Wykrywanie defektów za pomocą analizy obrazów

Introduction

Klasyfikacja obrazów to popularna dziedzina sztucznej inteligencji. Jednym z zastosowań klasyfikacji obrazów już używanym w przemyśle jest wykrywanie błędów jakości powstających w obrębie linii produkcyjnych. W przypadku typowej linii produkcyjnej elementy są przenoszone od jednej stacji do kolejnej, a na końcu linii inspektor zajmuje się wykrywaniem ewentualnych problemów — proces ten jest ręczny i podatny na błędy. Klasyfikacja obrazów oparta na sztucznej inteligencji zmniejsza nakład pracy ludzkiej i automatycznie klasyfikuje obrazy jako wyniki pozytywne lub negatywne. Nie tylko znacznie zwiększa to efektywność pracy operatorów w procesie weryfikacji, ale także poprawia jakość całego procesu produkcyjnego.

Prepare data

Podczas przygotowywania danych dla rozwiązania do klasyfikacji obrazów potrzebne są dwa zestawy obrazów do uczenia modelu: jeden reprezentujący przykłady wyników pozytywnych i jeden reprezentujący wyniki negatywne. Te obrazy można wybrać z ogólnego zestawu danych takiego jak Kaggle lub można użyć zestawu niestandardowego utworzonego na potrzeby danej firmy. Rozważ zastosowanie zestawu obrazów homogenicznych, na przykład zestawu plików JPG o podobnych rozmiarach i z tą samą rozdzielczością skali. Przygotowywanie danych wymaga również podzielenia obrazów na zestawy szkoleniowe i walidacyjne.

Build and train

Po utworzeniu homogenicznego i zorganizowanego zestawu obrazów dane są odczytywane przez aparat analityczny. Sieci neuronowe i transfer wiedzy to dobre metody obsługi danych obrazów w rozwiązaniach SI. Transfer wiedzy umożliwia korzystanie z nauczonych modeli, które już wiedzą, jak klasyfikować obraz. Istniejący model może bardzo dobrze wykonać określone zadanie, takie jak na przykład wykrywanie osób lub kotów. Jednak zadanie, na potrzeby którego model był uczony, prawdopodobnie różni się od określonego scenariusza, dla którego tworzysz rozwiązanie. Ponowne uczenie istniejącego modelu jest przeważnie o wiele szybsze niż rozpoczynanie od samego początku, dlatego transfer wiedzy znacząco skraca proces uczenia. Na koniec w przypadku klasyfikacji obrazów sieć neuronowa jest czasami łączona z modelem pomocniczym w celu przedstawienia końcowego przewidywania. Na przykład architektury konwolucyjnej sieci neuronowej z 50 ukrytymi warstwami można użyć do przetworzenia obrazu. Sparuj obraz ze wzmocnionym drzewem decyzyjnym w celu sklasyfikowania go jako wyniku pozytywnego lub negatywnego.

Deploy

Gdy uczony model klasyfikacji obrazów jest gotowy, można go wdrożyć jako usługę internetową z punktem końcowym REST. Alerty i pulpity nawigacyjne związane z analizą mogą wywoływać usługę internetową w celu uzyskiwania informacji i przeprowadzania operacji przewidywania. Ze względu na to, że przetwarzanie obrazów to proces wymagający kosztownych mocy obliczeniowych, wiele podobnych rozwiązań korzysta z opartych na chmurze wdrożeniach klastrów, które można w razie potrzeby odpowiednio skalować. Usługa taka jak Azure Machine Learning może w tym pomóc, tworząc punkt końcowy REST, który można łatwo wdrożyć do klastra usługi Azure Kubernetes.

Customers are doing great things with AI