Fejlregistrering med billedanalyse

Introduktion

Billedklassificering er et populært AI-område. Et program til billedklassificering, der allerede benyttes i branchen, er registreringen af kvalitetsproblemer på samlebånd under produktionen. På en typisk produktionslinje kører komponenter på et samlebånd fra én station til den næste, og til sidst træder en operatør til for at opdage eventuelle problemer – en manuel og potentielt fejlbehæftet proces. AI-drevet billedklassificering reducerer den menneskelige interaktion og klassificerer automatisk billeder som bestået eller fejlbehæftet. Herved forbedres ikke bare de menneskelige operatørers effektivitet i valideringsprocessen, men også kvaliteten af den overordnede produktionsproces.

Forbered data

Når du forbereder data til en billedklassificeringsløsning, har du brug for to sæt billeder for at oplære din model: et, der repræsenterer de 'beståede' billeder, og et, der repræsenterer de 'fejlbehæftede'. Disse billeder kan enten vælges fra et generisk datasæt som f.eks. Kaggle eller kan være et sæt brugerdefinerede billeder, der er oprettet til din virksomhed. Overvej evt. at anvende homogene billeder, f.eks. et sæt JPG-filer i samme størrelse som med samme skaleringsopløsning. Forberedelsen af data kræver også, at billederne inddeles i oplærings- og valideringssæt.

Opbyg og oplær

Når du har et homogent og organiseret sæt billeder, indlæses dataene i en analysemotor. Neurale netværk og overførselslæring er gode måder at håndtere billeddata i AI-løsninger på. Med overførselslæring kan du benytte oplærte modeller, der allerede ved, hvordan et billede klassificeres. En eksisterende model kan udføre en bestemt opgave ganske godt, f.eks. registrere mennesker eller katte. Den opgave, som modellen blev oplært i, adskiller sig sandsynligvis fra det bestemte scenarie, som du er i gang med at løse. Genindstilling af en eksisterende model er som regel langt hurtigere end at begynde fra bunden, hvorfor overførselslæring i høj grad afkorter oplæringsprocessen. Sidst, men ikke mindst, oprettes der nogle gange parring mellem et neuralt netværk og en sekundær model i klassifikationen af billedet for at opnå den endelige forudsigelse. En avanceret neural netværksarkitektur med 50 skjulte lag kan f.eks. bruges til at behandle billedet. Kombiner det med et boostet beslutningstræ for at klassificere billedet som bestået eller fejlbehæftet.

Installer

Når en oplært model til billedklassificering er parat, kan modellen udrulles som en webtjeneste med et REST-slutpunkt. Analysedashboards og vigtige beskeder kan kalde webtjenesten for at få oplysninger og forudsigelser. Eftersom billedbehandling typisk er dyrt rent databeregningsmæssigt, gør mange lignende oplysninger brug af cloudbaserede klyngeinstallationer, som kan skaleres efter behov. En tjeneste som f.eks. Azure Machine Learning kan hjælpe med dette ved at oprette et REST-slutpunkt, der nemt kan installeres på en Azure Kubernetes-klynge.

Kunderne udretter fantastiske ting med AI