솔루션 아키텍처: 나선형 신경망을 사용한 이미지 분류

간단한 제조, 비용 제어 및 폐기물 감량은 제조업체가 경쟁력을 유지하는 데 매우 중요합니다. 회로 보드 제조에서 보드에 오류가 있으면 제조업체의 비용이 많이 들고 생산성도 저하될 수 있습니다. 어셈블리 라인에서는 운영자를 통해 어셈블리 라인 테스트 시스템에서 오류가 있을 수 있다고 플래그를 지정한 보드를 신속하게 검토하고 유효성을 검사합니다.

이 솔루션은 회로 보드 제조 공장의 어셈블리 라인 카메라에서 생성한 전자 부품 이미지를 분석하고 해당 오류 상태를 감지합니다. 목표는 사람의 개입을 최소화하거나 제거하는 것입니다. 솔루션은 50개의 숨겨진 계층이 있는 나선형 신경망을 사용하고 ImageNet 데이터 집합의 350,000개 이미지에서 미리 학습된 이미지 분류 시스템을 구축하고 마지막 네트워크 계층을 제거하여 이미지의 시각적 기능을 생성합니다. 그런 다음 이러한 기능을 사용하여 이미지를 “통과” 또는 “실패”로 분류하는 승격된 의사 결정 트리 및 공장의 에지 시스템에서 수행된 최종 점수를 학습합니다. 분류 수행 결과는 양호(시간 기반 교차 유효성 검사 AUC>.90)하며, 솔루션이 조립된 회로 보드에서 전자 부품 오류를 감지하는 인간의 개입을 현저하게 최소화하는 데 적합함을 나타냅니다.

운영자를 이용하는 대신 이 솔루션을 사용하여 오류 감지를 자동화하면 오류가 있는 전자 부품 식별을 개선하고 생산성을 향상시킬 수 있습니다.

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

구현 지침

제품 설명서

Azure Blob Storage

데이터는 Azure Blob Storage에서 수집되고 저장됩니다.

GPU 기반 Azure 데이터 과학 가상 컴퓨터

핵심 개발 환경은 Azure Ubuntu 기반 GPU DSVM입니다. Blob에서 DSVM에 연결된 Azure VHD(가상 하드 디스크)로 데이터를 가져옵니다. 해당 VHD에서 데이터를 처리하고 심층 신경망을 사용하여 이미지를 기능화하며 승격된 트리 모델을 학습합니다. DSVM IPython Notebook 서버가 솔루션 개발에 사용됩니다.

Azure BAIT(Batch AI 교육)

심화 학습 이미지 처리를 사용하는 계산 중심 작업의 경우 DSVM 기반 교육 대신 GPU 계산 노드의 클러스터를 사용하는 병렬 및 분산 컴퓨팅을 위한 관리되는 Azure Batch 프레임워크로 BAIT를 사용합니다.

Microsoft Machine Learning for Apache Spark HDInsight Spark Cluster

큰 데이터 집합의 경우 DSVM 기반 교육 대신 MMLSpark를 사용하여 확장성이 뛰어난 교육 솔루션을 작성합니다.

Azure Container Registry

모델 및 웹 응용 프로그램은 Docker 이미지로 패키지화되고 Azure Container Registry에 기록됩니다.

Azure Machine Learning 모델 관리 서비스

Azure Machine Learning 모델 관리 서비스는 VM에서 최종 모델을 배포하고 관리하며 Azure Container Service를 사용하여 Kubernetes 관리 Azure 클러스터로 확장하는 데 사용됩니다.

또한 예측 웹 서비스 및 Java ETL 서비스는 VM에 기록되며, 각각 고유한 컨테이너에 기록됩니다.

Azure Container Service 클러스터

이 솔루션 배포에서는 Kubernetes 관리 클러스터를 실행하는 Azure Container Service를 사용합니다. 컨테이너는 Azure Container Registry에 저장된 이미지에서 배포됩니다.