Fehlererkennung mit der Bildanalyse

Einführung

Die Bildklassifizierung ist ein beliebter Bereich der künstlichen Intelligenz. Eine Anwendungsmöglichkeit der Bildklassifizierung, die bereits in der Industrie umgesetzt wird, ist die Erkennung von Qualitätsproblemen in Montagestraßen in der Fertigung. In einer üblichen Produktionslinie durchlaufen die Komponenten die einzelnen Stationen einer Montagestraße. Am Ende werden sie von einem Inspektor auf ordnungsgemäße Ausführung überprüft – ein fehleranfälliger manueller Prozess. Die KI-gesteuerte Bildklassifizierung verringert den Aufwand für die Mitarbeiter und klassifiziert Bilder automatisch als „richtig“ oder „fehlerhaft“. Damit können Sie nicht nur die Effizienz der Bediener im Überprüfungsprozess erhöhen, sondern die Qualität des gesamten Fertigungsprozesses verbessern.

Daten vorbereiten

Wenn Sie Ihre Daten für eine Lösung für die Bildklassifizierung vorbereiten, benötigen Sie zwei Bildsätze zum Trainieren Ihres Modells: einen Bildsatz für „richtige“ Beispiele und einen für „fehlerhafte“. Diese Bilder können entweder aus einem generischen Dataset (z.B. Kaggle) ausgewählt oder speziell für Ihr Business erstellt werden. Es kann hilfreich sein, über homogene Bilder zu verfügen, z.B. JPG-Dateien mit ähnlicher Größe und Auflösung. Das Vorbereiten der Daten erfordert auch die Aufteilung der Bilder in Gruppen für das Training oder die Überprüfung.

Erstellen und Trainieren

Sobald Sie über eine homogene und organisierte Menge von Bildern verfügen, werden die Daten in eine Analyse-Engine eingelesen. Neuronale Netzwerke und das Transferlernen sind gute Möglichkeiten, Bilddaten in KI-Lösungen zu verarbeiten. Beim Transferlernen können Sie trainierte Modelle verwenden, die bereits wissen, wie ein Bild klassifiziert wird. Möglicherweise führt ein vorhandenes Modell eine bestimmte Aufgabe besonders gut aus, z.B. das Ermitteln von Personen oder Katzen. Allerdings unterscheidet sich die Aufgabe, für die das Modell trainiert wurde, vermutlich von dem spezifischen Szenario, das Sie lösen möchten. Es ist in der Regel schneller, ein vorhandenes Modell erneut zu trainieren, als von Grund auf neu anzufangen, also kann das Transferlernen den Zeitaufwand für das Training deutlich verkürzen. Und schließlich ist in der Bildklassifizierung ein neuronales Netzwerk manchmal an ein sekundäres Modell gekoppelt, um die endgültige Vorhersage bereitzustellen. Ein Beispiel: Zur Verarbeitung des Bilds kann die Architektur eines „faltenden“ neuronalen Netzwerks (Convolutional Neural Network) mit 50 verborgenen Schichten verwendet werden. Kombinieren Sie dies mit einem Entscheidungsbaum mit Boosting, um das Bild als „richtig“ oder „fehlerhaft“ zu klassifizieren.

Bereitstellen

Sobald ein trainiertes Bildklassifizierungsmodell bereit ist, kann das Modell als Webdienst mit einem REST-Endpunkt bereitgestellt werden. Analysedashboards und Warnungen können den Webdienst aufrufen, um Informationen und Vorhersagen abzurufen. Da die Bildverarbeitung in der Regel viel Leistung beansprucht, verwenden viele ähnliche Lösungen cloudbasierte Clusterbereitstellungen, die nach Bedarf skaliert werden können. Ein Dienst wie Azure Machine Learning kann in dieser Situation hilfreich sein, indem ein REST-Endpunkt erstellt wird, der sich einfach in einen Azure Kubernetes-Cluster bereitstellen lässt.

Die KI bietet Kunden tolle Möglichkeiten