Hibafelismerés képelemzéssel

Bevezetés

A képek besorolása a mesterséges intelligencia egyik népszerű területe. Már ipari használatban van az a képosztályozási alkalmazás, amely a gyártás során, a futószalagon észleli a minőségi problémákat. Egy átlagos gyártósoron a készülő alkatrészek állomástól állomásig haladnak a futószalagon, és végül egy emberi ellenőr ellenőrzi a minőséget. Ez egy manuális folyamat, amelyben könnyen előfordulhatnak hibák. A mesterséges intelligencia által vezérelt képbesorolás azonban lecsökkenti az emberi hibalehetőségek számát, és automatikusan sorolja be a képeket megfeleltként vagy nem megfeleltként. Ez egyrészt felgyorsítja az emberi ellenőrök hatékonyságát az értékelésben, másrészt pedig javítja az egész gyártási folyamat minőségét is.

Adatok előkészítése

Amikor az adatokat képosztályozási megoldáshoz készíti elő, a modell betanításához két képkészletre lesz szüksége: megfelelt és nem felelt meg példákat illusztráló képekre. Ezeket a képeket kiválaszthatja egy általános készletből, mint például a Kaggle, de olyan egyéni képekkel is dolgozhat, amelyek kimondottan az Ön vállalkozása számára készültek. Sokat segít, ha a sorozat homogén képekből, például egyforma felbontású JPG-fájlokból áll. Az adatok előkészítéséhez arra is szükség van, hogy a képeket betanítási és értékelési készletre ossza.

Létrehozás és betanítás

Amint a homogén és rendezett képkészlet elkészül, az adatokat a rendszer beolvassa egy elemző motorba. A neurális hálózatok és a tanulásátvitel bevált módszerek az AI-megoldásokban használt képadatok kezeléséhez. A tanulásátvitel lehetővé teszi a képek osztályozására előzőleg már betanított modellek használatát. Egy meglévő modell jól végezhet el egy adott feladatot, mint például az emberek vagy macskák észlelése. De a feladat, amelyre betanították, valószínűleg eltér attól a konkrét céltól, amelyre Ön megoldást keres. A meglévő modell újbóli betanítása általában sokkal gyorsabban megy, mintha mindent elölről kezdene, így a tanulásátvitel jelentősen lerövidíti a betanítási folyamatot. Ezenkívül a képosztályozásban a neurális hálózat néha egy második modellel kiegészülve nyújt végleges előrejelzést. Egy 50 rejtett réteget tartalmazó konvolúciós neurális hálózati architektúra például használható a képfeldolgozásra. Ha ezt egy gyorsított regressziós döntési fával együtt használja, a képet megfeleltként vagy nem megfeleltként kategorizálhatja.

Üzembe helyezés

Amikor a betanított képosztályozási modell elkészült, REST-végponttal rendelkező webes szolgáltatásként helyezhető üzembe. Az elemzési irányítópultok és riasztások ezt a webes szolgáltatást hívhatják információkért és előrejelzésekért. Mivel a képfeldolgozás számításigénye általában költséges, számos hasonló megoldás használ igény szerint méretezhető felhőalapú fürtkonfigurációkat. Ebben segíthet egy Azure Machine Learning-típusú szolgáltatás, amely egy Azure-beli Kubernetes-fürtön könnyen telepíthető rest-végpontot hoz létre.

A mesterséges intelligencia hihetetlen dolgokra teszi képessé az ügyfeleket