Soluções de IA de visão com o Azure IoT Edge

  • Artigo

Esta série de artigos descreve como planejar e projetar uma carga de trabalho de visão 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 Aplicativo do Azure e ao Power BI para soluções de IA de visão de ponta a ponta.

Inspecionar visualmente produtos, recursos e ambientes é fundamental para muitos empreendimentos. A inspeção visual humana e a análise estão sujeitas a ineficiência e imprecisão. As empresas agora usam redes neurais artificiais de aprendizagem profunda chamadas redes neurais convolucionais (CNNs) para emular a visão humana. O uso de CNNs para entrada e análise automatizada de imagens é comumente chamado de visão computacional ou IA de visão.

Tecnologias como a conteinerização suportam a portabilidade, o que permite migrar modelos de IA de visão para a borda da rede. Você pode treinar modelos de inferência de visão na nuvem, conteinerizar os modelos e usá-los para criar módulos personalizados para dispositivos habilitados para tempo de execução do Azure IoT Edge. A implantação de soluções de IA de visão na borda gera desempenho e benefícios de custo.

Casos de utilização

Casos de uso para IA de visão abrangem fabricação, varejo, saúde e setor público. Os casos típicos de uso de IA de visão incluem garantia de qualidade, segurança e proteção.

Garantia de qualidade

Em ambientes de fabricação, a IA de visão pode inspecionar peças e processos com rapidez e precisão. A inspeção de qualidade automatizada pode:

  • Monitore a consistência do processo de fabricação.
  • Verifique a montagem correta do produto.
  • Forneça notificações antecipadas de defeitos.

Para obter um cenário de exemplo para este caso de uso, consulte Cenário de usuário 1: Controle de qualidade.

Segurança e proteção

O monitoramento visual automatizado pode verificar possíveis problemas de segurança. A automação pode fornecer mais tempo para responder a incidentes e mais oportunidades para reduzir riscos. A monitorização de segurança automatizada pode:

  • Acompanhar o cumprimento das diretrizes de equipamentos de proteção individual.
  • Monitorizar e alertar sobre a entrada em zonas não autorizadas.
  • Alerta sobre objetos não identificados.
  • Registre chamadas não relatadas ou quase-acidentes com equipamentos para pedestres.

Para obter um cenário de exemplo para este caso de uso, consulte Cenário de usuário 2: Segurança.

Arquitetura

As soluções de IA da Vision para IoT Edge envolvem vários componentes e processos. Os artigos desta série fornecem orientações detalhadas de planejamento e design para cada área.

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

  1. As câmeras capturam os dados de imagem para entrada no sistema de IA de visão IoT Edge. Consulte Seleção de câmera para o Azure IoT Edge vision AI.
  2. A aceleração de hardware em dispositivos IoT Edge fornece o poder de processamento necessário para computação gráfica e algoritmos de IA. Consulte Aceleração de hardware no Azure IoT Edge vision AI.
  3. Os modelos de ML implantados como módulos do IoT Edge pontuam os dados de imagem de entrada. Consulte Aprendizado de máquina no Azure IoT Edge vision AI.
  4. O dispositivo IoT Edge envia dados de imagem e metadados relevantes para a nuvem para armazenamento. Os dados armazenados são usados para retreinamento de ML, solução de problemas e análise. Consulte Armazenamento e gerenciamento de imagens para o Azure IoT Edge vision AI.
  5. Os usuários interagem com o sistema por meio de interfaces de usuário, como aplicativos, visualizações e painéis. Consulte Interfaces de usuário e cenários no Azure IoT Edge vision AI.

Considerações

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

Considerações de desempenho

  • Exportar menos dados para a nuvem alivia a pressão sobre a infraestrutura de rede que pode causar problemas de desempenho.
  • A pontuação de dados localmente ajuda a evitar latência de resposta inaceitável.
  • O alerta local evita atrasos e complexidade adicional.

Por exemplo, uma pessoa que entra numa área não autorizada pode necessitar de intervenção imediata. Posicionar o modelo de pontuação perto do ponto de ingestão de dados permite a pontuação e o alerta de imagens quase em tempo real.

Considerações de custos

Pontuar dados localmente e enviar apenas dados relevantes para a nuvem pode melhorar o retorno sobre o investimento (ROI) de uma iniciativa de visão computacional. Os módulos de visão personalizados 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 posterior. Enviar apenas imagens selecionadas reduz a quantidade de dados que vão para a nuvem e reduz os custos.

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.

Autor principal:

Para ver perfis não públicos do LinkedIn, inicie sessão no LinkedIn.

Próximos passos

Para continuar com esta série sobre a visão de IA do IoT Edge, vá para o próximo artigo:

Seleção de câmera para Azure IoT Edge vision AI

Para saber mais sobre CNNs, vision AI, Azure Machine Learning e Azure IoT Edge, consulte a seguinte documentação:

Para obter mais arquiteturas de visão computacional, exemplos e ideias que usam o Azure IoT, consulte os seguintes artigos: