Soluções de IA de pesquisa visual com o Azure IoT Edge

  • Artigo

Esta série de artigos descreve como planejar e projetar uma carga de trabalho de pesquisa visual computacional que usa o Azure IoT Edge. Você pode executar o Azure IoT Edge em dispositivos e integrar-se ao Azure Machine Learning, ao Armazenamento do Azure, aos Serviços de Aplicativos do Azure e ao Power BI para soluções de IA de pesquisa visual de ponta a ponta.

Inspecionar visualmente produtos, recursos e ambientes é crítico para muitos empreendimentos. A análise e inspeção visual humana estão sujeitas à ineficiência e imprecisão. Atualmente, as empresas usam redes neurais artificiais de aprendizado profundo chamadas CNNs (redes neurais convolucionais) para emular a visão humana. O uso de CNNs para entrada e análise de imagem automatizada é comumente chamado de pesquisa visual computacional ou IA de pesquisa visual.

Tecnologias como o transporte em contêineres dão suporte à portabilidade, o que permite migrar modelos de IA de pesquisa visual para a borda da rede. Você pode treinar modelos de inferência de pesquisa visual na nuvem, conteinerizar os modelos e usá-los para criar módulos personalizados para dispositivos habilitados para runtime do Azure IoT Edge. A implantação de soluções de IA de pesquisa visual na borda gera benefícios de desempenho e de custo.

Casos de uso

Os casos de uso de IA de pesquisa visual abrangem os setores de manufatura, varejo, saúde e público. Casos típicos de uso de IA de pesquisa visual incluem garantia de qualidade, proteção e segurança.

Garantia de qualidade

Em ambientes de manufatura, a IA de pesquisa visual pode inspecionar peças e processos de modo rápido e preciso. Uma inspeção automatizada de qualidade pode:

  • Monitorar a consistência do processo de fabricação.
  • Verificar a montagem adequada do produto.
  • Fornecer notificações de defeito antecipadas.

Para obter um cenário de exemplo para esse caso de uso, confira Cenário de usuário 1: controle de qualidade.

Segurança e proteção

O monitoramento de pesquisa visual automatizado pode verificar possíveis problemas de segurança e proteção. A automação pode fornecer mais tempo para responder a incidentes e mais oportunidades para reduzir o risco. O monitoramento de segurança automatizado pode:

  • Acompanhar a conformidade com as diretrizes de equipamentos de proteção pessoal.
  • Monitorar e alertar sobre a entrada em zonas não autorizadas.
  • Alertar sobre objetos não identificados.
  • Registrar quase acidentes ou falhas em equipamentos de pedestres não relatados.

Para obter um cenário de exemplo para esse caso de uso, confira Cenário de usuário 2: segurança.

Arquitetura

As soluções de IA de pesquisa visual para IoT Edge envolvem vários componentes e processos. Os artigos desta série fornecem diretrizes detalhadas de planejamento e design para cada área.

Diagrama que mostra os componentes básicos de uma solução de IA de pesquisa visual do IoT Edge.

  1. As câmeras capturam os dados da imagem para entrada no sistema de IA de pesquisa visual do IoT Edge. Confira Seleção de câmera para a IA de pesquisa visual do Azure IoT Edge.
  2. A aceleração de hardware em dispositivos IoT Edge fornece o poder de processamento necessário para elementos gráficos de computação e algoritmos de IA. Confira Aceleração de hardware na IA de pesquisa visual do Azure IoT Edge.
  3. Os modelos de ML implantados como os módulos do IoT Edge pontuam os dados de imagem de entrada. Confira Machine learning na IA de pesquisa visual do Azure IoT Edge.
  4. O dispositivo IoT Edge envia dados de imagem relevantes e metadados para a nuvem para armazenamento. Os dados armazenados são usados para retreinamento de ML, solução de problemas e análise. Confira Gerenciamento e armazenamento de imagens para a IA de pesquisa visual do Azure IoT Edge.
  5. Os usuários interagem com o sistema por meio de interfaces do usuário, como aplicativos, visualizações e painéis. Confira Cenários e interfaces do usuário na IA de pesquisa visual do Azure IoT Edge.

Considerações

Os motivos para migrar cargas de trabalho de pesquisa visual computacional da nuvem para a borda incluem desempenho e custo.

Considerações sobre o desempenho

  • Exportar menos dados para a nuvem alivia a tensão na infraestrutura de rede que pode causar problemas de desempenho.
  • A pontuação de dados localmente ajuda a evitar uma latência de resposta inaceitável.
  • Os alertas locais evitam atrasos e maior complexidade.

Por exemplo, uma pessoa que entra em uma área não autorizada pode precisar de intervenção imediata. Posicionar o modelo de pontuação perto do ponto de ingestão de dados permite alteras e pontuação de imagem quase em tempo real.

Considerações de custo

Pontuar dados localmente e enviar apenas dados relevantes para a nuvem pode aprimorar o ROI (retorno sobre o investimento) de uma iniciativa de pesquisa visual computacional. Os módulos de visão computacional do IoT Edge podem pontuar dados de imagem por modelos de ML e enviar apenas imagens consideradas relevantes com confiança razoável para a nuvem para processamento adicional. Enviar apenas imagens selecionadas reduz a quantidade de dados que vão para a nuvem e reduz os custos.

Colaboradores

Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.

Autor principal:

Para ver perfis não públicos do LinkedIn, entre no LinkedIn.

Próximas etapas

Para continuar com esta série sobre IA de pesquisa visual do IoT Edge, acesse o próximo artigo:

Seleção de câmera para IA de pesquisa visual do Azure IoT Edge

Para saber mais sobre CNNs, IA de pesquisa visual, Azure Machine Learning e Azure IoT Edge, confira a seguinte documentação:

Para obter mais arquiteturas de pesquisa visual computacional, exemplos e ideias que usam o Azure IoT, confira os seguintes artigos: