Ignorar navegação

Arquitetura da solução: Classificação de imagens com redes neurais convolucionais

Lean manufacturing, controle de custos e redução de desperdício são imperativos para que a fabricação permaneça competitiva. Na fabricação de placas de circuito, placas defeituosas podem custar aos fabricantes em termos de dinheiro e de produtividade. As linhas de assembly dependem de operadores humanos para examinarem e validarem rapidamente as placas sinalizadas como potencialmente defeituosas pelas máquinas de teste da linha de assembly.

Esta solução analisa imagens de componentes eletrônicos geradas por câmeras da linha de assembly em uma instalação de fabricação de placas de circuito e detecta os status de erro nelas. A meta é minimizar ou remover a necessidade de intervenção humana. A solução cria um sistema de classificação de imagens usando uma rede neural convolucional com 50 camadas ocultas, pré-treinada com 350.000 imagens em um conjunto de dados ImageNet para gerar recursos visuais das imagens por meio da remoção da última camada de rede. Esses recursos são então usados para treinar uma árvore de decisão aumentada para classificar a imagem como “aprovada” ou “com falha” e a pontuação final é realizada nos computadores de borda na instalação. Os resultados de desempenho da classificação são bons (AUC de validação cruzada baseada em tempo > 0,90), o que indica que a solução é adequada para minimizar drasticamente a intervenção humana para detecção de falha de componentes eletrônicos em placas de circuito montadas.

O uso dessa solução para automatizar a detecção de falhas em vez de depender exclusivamente de operadores humanos ajuda a aprimorar a identificação de componentes eletrônicos com falha e aumentar a produtividade.

Image classification with convolutional neural networksExplore transfer learning, convolutional neural networks, and gradient-boosting decision tree algorithms.Azure Blob StorageGPU Data Science Virtual MachineAzure Container RegistryAzure Machine Learning Model Management ServiceMachine Learning ModelPredictive Web ApplicationAzure Container ServiceJava ETL

Diretrizes de implementação

Produtos/descrição Documentação

Armazenamento de Blobs do Azure

Os dados são ingeridos e armazenados no Armazenamento de Blobs do Azure.

Máquina Virtual de Ciência de Dados do Azure baseada em GPU

O ambiente de desenvolvimento principal é a DSVM de GPU baseada em Ubuntu do Azure. O pull dos dados é efetuado do blob para um VHD (disco rígido virtual) do Azure anexado à DSVM. Nesse VHD, os dados são processados, as imagens são classificadas pelos recursos usando uma rede neural aprofundada e um modelo de árvore aumentado é treinado. O servidor de Notebook IPython da DSVM é usado para o desenvolvimento de soluções.

BAIT (treinamento de IA do Lote do Azure)

Como uma alternativa para o treinamento baseado em DSVM, para trabalhos com uso intensivo de computação que usam processamento de imagem de aprendizagem profunda, usamos BAIT como uma estrutura do Lote do Azure gerenciada para computação paralela e distribuída usando clusters de nós de computação de GPU.

Microsoft Machine Learning para Cluster Spark do HDInsight do Apache Spark

Como uma alternativa para treinamento baseado em DSVM, para conjuntos de dados grandes, usamos MMLSpark para criar uma solução de treinamento altamente escalonável.

Registro de Contêiner do Azure

O modelo e o aplicativo Web são empacotados em uma imagem do Docker e gravados no Registro de Contêiner do Azure.

Serviço de Gerenciamento de Modelos do Azure Machine Learning

O serviço de Gerenciamento de Modelos do Azure Machine Learning é usado para implantar e gerenciar o modelo final em uma VM e para aumentar usando o Serviço de Contêiner do Azure para um cluster do Azure gerenciado pelo Kubernetes.

Um serviço Web preditivo e um serviço ETL Java também são gravados na VM, cada um em seu próprio contêiner.

Cluster do Serviço de Contêiner do Azure

A implantação dessa solução usa o Serviço de Contêiner do Azure executando um cluster gerenciado por Kubernetes. Os contêineres são implantados de imagens armazenadas no Registro de Contêiner do Azure.