Feiloppdagelse med bildeanalyse

Innføring

Bildeklassifisering er et populært område for kunstig intelligens. Et bruksområde til bildeklassifisering som allerede brukes i bransjen, er påvisning av kvalitetsproblemer på samlebånd under produksjon. På et vanlig samlebånd transporteres komponenter ned samlebåndet fra en stasjon til en annen, hvor en kontrollør stepper inn for å se etter problemer – en manuell prosess hvor det er lett å gjøre feil. AI-dreven bildeklassifisering reduserer behovet for menneskelig innsats og automatisk klassifiserer bilder som godkjent eller ikke godkjent. Dette øker ikke bare effektiviteten til menneskelige operatører i valideringsprosessen, men også kvaliteten på produksjonsprosessen totalt sett.

Klargjøre data

Når du klargjør data for en bildeklassifiseringsløsning, trenger du to bildegrupper for å lære opp modellen: En som representerer eksempler som er godkjent, og en som representerer ikke godkjent. Disse bildene kan enten velges fra et generisk datasett, for eksempel Kaggle, eller bilder som er tilpasset for forretningen din. Vurder å ha homogene bilder, for eksempel en gruppe JPG-filer med lik størrelse med samme skaleringsoppløsning. Klargjøring av data krever også at bildene deles inn i trening- og valideringsgrupper.

Utvikling og trening

Når du har en homogen og organisert gruppe bilder er klar, leses dataene inn i en analysemotor. Neural networks og overføringslæring er gode måter å håndtere bildedata i AI-løsninger på. Overføringslæring lar deg bruke opplærte modeller som allerede vet hvordan man klassifiserer et bilde. En eksisterende modell kan utføre en spesifikk oppgave veldig godt – for eksempel gjenkjenning av folk eller katter. Men oppgaven den ble lært opp til, avviker gjerne fra det spesifikke scenarioet du vil løse. Det går stort sett mye raskere å lære opp en eksisterende modell på nytt enn å starte helt på nytt, så overføringslæring reduserer i høy grad opplæringsprosessen. I tillegg blir et Neural Network innen bildeklassifisering noen ganger sammenkoblet med en sekundær modell for å gi det endelige anslaget. Det kan for eksempel brukes en Convolutional Neural Network-arkitektur med 50 skjulte lag til å behandle bildet. Koble den sammen med et forsterket beslutningstre for å klassifisere bildet som godkjent eller ikke godkjent.

Distribuer

Etter en bildeklassifiseringsmodell er ferdig opplært, kan modellen distribueres som en webtjeneste med et REST-endepunkt. Analyseinstrumentbord og -varsler kan kalle opp webtjenesten for informasjon og forutsigelser. Ettersom bildeprosessering vanligvis krever omfattende beregninger, velger mange lignende løsninger å bruke skybaserte klyngedistribusjoner som kan skaleres etter behov. En tjeneste som Azure Machine Learning kan bidra med dette, og lager et REST-endepunkt som enkelt distribueres til en Azure Kubernetes-klynge.

Kunder gjør de utroligste ting med AI