Deteção de defeitos com análise de imagem

Introdução

A classificação de imagens é uma área popular da inteligência artificial. Uma aplicação de classificação de imagens que já está a ser utilizada na indústria é a deteção de problemas de qualidade nas linhas de montagem durante o fabrico. Numa linha de produção normal, os componentes vão pela linha de montagem de uma estação para outra e, no final, um inspetor age para detetar a existência de problemas, num processo manual e suscetível a erros. A classificação de imagens orientada por IA reduz o esforço humano e classifica automaticamente as imagens como aprovadas ou falhadas. Este processo não só melhora a eficiência dos operadores humanos no processo de validação, com também melhora a qualidade do processo de fabrico geral.

Preparar dados

Na preparação dos dados para uma solução de classificação de imagens, precisa de dois conjuntos de imagens para preparar o modelo: um para representar exemplos de aprovação e outro para representar as falhas. Estas imagens podem ser escolhidas de um conjunto de dados genérico, como o Kaggle, ou personalizadas e criadas para a sua empresa. Considere ter imagens homogéneas; por exemplo, um conjunto de ficheiros JPG com um tamanho semelhante e com a mesma resolução. A preparação dos dados também requer a divisão das imagens em conjuntos de preparação e validação.

Compilação e preparação

Quando tiver um conjunto homogéneo e organizado de imagens, os dados são lidos num motor de análise. As redes neurais e a aprendizagem de transferência são boas formas de processar dados de imagem em soluções de IA. A aprendizagem de transferência permite-lhe utilizar os modelos preparados que já sabem como classificar uma imagem. Um modelo existente pode efetuar uma determinada tarefa muito bem, por exemplo, detetar pessoas ou gatos. No entanto, a tarefa para que foi preparado difere provavelmente do cenário específico que está a resolver. Preparar novamente um modelo existente é, normalmente, muito mais rápido do que começar do início, pelo que a aprendizagem de transferência reduz substancialmente o processo de preparação. Por fim, na classificação de imagens, uma rede neural é, por vezes, emparelhada com um modelo secundário para fornecer a predição final. Por exemplo, uma arquitetura de redes neurais convolucionais com 50 camadas ocultas pode ser utilizada para processar a imagem. Emparelhe-a com uma árvore de decisões elevada para classificar a imagem como aprovada ou falhada.

Implementar

Depois de um modelo de classificação de imagens preparado estar pronto, o modelo pode ser implementado como um serviço Web com um ponto final REST. Os dashboards de análise e os alertas podem chamar o serviço Web para obterem informações e predições. Uma vez que o processamento de imagens tende a ser dispendioso em termos computacionais, muitas soluções semelhantes utilizam implementações de clusters baseadas na cloud que podem ser dimensionadas quando necessário. Um serviço como o Azure Machine Learning pode ajudar, ao criar um ponto final REST facilmente implementado num cluster do Azure Kubernetes.

Os clientes estão a criar coisas fantásticas com IA