT Edge-apparaten biedt de benodigde verwerkingskracht voor computerafbeeldingen en AI-algoritmen. Zie Hardwareversnelling in Azure IoT Edge Vision AI.
  3. ML-modellen die zijn geïmplementeerd als IoT Edge-modules scoren de binnenkomende afbeeldingsgegevens. Zie Machine learning in Azure IoT Edge Vision AI.
  4. Het IoT Edge-apparaat verzendt relevante afbeeldingsgegevens en metagegevens naar de cloud voor opslag. Opgeslagen gegevens worden gebruikt voor het opnieuw trainen, oplossen van problemen en analyses van ML. Zie Afbeeldingsopslag en -beheer voor Azure IoT Edge Vision AI.
  5. Gebruikers communiceren met het systeem via gebruikersinterfaces, zoals apps, visualisaties en dashboards. Zie gebruikersinterfaces en scenario's in Azure IoT Edge Vision AI.

Overwegingen

Redenen om Computer Vision-workloads van de cloud naar de rand te migreren, zijn onder andere prestaties en kosten.

Prestatieoverwegingen

  • Het exporteren van minder gegevens naar de cloud vermindert de belasting van de netwerkinfrastructuur die prestatieproblemen kan veroorzaken.
  • Scoregegevens helpen bij het voorkomen van onaanvaardbare reactielatentie.
  • Lokale waarschuwingen voorkomt vertraging en extra complexiteit.

Een persoon die een niet-geautoriseerd gebied binnenkomt, kan bijvoorbeeld onmiddellijk ingrijpen nodig hebben. Door het scoremodel in de buurt van het gegevensopnamepunt te plaatsen, kunnen bijna realtime afbeeldingsscores en waarschuwingen worden weergegeven.

Kostenoverwegingen

Het lokaal scoren van gegevens en het verzenden van alleen relevante gegevens naar de cloud kan het rendement op investeringen (ROI) van een Computer Vision-initiatief verbeteren. IoT Edge Custom Vision-modules kunnen afbeeldingsgegevens per ML-modellen scoren en alleen afbeeldingen verzenden die relevant zijn met redelijke betrouwbaarheid naar de cloud voor verdere verwerking. Het verzenden van alleen geselecteerde afbeeldingen vermindert de hoeveelheid gegevens die naar de cloud gaat en verlaagt de kosten.

Medewerkers

Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.

Hoofdauteur:

Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.

Volgende stappen

Als u wilt doorgaan met deze reeks over IoT Edge Vision AI, gaat u verder met het volgende artikel:

Cameraselectie voor Azure IoT Edge Vision AI

Zie de volgende documentatie voor meer informatie over CNN's, vision AI, Azure Machine Learning en Azure IoT Edge:

Zie de volgende artikelen voor meer computer vision-architecturen, voorbeelden en ideeën die gebruikmaken van Azure IoT: