Azure IoT Edge ile Vision AI çözümleri

  • Makale

Bu makale serisinde Azure IoT Edge kullanan bir görüntü işleme iş yükünün nasıl planlandığı ve tasarlandığı açıklanmaktadır. Azure IoT Edge'i cihazlarda çalıştırabilir ve uçtan uca görüntü işleme yapay zeka çözümleri için Azure Machine Learning, Azure Depolama, Azure Uygulaması Services ve Power BI ile tümleştirebilirsiniz.

Ürünleri, kaynakları ve ortamları görsel olarak incelemek birçok çaba için kritik önem taşır. İnsan görsel denetimi ve analizi verimsizliğe ve yanlışlığa tabidir. Kuruluşlar artık insan vizyonuna öykünmek için kıvrımlı sinir ağları (CNN) olarak adlandırılan derin öğrenme yapay sinir ağlarını kullanıyor. Otomatik görüntü girişi ve analizi için CNN'leri kullanmak genellikle görüntü işleme veya görüntü işleme yapay zekası olarak adlandırılır.

Kapsayıcıya alma gibi teknolojiler, görüntü yapay zekası modellerinin ağ ucuna geçirilmesine olanak tanıyan taşınabilirliği destekler. Bulutta görüntü işleme çıkarım modellerini eğitebilir, modelleri kapsayıcıya alabilir ve Bunları kullanarak Azure IoT Edge çalışma zamanı özellikli cihazlar için özel modüller oluşturabilirsiniz. Uçta vizyon yapay zekası çözümlerinin dağıtılması performans ve maliyet avantajları sağlar.

Kullanım örnekleri

Vizyon yapay zekası üretim, perakende, sağlık ve kamu sektörü için kullanım örnekleri. Tipik görüntü yapay zekası kullanım örnekleri arasında kalite güvencesi, güvenlik ve güvenlik yer alır.

Kalite kontrolü

Üretim ortamlarında, görüntü yapay zekası parçaları ve süreçleri hızlı ve doğru bir şekilde inceleyebilir. Otomatik kalite denetimi:

  • Üretim süreci tutarlılığını izleyin.
  • Uygun ürün montajlarını kontrol edin.
  • Erken hata bildirimleri sağlayın.

Bu kullanım örneği için örnek bir senaryo için bkz . Kullanıcı senaryosu 1: Kalite denetimi.

Kasa ty ve güvenlik

Otomatik görsel izleme olası güvenlik ve güvenlik sorunlarını tarayabilir. Otomasyon, olaylara yanıt vermek için daha fazla zaman ve riski azaltmak için daha fazla fırsat sağlayabilir. Otomatik güvenlik izleme:

  • Kişisel koruyucu ekipman yönergeleriyle uyumluluğu takip edin.
  • Yetkisiz bölgelere girişte izleme ve uyarı alma.
  • Tanımlanamayan nesnelerle ilgili uyarı.
  • Raporlanmayan yakın aramaları veya kaçırılmaya yakın yaya donanımlarını kaydedin.

Bu kullanım örneği için örnek bir senaryo için bkz. Kullanıcı senaryosu 2: Kasa ty.

Mimari

IoT Edge için vision AI çözümleri çeşitli bileşenler ve süreçler içerir. Bu serideki makaleler her alan için ayrıntılı planlama ve tasarım kılavuzu sağlar.

IoT Edge görüntü işleme yapay zeka çözümünün temel bileşenlerini gösteren diyagram.

  1. Kamera IoT Edge görüntü işleme yapay zeka sistemine giriş için görüntü verilerini yakalar. Bkz. Azure IoT Edge görüntü işleme yapay zekası için Kamera seçim.
  2. IoT Edge cihazlarında donanım hızlandırma, bilgisayar grafikleri ve yapay zeka algoritmaları için gerekli işleme gücünü sağlar. Bkz . Azure IoT Edge görüntü işleme yapay zekasında donanım hızlandırma.
  3. IoT Edge modülleri olarak dağıtılan ML modelleri, gelen görüntü verilerini puanlar. Bkz . Azure IoT Edge görüntü işleme yapay zekasında makine öğrenmesi.
  4. IoT Edge cihazı, depolama için ilgili görüntü verilerini ve meta verileri buluta gönderir. Depolanan veriler ML yeniden eğitme, sorun giderme ve analiz için kullanılır. Bkz. Azure IoT Edge görüntü işleme yapay zekası için görüntü depolama ve yönetim.
  5. Kullanıcılar uygulamalar, görselleştirmeler ve panolar gibi kullanıcı arabirimleri aracılığıyla sistemle etkileşim kurar. Bkz. Azure IoT Edge görüntü işleme yapay zekasında kullanıcı arabirimleri ve senaryoları.

Dikkat edilmesi gereken noktalar

Görüntü işleme iş yüklerini buluttan uçlara geçirme nedenleri arasında performans ve maliyet yer alır.

Performans değerlendirmeleri

  • Daha az veriyi buluta aktarmak, performans sorunlarına neden olabilecek ağ altyapısı üzerindeki yükü hafifletir.
  • Verileri yerel olarak puanlama, kabul edilemez yanıt gecikme süresini önlemeye yardımcı olur.
  • Yerel uyarı gecikmeyi ve daha karmaşıklığı önler.

Örneğin, yetkisiz alana giren bir kişinin hemen müdahaleye ihtiyacı olabilir. Puanlama modelini veri alımı noktasının yakınına konumlandırmak neredeyse gerçek zamanlı görüntü puanlama ve uyarı sağlar.

Maliyetle ilgili konular

Verileri yerel olarak puanlamak ve yalnızca ilgili verileri buluta göndermek, görüntü işleme girişiminin yatırım getirisini (ROI) iyileştirebilir. IoT Edge özel görüntü işleme modülleri ML modellerine göre görüntü verilerini puanlayabilir ve daha fazla işlem için yalnızca makul güvenle ilgili olduğu düşünülen görüntüleri buluta gönderebilir. Yalnızca seçili görüntülerin gönderilmesi, buluta giden veri miktarını azaltır ve maliyetleri düşürür.

Katkıda Bulunanlar

Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.

Asıl yazar:

Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.

Sonraki adımlar

IoT Edge vizyon yapay zekası hakkındaki bu seriye devam etmek için sonraki makaleye geçin:

Azure IoT Edge görüntü işleme yapay zekası için Kamera seçimi

CNN'ler, vizyon yapay zekası, Azure Machine Learning ve Azure IoT Edge hakkında daha fazla bilgi edinmek için aşağıdaki belgelere bakın:

Azure IoT kullanan daha fazla görüntü işleme mimarisi, örnek ve fikir için aşağıdaki makalelere bakın: