Lewati Navigasi

Deteksi cacat dengan analisis gambar

Pendahuluan

Klasifikasi gambar adalah area kecerdasan buatan yang populer. Salah satu penerapan klasifikasi gambar yang sudah digunakan dalam industri adalah pendeteksian masalah kualitas pada jalur perakitan selama produksi. Dalam jalur produksi biasa, komponen berjalan di jalur perakitan dari satu stasiun ke stasiun lain, dan di akhir akan dilakukan pemeriksaan oleh pengawas—proses manual yang rawan kesalahan. Klasifikasi gambar yang didukung AI mengurangi upaya manusia dan secara otomatis mengklasifikasikan gambar sebagai lolos atau gagal. Ini tidak hanya meningkatkan efisiensi operator manusia dalam proses validasi, tetapi juga keseluruhan kualitas proses produksi.

Siapkan data

Saat menyiapkan data untuk solusi klasifikasi gambar, Anda memerlukan dua rangkaian gambar untuk melatih model Anda: satu untuk mewakili contoh lulus dan satu untuk mewakili kegagalan. Gambar ini dapat dipilih dari himpunan data generik seperti Kaggle atau dibuat khusus bagi bisnis Anda. Pertimbangkan untuk memiliki gambar homogen; misalnya, kumpulan file JPG berukuran hampir sama pada resolusi skala yang sama. Menyiapkan data juga harus membagi gambar ke kumpulan pelatihan dan validasi.

Bangun dan latih

Setelah Anda memiliki sekumpulan gambar yang homogen dan terorganisir, data dibaca di dalam mesin analitik. Jaringan neural dan pembelajaran transfer adalah cara yang baik untuk menangani data gambar dalam solusi AI. Pembelajaran transfer memungkinkan Anda menggunakan model terlatih yang sudah tahu cara untuk mengklasifikasikan gambar. Model yang ada dapat melakukan tugas tertentu dengan sangat baik—misalnya, mendeteksi orang atau kucing. Namun, tugas yang dilatih untuk model tersebut mungkin berbeda dari skenario khusus yang sedang Anda coba selesaikan. Melatih ulang model yang ada biasanya jauh lebih cepat daripada memulai dari awal, sehingga pembelajaran transfer memperpendek proses pelatihan secara substansial. Terakhir, dalam klasifikasi gambar, jaringan neural terkadang dipasangkan dengan model sekunder untuk memberikan prediksi akhir. Misalnya, arsitektur jaringan neural konvolusional dengan 50 lapisan tersembunyi dapat digunakan untuk memproses gambar. Pasangkan dengan pohon keputusan yang disempurnakan untuk mengklasifikasikan gambar sebagai lolos atau gagal.

Menyebarkan

Setelah model klasifikasi gambar terlatih siap digunakan, model dapat disebarkan sebagai layanan web dengan titik akhir REST. Dasbor analitik dan peringatan dapat memanggil informasi dan prediksi dari layanan web. Karena pemrosesan gambar secara komputasi cenderung mahal, banyak solusi serupa memanfaatkan penyebaran kluster berbasis cloud yang dapat diskalakan jika diperlukan. Layanan seperti Azure Machine Learning dapat membantu proses ini, membuat titik akhir REST yang disebarkan dengan mudah ke kluster Azure Kubernetes.

Pelanggan melakukan hal-hal hebat dengan Azure