Løsningsarkitektur: Billedklassificering med avancerede neurale netværk

Trimmet produktion, omkostningsstyring og reduktion af affald er afgørende, for at produktionen kan forblive konkurrencedygtig. Inden for produktion af printplader kan defekte plader koste producenten penge og produktivitet. Montagebånd er afhængige af, at menneskelige operatører hurtigt undersøger og validerer plader, der er markeret som potentielt defekte af montagebåndets testmaskiner.

Med denne løsning analyseres billeder af elektroniske komponenter, der genereres af montagebåndskameraer på en fabrik, som producerer printplader, og deres fejlstatus registreres. Målet er at minimere eller fjerne behovet for menneskelig indgriben. Med løsningen oprettes der et billedklassificeringssystem med et avanceret neuralt netværk, der har 50 skjulte lag, som på forhånd er "oplært" på basis af 350.000 billeder i et ImageNet-datasæt for at generere billedernes visuelle egenskaber ved at fjerne det sidste netværkslag. Disse egenskaber bruges derefter til at oplære et boostet beslutningstræ til at klassificere billedet som "bestået" eller "fejlbehæftet", og den endelige ridsning udføres på kantmaskiner på fabrikken. Resultaterne af klassificeringen er gode (AUC for tidsbaseret krydsvalidering>.90), hvilket indikerer, at løsningen er egnet til drastisk at minimere menneskelig indgriben ved fejlfinding af elektroniske komponenter på printplader, der er produceret på et montagebånd.

Ved at bruge denne løsning til at automatisere fejlfinding i stedet for kun at basere sig på menneskelige operatører forbedres identificeringen af fejlbehæftede elektroniske komponenter, og produktiviteten øges.

Image classification with convolutional neural networksExplore transfer learning, convolutional neural networks and gradient-boosting decision tree algorithms.

Implementeringsvejledning

Produkter/beskrivelse Dokumentation

Azure Blob Storage

Data overføres til og gemmes i Azure Blob Storage.

GPU-baseret Azure Data Science Virtual Machine

Kerneudviklingsmiljøet er den Azure Ubuntu-baserede GPU DSVM. Dataene trækkes fra blob til en Azure VHD (virtuel harddisk), der er knyttet til DSVM. På VHD'en behandles dataene, billederne klassificeres ved hjælp af et Deep Neural Network, og en boostet træmodel oplæres. Der bruges en DSVM IPython Notebook-server til udvikling af løsninger.

Azure BAIT (Batch AI-oplæring)

Som et alternativ til DSVM-baseret oplæring til job med store mængder databehandling, der anvender deep learning-billedbehandling, bruger vi BAIT som et administreret Azure Batch-framework til parallel og distribueret databehandling med klynger af GPU-beregningsnoder.

Microsoft Machine Learning til Apache Spark HDInsight Spark-klynge

Som et alternativ til DSVM-baseret oplæring bruger vi MMLSpark til store datasæt for at skabe en meget skalerbar oplæringsløsning.

Azure Container Registry

Modellen og webprogrammet pakkes i en Docker-afbildning og skrives til Azure Container Registry.

Azure Machine Learning-tjenesten Modeladministration

Azure Machine Learning-tjenesten Modeladministration bruges til at installere og administrere den endelige model på en virtuel maskine og til at skalere ud til en Kubernetes-administreret Azure-klynge ved hjælp af Azure Kubernetes Service. Der skrives også en forudsigende webtjeneste og en Java ETL-tjeneste, der hver især placeret i deres egen objektbeholder, til den virtuelle maskine.

Azure Kubernetes Service (AKS)

I udrulningen af denne løsning bruges Azure Kubernetes Service, der kører en Kubernetes-administreret klynge. Containerne installeres fra afbildninger, der er gemt i Azure Container Registry.