Hopp over navigasjon

Løsningsarkitektur: Bildeklassifisering med convolutional neural networks

Enkel produksjon, kostnadskontroll og avfallsreduksjon er avgjørende for at produksjonen skal holde seg konkurransedyktig. Innen kretskoftproduksjon kan defekte kort koste produsentene penger og produktivitet. Samlebåndene er avhengig av menneskelige operatører til raskt å se over og validere kort som er flagget som potensielt defekte av samlebåndenes testmaskiner.

Denne løsningen analyserer bilder av elektroniske komponenter generert av samlebåndkameraer på kretskortfabrikken og oppdager feilstatusen deres. Målet er å minimere eller fjerne behovet for menneskelig innblanding. Løsningen bygger et bildeklassifiseringssystem som bruker konvolverende nevralt nettverk med 50 skjulte lag, forhåndsopplært med 350 000 bilder i et ImageNet-datasett for å generere visuelle egenskaper på bildene ved å fjerne det siste nettverkslaget. Disse egenskapene brukes deretter til å lære opp et løftet beslutningstre til å klassifisere bildet som «bestått» eller «feilet» og endelig scoring utført av kantmaskiner på fabrikken. Ytelsesresultatene av klassifiseringen er gode (tidsbasert kryssvalidering AUC>,90), noe som indikerer at løsningen er egnet til drastisk å minimere menneskelig innblanding for påvisning av defekter i elektroniske komponenter på sammensatte kretskort.

Ved å bruke denne løsningen til å automatisere defektpåvisning i stedet for bare å bruke menneskelige operatører, bidrar til å forbedre defektidentifikasjonen av elektroniske komponenter og å løfte produktiviteten.

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

Implementeringsveiledning

Produkter/beskrivelse Dokumentasjon

Azure Blob Storage

Dat innføres og lagres i Azure Blob Storage.

GPU-basert Azure Data Science Virtual Machine

Kjerneutviklingsmiljøet er det Azure Ubuntu-baserte GPU DSVM. Dataene trekkes fra blob til en virtuell Azure-harddisk (VHD) som er koblet til DSVM-en. Dataene behandles på den VHD-en, og bildene får egenskaper ved hjelp av et omfattende nevralt nettverk, og en forsterket tremodell læres opp. DSVM IPython Notebook-server brukes til løsningsutvikling.

Azure Batch AI-opplæring (BAIT)

Som et alternativ til DSVM-basert opplæring for databehandlingsintensive jobber som bruker bildebehandling med omfattende læring, bruker vi BAIT som et administrert Azure Batch-rammeverk for parallell og distribuert databehandling ved bruk av klynger med GPU-databehandlingsnoder.

Microsoft Machine Learning for Apache Spark HDInsight Spark-klynge

Som et alternativ til DSVM-basert opplæring bruker vi MMLSpark for store datasett til å bygge en svært skalerbar opplæringsløsning.

Azure beholderregister

Modellen og webprogrammet er pakket inn i et Docker-bilde og skrevet til Azure Container Registry.

Azure Machine Learning Model Management Service

Azure-modelladministrasjonstjeneste brukes til å distribuere og administrere den endelige modellen på en VM og til å skalere ut ved hjelp av Azure Container Service til en Kubernetes-administrert Azure-klynge.

Det er også skrevet en prediktiv webtjeneste og Java ETL-tjeneste på VM-en, hver i sin egen beholder.

Azure Container Service-klynge

Distribusjonen for denne løsningen bruker Azure Container Service som kjører en Kubernetes-administrert klynge. Beholderne distribueres fra bilder lagret i Azure Container Registry.