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.

Azure Blob Storage GPU Data Science Virtual Machine Azure Container Registry Azure Machine Learning Model Management Service Machine Learning Model Predictive Web Application Azure Container Service Java ETL

Implementálási segédlet

Termék 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.