Afbeeldingsclassificatie met convolutionele neurale netwerken (CNN's)

Gebruik convolutionele neurale netwerken (CNN's) om grote hoeveelheden afbeeldingen efficiënt te classificeren om elementen in afbeeldingen te identificeren.

Architectuur

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

1. Afbeeldingsuploads naar Azure Blob Storage worden opgenomen door Azure Machine Learning.
2. Omdat de oplossing een leerbenadering onder supervisie volgt en gegevenslabels nodig heeft om het model te trainen, worden de opgenomen installatiekopieën gelabeld in Machine Learning.
3. Het CNN-model wordt getraind en gevalideerd in het Machine Learning-notebook. Er zijn verschillende vooraf getrainde modellen voor afbeeldingsclassificatie beschikbaar. U kunt ze gebruiken met behulp van een leerbenadering voor overdracht. Zie Vooruitgang in afbeeldingsclassificatie met behulp van convolutionele neurale netwerken voor informatie over enkele varianten van vooraf getrainde CNN's. U kunt deze afbeeldingsclassificatiemodellen downloaden en aanpassen met uw gelabelde gegevens.
4. Na de training wordt het model opgeslagen in een modelregister in Machine Learning.
5. Het model wordt geïmplementeerd via batchbeheerde eindpunten.
6. De modelresultaten worden naar Azure Cosmos DB geschreven en gebruikt via de front-endtoepassing.

Onderdelen

• Blob Storage is een service die deel uitmaakt van Azure Storage. Blob Storage biedt geoptimaliseerde cloudobjectopslag voor grote hoeveelheden ongestructureerde gegevens.
• Machine Learning is een cloudomgeving die u kunt gebruiken om machine learning-modellen te trainen, implementeren, automatiseren, beheren en bij te houden. U kunt de modellen gebruiken om toekomstig gedrag, resultaten en trends te voorspellen.
• Azure Cosmos DB is een wereldwijd gedistribueerde database met meerdere modellen. Met Azure Cosmos DB kunnen uw oplossingen doorvoer en opslag elastisch schalen in een willekeurig aantal geografische regio's.
• Azure Container Registry bouwt, bewaart en beheert containerinstallatiekopieën en kan machine learning-modellen in containers opslaan.

Scenariodetails

Met de opkomst van technologieën zoals Internet of Things (IoT) en AI genereert de wereld grote hoeveelheden gegevens. Het extraheren van relevante informatie uit de gegevens is een belangrijke uitdaging geworden. Afbeeldingsclassificatie is een relevante oplossing om te identificeren wat een afbeelding vertegenwoordigt. Met afbeeldingsclassificatie kunt u grote hoeveelheden afbeeldingen categoriseren. Convolutionele neurale netwerken (CNN's) leveren goede prestaties op afbeeldingsgegevenssets. CNN's hebben een belangrijke rol gespeeld bij de ontwikkeling van geavanceerde oplossingen voor afbeeldingsclassificatie.

Er zijn drie hoofdtypen lagen in CNN's:

• Convolutionele lagen
• Poollagen
• Volledig verbonden lagen

De convolutionele laag is de eerste laag van een convolutionele netwerk. Deze laag kan een andere convolutionele laag of poollaag volgen. Over het algemeen is de volledig verbonden laag de laatste laag in het netwerk.

Naarmate het aantal lagen toeneemt, neemt de complexiteit van het model toe en kan het model grotere delen van de afbeelding identificeren. De beginlagen richten zich op eenvoudige functies, zoals randen. Naarmate de afbeeldingsgegevens door de lagen van de CNN gaan, begint het netwerk meer geavanceerde elementen of vormen in het object te herkennen. Ten slotte wordt het verwachte object geïdentificeerd.

Potentiële gebruikscases

• Deze oplossing kan helpen bij het automatiseren van foutdetectie, wat de voorkeur verdient om uitsluitend te vertrouwen op menselijke operators. Deze oplossing kan bijvoorbeeld de productiviteit verhogen door defecte elektronische onderdelen te identificeren. Deze mogelijkheid is belangrijk voor lean productie, kostenbeheersing en afvalreductie in de productie. Bij de productie van printplaten kunnen defecte platen een nadelige invloed op het kostenplaatje en de productiviteit hebben. Assemblylijnen zijn afhankelijk van menselijke operators om snel borden te controleren en te valideren die zijn gemarkeerd als mogelijk defect door assembly-line testmachines.
• Afbeeldingsclassificatie is ideaal voor de gezondheidszorg. Afbeeldingsclassificatie helpt botbarsten, verschillende soorten kanker en afwijkingen in weefsels te detecteren. U kunt ook afbeeldingsclassificatie gebruiken om onregelmatigheden te markeren die de aanwezigheid van ziekte kunnen aangeven. Een afbeeldingsclassificatiemodel kan de nauwkeurigheid van MRIs's verbeteren.
• In het landbouwdomein helpen oplossingen voor afbeeldingsclassificatie bij het identificeren van plantenziekten en planten die water vereisen. Als gevolg hiervan helpt afbeeldingsclassificatie de noodzaak van menselijke interventie te verminderen.

Bijdragers

Dit artikel wordt onderhouden door Microsoft. Het is oorspronkelijk geschreven door de volgende inzender.

Hoofdauteur:

• Ashish Chauhan | Senior oplossingsarchitect

Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.

Volgende stappen

• Zie Inleiding tot Azure Blob Storage voor meer informatie over Blob Storage.
• Zie Inleiding tot containerregisters in Azure voor meer informatie over Container Registry.
• Zie MLOps: Modelbeheer, implementatie, herkomst en bewaking met Azure Machine Learning voor meer informatie over modelbeheer (MLOps).
• Zie Synapse Machine Learning voor meer informatie over SynapseML.
• Zie Deep Learning-modellen trainen en evalueren om een Microsoft Learn-module te verkennen die een sectie over CNN's bevat.

Verwante resources

Visuele zoekopdrachten in de detailhandel met Azure Cosmos DB