Решения ИИ визуального распознавания с помощью Azure IoT Edge

  • Статья

В этой серии статей описывается планирование и проектирование рабочей нагрузки компьютерного зрения, которая использует Azure IoT Edge. Azure IoT Edge можно запускать на устройствах и интегрировать с Машинное обучение Azure, служба хранилища Azure, приложение Azure services и Power BI для комплексных решений искусственного интеллекта для визуального распознавания.

Визуальное изучение продуктов, ресурсов и сред критически важно для многих усилий. Человеческая визуальная проверка и аналитика подвергаются неэффективности и неточности. Предприятия теперь используют искусственные нейронные сети глубокого обучения, называемые сверточных нейронных сетей (CNN) для эмуляции человеческого зрения. Использование CNN для автоматического ввода изображений и анализа обычно называется компьютерным зрением или искусственным зрением.

Такие технологии, как контейнеризация, поддерживают переносимость, что позволяет переносить модели ИИ визуального распознавания на сетевой край. Вы можете обучить модели вывода визуального зрения в облаке, контейнеризировать модели и использовать их для создания пользовательских модулей для устройств с поддержкой среды выполнения Azure IoT Edge. Развертывание решений ИИ визуального распознавания на пограничных устройствах дает преимущества производительности и затрат.

Случаи использования

Варианты использования ИИ для производства, розничной торговли, здравоохранения и государственного сектора. Типичные варианты использования искусственного интеллекта зрения включают обеспечение качества, безопасность и безопасность.

Контроль качества

В производственных средах ИИ может проверять части и процессы быстро и точно. Автоматическая проверка качества может:

  • Мониторинг согласованности производственных процессов.
  • Проверьте правильную сборку продукта.
  • Предоставьте уведомления о ранних дефектах.

Пример сценария для этого варианта использования см . в сценарии пользователя 1. Управление качеством.

Сейф и безопасность

Автоматический визуальный мониторинг может проверять потенциальные проблемы с безопасностью и безопасностью. Автоматизация может обеспечить больше времени для реагирования на инциденты и больше возможностей для снижения риска. Автоматизированный мониторинг безопасности может:

  • Следите за соответствием рекомендациям по использованию личного защитного оборудования.
  • Мониторинг и оповещение о входе в несанкционированные зоны.
  • Оповещение о неопознанных объектах.
  • Запись неотрепортированных близких звонков или пешеходного оборудования почти промахов.

Пример сценария для этого варианта использования см. в сценарии пользователя 2: Сейф ty.

Архитектура

Решения ИИ визуального распознавания для IoT Edge включают несколько компонентов и процессов. Статьи в этой серии содержат подробные рекомендации по планированию и проектированию для каждой области.

Схема, показывающая основные компоненты решения ИИ визуального распознавания IoT Edge.

  1. Камера фиксируют данные изображения для ввода в систему ИИ визуального распознавания IoT Edge. См. Камера выбор для ИИ визуального распознавания Azure IoT Edge.
  2. Аппаратное ускорение на устройствах IoT Edge обеспечивает необходимую мощность обработки для алгоритмов компьютерной графики и искусственного интеллекта. Ознакомьтесь с аппаратным ускорением в ИИ визуального распознавания Azure IoT Edge.
  3. Модели машинного обучения, развернутые как модули IoT Edge, оценивают входящие данные изображения. Ознакомьтесь с машинным обучением в Azure IoT Edge для искусственного интеллекта.
  4. Устройство IoT Edge отправляет соответствующие данные изображения и метаданные в облако для хранения. Сохраненные данные используются для переобучения, устранения неполадок и аналитики машинного обучения. См . сведения о хранилище изображений и управлении ими для ИИ визуального распознавания Azure IoT Edge.
  5. Пользователи взаимодействуют с системой через пользовательские интерфейсы, такие как приложения, визуализации и панели мониторинга. Ознакомьтесь с пользовательскими интерфейсами и сценариями в ИИ визуального распознавания Azure IoT Edge.

Рекомендации

Причины переноса рабочих нагрузок компьютерного зрения из облака в край включают производительность и затраты.

Замечания, связанные с быстродействием

  • Экспорт меньше данных в облако снижает нагрузку на сетевую инфраструктуру, которая может вызвать проблемы с производительностью.
  • Данные оценки локально позволяют предотвратить неприемлемую задержку ответа.
  • Локальное оповещение позволяет избежать задержки и дополнительной сложности.

Например, человек, входящий в неавторизованную область, может потребовать немедленного вмешательства. Размещение модели оценки вблизи точки приема данных позволяет почти в режиме реального времени получать оценки изображений и оповещения.

Рекомендации по затратам

Оценка данных локально и отправка только соответствующих данных в облако может повысить рентабельность инвестиций (ROI) инициативы компьютерного зрения. Модули пользовательского визуального распознавания IoT Edge могут оценить данные изображений на модели машинного обучения и отправлять только изображения, которые считаются соответствующими с разумной уверенностью в облаке для дальнейшей обработки. Отправка только выбранных образов уменьшает объем данных, собираемых в облако, и снижает затраты.

Соавторы

Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участник.

Автор субъекта:

Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.

Следующие шаги

Чтобы продолжить работу с этой серии об ИИ визуального распознавания IoT Edge, перейдите к следующей статье:

выбор Камера для ИИ визуального распознавания Azure IoT Edge

Дополнительные сведения о CNN, ИИ визуального распознавания, Машинное обучение Azure и Azure IoT Edge см. в следующей документации:

Дополнительные архитектуры компьютерного зрения, примеры и идеи, использующие Azure IoT, см. в следующих статьях: