Архитектура решения: Классификация изображений с помощью сверточных нейронных сетей

Бережливое производство, управление расходами и снижение затрат являются непременными условиями для сохранения конкурентоспособности производства. Из-за брака в производстве монтажных схем у производителей могут появиться дополнительные расходы и ухудшиться эффективность. На линиях сборки операторам нужно быстро осмотреть и проверить схемы, помеченные как потенциально неисправные тестовыми компьютерами сборочной линии.

Это решение анализирует электронные изображения компонентов, созданные камерами сборочной линии на заводе по производству монтажных схем, и определяет их состояние ошибки. Цель состоит в том, чтобы минимизировать или устранить необходимость вмешательства оператора. Решение создает систему классификации изображений с помощью сверточной нейронной сети с 50 невидимыми слоями, предварительно обученной на 350 000 изображениях в наборе данных ImageNet для создания визуальных признаков изображений, удаляя последний сетевой уровень. Затем эти признаки используются, чтобы обучить дерево принятия решений для классификации изображений ("Подходит" или "Не подходит") и окончательной оценки, осуществляемой пограничными компьютерами на предприятии. Результаты эффективности классификации хорошие (перекрестная проверка AUC>.90 на базе времени), а это означает, что решение можно использовать для существенного снижения участия операторов при обнаружении сбоев электронных компонентов собранных монтажных схем.

Используя это решения для автоматизации обнаружения сбоев вместо того, чтобы полагаться на операторов, можно улучшить идентификацию неисправных электронных компонентов и повысить продуктивность.

Clasificación de imágenes con redes neuronales convolucionalesPruebe el uso de aprendizaje de transferencia, redes neuronales convolucionales (CNN) y algoritmos de árboles de decisiones de potenciación del gradiente.

Руководство по реализации

Продукты и их описание Документация

Хранилище BLOB-объектов Azure

Данные принимаются и хранятся в хранилище BLOB-объектов Azure.

Виртуальная машина для обработки и анализа данных Azure на основе графического процессора

Основная среда разработки — виртуальная машина для обработки и анализа данных (DSVM) Ubuntu Azure на основе графического процессора. Данные извлекаются из большого двоичного объекта на виртуальный жесткий диск Azure (VHD), присоединенный к DSVM. На этом VHD обрабатываются данные, определяются признаки изображений с помощью глубокой нейронной сети и выполняется обучение модели дерева с бустингом. Для разработки решений используется сервер IPython Notebook DSVM.

Обучение искусственного интеллекта Azure по пакетной службе (BAIT)

В качестве альтернативы обучению на основе DSVM для заданий, требующих интенсивных вычислений, в которых используется обработка изображений в рамках глубинного обучения, мы используем BAIT как управляемую платформу пакетной службы Azure для параллельного и распределенного вычисления с помощью кластеров вычислительных узлов графического процессора.

Машинное обучение Майкрософт для кластера Apache Spark HDInsight Spark

В качестве альтернативы обучению на основе DSVM для больших наборов данных мы используем MMLSpark для создания высокомасштабируемых решений для обучения.

Реестр контейнеров Azure

Модель и веб-приложение упаковываются в образ Docker и записываются в реестр контейнеров Azure.

Служба управления моделями Машинного обучения Azure

Служба управления моделями Машинного обучения Azure используется для развертывания и администрирования окончательной модели на виртуальной машине и для развертывания с помощью Службы Azure Kubernetes в кластере Azure под управлением Kubernetes. Веб-служба прогнозной аналитики и служба Java ETL также записываются в виртуальную машину в отдельные контейнеры.

Служба Azure Kubernetes (AKS)

При развертывании этого решения используется Служба Azure Kubernetes для работы с кластером под управлением Kubernetes. Эти контейнеры развертываются из образов, хранящихся в реестре контейнеров Azure.