通过

你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

使用 Azure IoT Edge 的视觉 AI 解决方案

  • 项目

本系列文章介绍如何规划和设计使用 Azure IoT Edge 的计算机视觉工作负载。 你可以在设备上运行 Azure IoT Edge，并与 Azure 机器学习、Azure 存储、Azure 应用服务和 Power BI 集成，以实现端到端的视觉 AI 解决方案。

目视检查产品、资源和环境对于许多工作都至关重要。 人工目视检查和分析效率低下且不准确。 企业现在使用称为卷积神经网络 (CNN) 的深度学习人工神经网络来模拟人类视觉。 使用 CNN 实现自动图像输入和分析通常称为计算机视觉或视觉 AI。

容器化等技术支持可移植性，允许将视觉 AI 模型迁移到网络边缘。 可以在云中训练视觉推理模型，将它们容器化，并使用它们为支持 Azure IoT Edge 运行时的设备创建自定义模块。 在边缘部署视觉 AI 解决方案会获得性能和成本优势。

用例

视觉 AI 的用例涵盖制造业、零售业、医疗保健业和公共部门。 典型的视觉 AI 用例包括质量保证、安全和安全性。

质量保证

在制造环境中，视觉 AI 可以快速准确地检查零件和流程。 自动化质量检查可以：

  • 监视制造过程的一致性。
  • 检查产品组装是否正确。
  • 提供早期缺陷通知。

有关此用例的示例方案，请参阅用户方案 1：质量控制。

安全与安全性

自动视觉监视可以扫描潜在的安全和安全性问题。 使用自动化可以有更多时间来响应事件，并且可以降低风险。 自动化安全监视可以：

  • 跟踪对个人防护设备指南的遵守情况。
  • 对进入未经授权的区域进行监视并发出警报。
  • 针对身份不明的对象发出警报。
  • 记录未报告的未遂事故或行人车辆的未遂事故。

有关此用例的示例方案，请参阅用户方案 2：安全。

体系结构

IoT Edge 的视觉 AI 解决方案涉及多个组件和流程。 本系列文章为每个领域提供深入的规划和设计指导。

该图显示了 IoT Edge 视觉 AI 解决方案的基本组件。

  1. 相机捕获图像数据以输入到 IoT Edge 视觉 AI 系统。 请参阅 Azure IoT Edge 视觉 AI 的相机选择。
  2. IoT Edge 设备上的硬件加速为计算机图形和 AI 算法提供了必要的处理能力。 请参阅 Azure IoT Edge 视觉 AI 中的硬件加速。
  3. 部署为 IoT Edge 模块的 ML 模型对传入的图像数据进行评分。 请参阅 Azure IoT Edge 视觉 AI 中的机器学习。
  4. IoT Edge 设备将相关的图像数据和元数据发送到云进行存储。 存储的数据用于 ML 再训练、故障排除和分析。 请参阅 Azure IoT Edge 视觉 AI 的图像存储和管理。
  5. 用户通过应用、可视化和仪表板等用户界面与系统交互。 请参阅 Azure IoT Edge 视觉 AI 中的用户界面和方案。

注意事项

将计算机视觉工作负载从云迁移到边缘的原因包括性能和成本。

性能注意事项

  • 将更少的数据导出到云可以减轻可能导致性能问题的网络基础设施所承受的压力。
  • 在本地对数据进行评分有助于防止不可接受的响应延迟。
  • 本地警报可避免延迟和复杂性增加。

例如，对于进入未经授权的区域的人员，可能需要立即干预。 将评分模型放置在数据引入点附近可以实现近乎实时的图像评分和警报。

成本注意事项

在本地对数据进行评分并仅将相关数据发送到云可提高计算机视觉计划的投资回报率 (ROI)。 IoT Edge 自定义视觉模块可以对每个 ML 模型的图像数据进行评分，并仅将相关且置信度合理的图像发送到云以实现进一步处理。 仅发送所选图像可减少进入云的数据量并降低成本。

作者

本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。

主要作者：

若要查看非公开的 LinkedIn 个人资料，请登录到 LinkedIn。

后续步骤

若要继续阅读有关 IoT Edge 视觉 AI 的本系列文章，请继续阅读下一篇文章：

Azure IoT Edge 视觉 AI 的相机选择

若要详细了解 CNN、视觉 AI、Azure 机器学习和 Azure IoT Edge，请参阅以下文档：

有关更多使用 Azure IoT 的计算机视觉体系结构、示例和概念，请参阅以下文章：