Megoldásarchitektúra: Képbesorolás konvolúciós neurális hálózatokkal
A lean típusú gyártási rendszer, a költségvezérlés és a hulladékmennyiség csökkentése kiemelten fontos a gyártás versenyképességének fenntartása érdekében. Az áramköri lapkák gyártásánál keletkező hibás lapkák jelentős anyagi és termelési veszteséget jelentenek. A szerelősoros gyártás során emberi munkával ellenőrzik a hibagyanúsnak megjelölt lapkákat, és ehhez szerelősori tesztgépeket használnak.
Ez a megoldás azokat a képeket elemzi, amelyeket a szerelősori kamerák rögzítettek az elektronikai összetevőkről a lapkagyártó műhelyben, és észleli azok hibás állapotát. A cél az emberi beavatkozások szükségességének minimálisra csökkentése vagy teljes kiküszöbölése. A megoldás egy képosztályozó rendszert épít fel, amely egy 50 rejtett réteget tartalmazó és 350.000, ImageNet-adatkészletben tárolt kép felhasználásával betanított konvolúciós neurális hálózat használatával lett létrehozva. A képek vizuális jellemzőinek előállítását a rendszer az utolsó hálózati réteg eltávolításával végzi el. Ezeket a jellemzőket a rendszer egy gyorsított döntési fa betanításához használja a kép „megfelelő” vagy „nem megfelelő” besorolásához és egy végső kiértékeléshez, amit az üzem élgépeinél végeznek el. A besorolási teljesítmény jó (az időalapú keresztérvényesítés AUC>.90), ami azt jelenti, hogy a megoldás képes drasztikusan csökkenteni az emberi beavatkozás szükségességét az elektronikai alkatrészek hibáinak kiszűrésénél az összeszerelt elektronikai lapkák esetén.
A megoldás használatával a kizárólag emberi beavatkozásra hagyatkozó eljáráshoz képest jobb eredmények érhetőek el a hibás elektronikai alkatrészek azonosításánál, és így növelhető a termelékenység.
Implementálási segédlet
| Termékek/Leírás | Dokumentáció | |
|---|---|---|
| Azure Blob Storage | Az adatok az Azure Blob Storage-ba lesznek betöltve, és ott lesznek feldogozva. | |
| GPU-t tartalmazó Azure adatelemzési virtuális gép | A fejlesztési környezet alapvetően az Azure Ubuntu alapú, GPU-t tartalmazó adatelemző virtuális gépein (DSVM) alapul. Az adatok a blobból a DSVM-hez csatolt Azure virtuális merevlemezre (VHD) kerülnek. Az adatok a VHD-n lesznek feldolgozva, a képek jellemezőit pedig deep learninget alkalmazó neurális hálózat és gyorsított fa modell használatával végzi el a rendszer. A megoldásfejlesztésben DSVM IPython Notebook kiszolgálót használunk. | |
| Azure Batch AI-betanítás (BAIT) | A DSVM-alapú betanítás mellett azokhoz a nagy számítási igényű feladatokhoz, amelyek deep learninget használó képfeldolgozást végeznek, Azure Batch keretrendszerként a BAIT-ot alkalmazzuk párhuzamos és elosztott számítási feladatokhoz GPU számítási csomópontkötegek felhasználásával. | |
| Microsoft Machine Learning a HDInsighthoz készült Apache Spark-alapú Spark-fürthöz | A DSVM-alapú betanítás mellett nagy adathalmazok esetén rugalmasan méretezhető betanítási megoldáshoz az MMLSparkot használjuk. | |
| Azure Container Registry | A modell és a webalkalmazás egy Docker-rendszerképbe van becsomagolva, és az Azure Container Registryben van tárolva. | |
| Azure Machine Learning Modellkezelés szolgáltatás | A kész modell virtuális gépen való üzembe helyezése az Azure Machine Learning Modellkezelés használatával, míg a Kubernetes által kezelt Azure-fürtre való kiterjesztése az Azure Container Service használatával történik. A virtuális gépre felkerül egy prediktív webszolgáltatás és egy Java ETL szolgáltatás is, mindkettő saját tárolót használva. | |
| Azure Container Service-fürt | A megoldás üzembe helyezése az Azure Container Service és Kubernetes által kezelt fürt használatával történik. A tárolók üzembe helyezése az Azure Container Registryben tárolt rendszerképek használatával történik. |