Vision AI-lösningar med Azure IoT Edge
Den här serien med artiklar beskriver hur du planerar och utformar en arbetsbelastning för visuellt innehåll som använder Azure IoT Edge. Du kan köra Azure IoT Edge på enheter och integrera med Azure Mašinsko učenje, Azure Storage, Azure App Services och Power BI för AI-lösningar från slutpunkt till slutpunkt.
Att visuellt inspektera produkter, resurser och miljöer är viktigt för många strävanden. Mänsklig visuell inspektion och analys är föremål för ineffektivitet och felaktighet. Företag använder nu artificiella neurala nätverk för djupinlärning som kallas convolutional neurala nätverk (CNN) för att emulera mänsklig syn. Att använda CNN för automatiserad indata och analys av bilder kallas ofta visuellt innehåll eller visions-AI.
Tekniker som containerisering stöder portabilitet, vilket gör det möjligt att migrera AI-visionsmodeller till nätverksgränsen. Du kan träna modeller för syninferens i molnet, containerisera modellerna och använda dem för att skapa anpassade moduler för Azure IoT Edge-körningsaktiverade enheter. Att distribuera AI-lösningar för visioner på gränsen ger prestanda- och kostnadsfördelar.
Användningsfall
Användningsfall för visions-AI omfattar tillverkning, detaljhandel, sjukvård och den offentliga sektorn. Typiska användningsfall för visions-AI är kvalitetssäkring, säkerhet och säkerhet.
Kvalitetskontroll
I tillverkningsmiljöer kan visions-AI:n inspektera delar och processer snabbt och korrekt. Automatiserad kvalitetsinspektion kan:
- Övervaka konsekvens i tillverkningsprocessen.
- Kontrollera rätt produktsammansättning.
- Ge meddelanden om tidiga defekter.
Ett exempelscenario för det här användningsfallet finns i Användarscenario 1: Kvalitetskontroll.
Säkerhet och säkerhet
Automatisk visuell övervakning kan söka efter potentiella säkerhets- och säkerhetsproblem. Automatisering kan ge mer tid att svara på incidenter och fler möjligheter att minska risken. Automatiserad säkerhetsövervakning kan:
- Följ riktlinjerna för personlig skyddsutrustning.
- Övervaka och varna vid inmatning till obehöriga zoner.
- Avisering om oidentifierade objekt.
- Registrera orapporterade nära samtal eller gångutrustning nära missar.
Ett exempelscenario för det här användningsfallet finns i Användarscenario 2: Säkerhet.
Arkitektur
Vision AI-lösningar för IoT Edge omfattar flera komponenter och processer. Artiklarna i den här serien ger djupgående planerings- och designvägledning för varje område.
- Kameror samlar in bilddata för indata till AI-systemet för IoT Edge-vision. Se Kameraval för Azure IoT Edge vision AI.
- Maskinvaruacceleration på IoT Edge-enheter ger nödvändig bearbetningskraft för datorgrafik och AI-algoritmer. Se Maskinvaruacceleration i Azure IoT Edge vision AI.
- ML-modeller som distribueras som IoT Edge-moduler poängsätter inkommande bilddata. Se Maskininlärning i Azure IoT Edge vision AI.
- IoT Edge-enheten skickar relevanta bilddata och metadata till molnet för lagring. Lagrade data används för ML-omträning, felsökning och analys. Se Bildlagring och hantering för Azure IoT Edge vision AI.
- Användare interagerar med systemet via användargränssnitt som appar, visualiseringar och instrumentpaneler. Se Användargränssnitt och scenarier i Azure IoT Edge vision AI.
Att tänka på
Orsaker till att migrera arbetsbelastningar för visuellt innehåll från molnet till gränsen är prestanda och kostnader.
Prestandaöverväganden
- Om du exporterar mindre data till molnet minskar belastningen på nätverksinfrastrukturen som kan orsaka prestandaproblem.
- Genom att bedöma data lokalt kan du förhindra oacceptabel svarsfördröjning.
- Lokal avisering undviker fördröjning och ökad komplexitet.
Till exempel kan en person som kommer in i ett obehörigt område behöva vidta omedelbara åtgärder. Om du placerar bedömningsmodellen nära datainmatningspunkten kan bildbedömning och aviseringar i nästan realtid utföras.
Kostnadsöverväganden
Att bedöma data lokalt och endast skicka relevanta data till molnet kan förbättra avkastningen på investeringen (ROI) för ett initiativ för visuellt innehåll. IoT Edge custom vision-moduler kan poängsätta bilddata per ML-modeller och endast skicka bilder som bedöms relevanta med rimligt förtroende till molnet för vidare bearbetning. Om du bara skickar valda bilder minskar mängden data som går till molnet och sänker kostnaderna.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudförfattare:
- Keith Hill | Senior PM Manager
Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.
Nästa steg
Om du vill fortsätta med den här serien om IoT Edge-visions-AI går du vidare till nästa artikel:
Mer information om CNN, VISION AI, Azure Mašinsko učenje och Azure IoT Edge finns i följande dokumentation:
- Dokumentation för Azure IoT Edge
- Dokumentation om Azure Machine Learning
- Självstudie: Utföra bildklassificering vid gränsen med Custom Vision Service
- Vad är visuellt innehåll?
- Dokumentation om Azure Kinect DK Developer Kit
- Öppna ML-ramverket för Neural Network Exchange (ONNX)
- MMdnn-verktyg (Model Management Deep Neural Network)
Relaterade resurser
Fler arkitekturer, exempel och idéer för visuellt innehåll som använder Azure IoT finns i följande artiklar: