使用 Azure IoT Edge 的視覺 AI 解決方案
這一系列文章說明如何規劃和設計使用 Azure IoT Edge 的電腦視覺工作負載。 您可以在裝置上執行 Azure IoT Edge，並與 Azure 機器學習、Azure 儲存體、Azure App 服務 和 Power BI 整合，以取得端對端視覺 AI 解決方案。
以視覺方式檢查產品、資源和環境對於許多工作而言非常重要。 人類視覺檢查和分析會受限於效率低下和不透明度。 企業現在使用深度學習人工神經網路，稱為 卷積神經網路（CNN） 來模擬人類視覺。 使用CNN進行自動化影像輸入和分析通常稱為 電腦視覺 或 視覺 AI。
容器化等技術支援可移植性，可讓視覺 AI 模型移轉至網路邊緣。 您可以在雲端中定型視覺推斷模型、將模型容器化，並使用它們為已啟用 Azure IoT Edge 運行時間的裝置建立自定義模組。 在邊緣部署視覺 AI 解決方案會產生效能和成本效益。
使用案例
視覺 AI 的使用案例橫跨製造、零售、醫療保健和公共部門。 典型的視覺 AI 使用案例包括質量保證、安全性和安全性。
品質保證
在製造環境中，視覺 AI 可以快速且準確地檢查零件和流程。 自動化品質檢查可以：
- 監視製造程式一致性。
- 檢查適當的產品元件。
- 提供早期瑕疵通知。
如需此使用案例的範例案例，請參閱 使用者案例 1：品質控制。
安全性和安全性
自動化視覺監視可以掃描潛在的安全性和安全性問題。 自動化可以提供更多時間來回應事件，以及降低風險的機會。 自動化安全性監視可以：
- 追蹤個人防護設備指導方針的合規性。
- 監視和警示進入未經授權的區域。
- 未識別物件的警示。
- 記錄未報告的近距離電話或行人設備接近錯過。
如需此使用案例的範例案例，請參閱 使用者案例 2：安全。
架構
適用於IoT Edge的視覺 AI 解決方案牽涉到數位元件和程式。 本系列文章提供每個區域的深入規劃和設計指引。
- 相機會擷取影像數據，以輸入IoT Edge視覺 AI 系統。 請參閱 Azure IoT Edge 視覺 AI 的相機選擇。
- IoT Edge 裝置上的硬體加速提供電腦圖形和 AI 演算法所需的處理能力。 請參閱 Azure IoT Edge 視覺 AI 中的硬體加速。
- 部署為IoT Edge模組的ML模型會為傳入映像數據評分。 請參閱 Azure IoT Edge 視覺 AI 中的機器學習服務。
- IoT Edge 裝置會將相關的影像數據和元數據傳送至雲端以供儲存。 預存數據用於ML重新定型、疑難解答和分析。 請參閱 Azure IoT Edge 視覺 AI 的映像記憶體和管理。
- 使用者透過應用程式、視覺效果和儀錶板等使用者介面與系統互動。 請參閱 Azure IoT Edge 視覺 AI 中的使用者介面和案例。
考量
將電腦視覺工作負載從雲端移轉至邊緣的原因包括效能和成本。
效能考量
- 將較少的數據導出至雲端可減輕網路基礎結構造成效能問題的壓力。
- 在本機評分數據有助於防止無法接受的回應延遲。
- 本機警示可避免延遲並增加複雜度。
例如，進入未經授權的區域的人員可能需要立即介入。 將評分模型定位在數據擷取點附近，可允許近乎即時的影像評分和警示。
成本考量
在本機評分數據，並只傳送相關數據給雲端，可以改善計算機視覺計劃的投資報酬率。 IoT Edge 自定義視覺模組可以針對每個 ML 模型評分影像數據，並只傳送被認為具有合理信心的影像給雲端進行進一步處理。 只傳送選取的影像可減少前往雲端的數據量，並降低成本。
參與者
本文由 Microsoft 維護。 原始投稿人如下。
主體作者：
- 基思·希爾 |資深 PM 經理
若要查看非公開的 LinkedIn 設定檔，請登入 LinkedIn。
下一步
若要繼續進行有關IoT Edge視覺 AI 的系列，請繼續進行下一篇文章：
若要深入瞭解 CNN、視覺 AI、Azure 機器學習 和 Azure IoT Edge，請參閱下列檔：
- Azure IoT Edge 文件
- Azure Machine Learning 文件
- 教學課程：使用 自訂視覺 服務在邊緣執行影像分類
- 什麼是電腦視覺？
- Azure Kinect DK 開發人員套件檔
- 開啟類神經網路交換 （ONNX） ML 架構
- 模型管理深度神經網路 （MMdnn） 工具
相關資源
如需更多使用 Azure IoT 的電腦視覺架構、範例和想法，請參閱下列文章：