Пропустить навигацию

Обнаружение неполадок с помощью анализа изображений

Introduction

Классификация изображений — популярная область применения искусственного интеллекта. Одно из приложений классификации изображений, известное в отрасли, — это приложение для обнаружения проблем качества на линиях сборки во время производства. На обычной производственной линии компоненты передаются с одной станции на другую по линии сборки, в конце которой инспектор выполняет проверку для обнаружения проблем. Этот процесс выполняется вручную, и вероятность ошибок в нем довольно высока. Классификация изображений на основе ИИ снижает необходимость в человеческом вмешательстве и автоматически классифицирует изображения как прошедшие или не прошедшие проверку. Это повышает не только эффективность работы операторов в процессе проверки, но и качество всего производственного процесса.

Prepare data

При подготовке данных для решения классификации изображений вам потребуется два набора изображений для обучения модели: один — для предоставления примеров изображений, прошедших проверку, другой — для предоставления примеров изображений, не прошедших проверку. Эти изображения можно выбрать из универсального набора данных, например Kaggle, или они могут создаваться по заказу для вашей компании. Рекомендуем использовать однородные изображения, например набор JPG-файлов аналогичного размера в одном масштабе и разрешении. Для подготовки данных также необходимо разделить изображения на наборы для обучения и проверки.

Build and train

Когда однородный структурированный набор изображений готов, данные можно считать в аналитическом модуле. Для обработки данных изображения в решениях на базе искусственного интеллекта рекомендуется использовать нейронные сети и перенос обучения. Перенос обучения позволяет использовать предварительно обученные модели, которым уже известны способы классификации изображений. Существующая модель может эффективно выполнять определенную задачу, например обнаруживать людей или кошек. Тем не менее задача, для которой она предназначалась, отличается от определенного сценария, для которого вы ищете решение. Процесс переобучения существующей модели обычно проходит гораздо быстрее, чем запуск с нуля. Поэтому перенос обучения значительно сокращает процесс обучения. Наконец, в классификации изображений нейронная сеть иногда связывается со вспомогательной моделью, чтобы предоставить окончательное прогнозирование. Например, для обработки изображения может использоваться архитектура сверточной нейронной сети с 50 скрытыми слоями. Объедините ее с увеличивающимся деревом принятия решений, чтобы классифицировать изображение как прошедшее или не прошедшее проверку.

Deploy

Как только обученная модель классификации изображений будет готова, ее можно развернуть в качестве веб-службы с конечной точкой REST. Панели мониторинга и оповещения Analytics могут вызвать веб-службу для получения сведений и прогнозирования. Так как обработка изображения, как правило, требует большого количества вычислительных ресурсов, множество аналогичных решений используют облачное развертывание кластера, которое можно масштабировать при необходимости. Служба машинного обучения Azure может помочь в решении этого вопроса. С ее помощью можно создать конечную точку REST, которую можно без проблем развернуть в кластере Azure Kubernetes.

Customers are doing great things with AI