Zjišťování defektů pomocí analýzy obrázků

Úvod

Klasifikace obrázků je oblíbenou oblastí umělé inteligence. Jedním ze způsobů využití klasifikace obrázků, který už nachází uplatnění v průmyslu, je zjišťování problémů s kvalitou na montážních linkách ve výrobních závodech. Na typické výrobní lince komponenty přejíždějí na montážním pásu od jedné stanice ke druhé a na konci čeká kontrolor, který zjišťuje případné problémy, což je ruční proces, který je náchylný k chybám. Klasifikace obrázků na základě umělé inteligence omezuje lidské úsilí a automaticky klasifikuje obrázky na vyhovující a nevyhovující. To zvyšuje nejenom efektivitu lidských operátorů během ověřovacího procesu, ale také celkovou kvalitu výrobního procesu.

Příprava dat

Při přípravě dat pro řešení klasifikace obrázků budete k vytrénování modelu potřebovat dvě sady obrázků: jednu s příklady „vyhovujících obrázků“ a druhou s příklady „nevyhovujících“ obrázků. Tyto obrázky mohou pocházet buď z generické datové sady, jako je Kaggle, nebo se může jednat o vlastní obrázky vytvořené speciálně pro vaši firmu. Zvažte možnost použití homogenních obrázků, třeba sady souborů JPG s přibližně stejnou velikostí a ve stejném rozlišení. Při přípravě dat je taky potřeba rozdělit obrázky do sad pro trénování a ověřování.

Sestavení a trénování

Jakmile máte homogenní a uspořádanou sadu obrázků, data se načtou do analytického jádra. Neuronové sítě a provozní learning často představují dobrý způsob, jak v řešeních umělé inteligence zpracovávat data obrázků. Provozní learning umožňuje využívat vytrénované modely, které už vědí, jak klasifikovat obrázky. Existující model může velmi dobře plnit konkrétní úlohu, třeba rozpoznávat lidi nebo kočky. Úloha, pro kterou byl vytrénovaný, se ale pravděpodobně liší od konkrétního scénáře, pro který hledáte řešení. Přetrénování stávajícího modelu je většinou mnohem rychlejší, než kdybyste začínali od nuly, takže přenosový learning výrazně zkracuje proces trénování. V neposlední řadě se neuronová síť při klasifikaci obrázků často páruje se sekundárním modelem, aby mohla vzniknout konečná předpověď. Ke zpracování obrázku je možné například využít architekturu konvoluční neuronové sítě s 50 skrytými vrstvami. V kombinaci s rozšířeným rozhodovacím stromem se pak obrázek klasifikuje jako vyhovující nebo nevyhovující.

Nasazení

Jakmile je vytrénovaný model klasifikace obrázků připravený, dá se nasadit jako webová služba s koncovým bodem REST. Tuto webovou službu mohou volat řídicí panely analýzy a výstrah a získávat od ní informace a předpovědi. Zpracování obrázků bývá náročné na výpočetní výkon, a proto podobná řešení využívají cloudová nasazení do clusterů, která umožňují škálování podle potřeby. V tom může pomoct služba jako Azure Machine Learning. Vytvoří koncový bod REST, který se dá snadno nasadit do clusteru Azure Kubernetes.

Umělá inteligence nabízí zákazníkům úžasné možnosti