Çözüm mimarisi: Karmaşık sinir ağları ile görüntü sınıflandırma

Üretimde rekabetçi kalmak için yalın imalat, maliyet denetimi ve atık azaltımı olmazsa olmaz gereksinimlerdir. Devre kartı üretiminde hatalı kartlar üreticilerin para ve üretkenlik kaybı yaşamasına yol açabilir. Montaj hatlarındaki test makineleri tarafından potansiyel olarak hatalı şeklinde işaretlenen kartların hızla incelenmesi ve doğrulanması için insan operatörler gerekir.

Bu çözüm, bir devre kartı üretim tesisindeki montaj hattı kameraları tarafından oluşturulan elektronik bileşen görüntülerini inceler ve bunların hata durumunu algılar. Amaç, insan müdahalesi gereksinimini olabildiğince azaltmak veya ortadan kaldırmaktır. Bu çözüm, 50 gizli katmanlı bir karmaşık sinir ağını kullanan ve son ağ katmanını kaldırarak görüntülerin görsel özelliklerini ortaya çıkarması için bir ImageNET veri kümesindeki 350.000 görüntü üzerinde önceden eğitilen bir görüntü sınıflandırma sistemi oluşturur. Daha sonra, bu özellikler kullanılarak görüntünün “başarılı” veya “hatalı” olarak sınıflandırılması ve tesisteki uç makinelerde son puanlamanın gerçekleştirilmesi için bir yükseltmeli karar ağacı eğitilir. Sınıflandırma performansı sonuçları iyidir (zamana bağlı çapraz doğrulama AUC>0,9); bu da çözümün montajı yapılan devre kartlarında hatalı elektronik bileşenlerin algılanması konusunda insan müdahalesinin önemli ölçüde azaltılması için uygun olduğunu gösteriyor.

Hata algılamayı otomatikleştirmek için yalnızca insan operatörler kullanmak yerine bu çözümün kullanılması, hatalı elektronik bileşenlerin daha iyi belirlenmesine yardımcı olur ve üretkenliği artırır.

Azure Blob Storage GPU Data Science Virtual Machine Azure Container Registry Azure Machine Learning Model Management Service Machine Learning Model Predictive Web Application Azure Container Service Java ETL

Uygulama kılavuzu

Ürünler Belgeler

Azure Blob Depolama

Veriler Azure Blob Depolama’da alınır ve depolanır.

GPU tabanlı Azure Veri Bilimi Sanal Makineleri

Çekirdek geliştirme ortamı, Azure Ubuntu tabanlı GPU DSVM’dir. Veriler blobdan DSVM’ye bağlı bir Azure sanal sabit diskine (VHD) aktarılır. Bu VHD’de veriler işlenir, Derin Sinir Ağı kullanılarak görüntülerin özellikleri tespit edilir ve bir Yükseltmeli Ağaç modeli eğitilir. Çözümü geliştirmek için DSVM IPython Notebook sunucusu kullanılır.

Azure Batch AI eğitimi (BAIT)

DSVM tabanlı eğitime alternatif olarak, derinlikli öğrenime dayalı görüntü işleme kullanan ve yoğun işlem gücü gerektiren işler söz konusu olduğunda, GPU işlem düğümü kümelerinin kullanıldığı paralel ve dağıtılmış işlemler için yönetilen Azure Batch çerçevesi olarak BAIT yöntemini kullanırız.

Apache Spark HDInsight Spark Kümesi için Microsoft Machine Learning

DSVM tabanlı eğitime alternatif olarak, büyük veri kümeleri söz konusu olduğunda yüksek oranda ölçeklenebilen bir eğitim çözümü oluşturmak için MMLSpark’ı kullanırız.

Azure Container Kayıt Defteri

Model ve web uygulaması bir Docker görüntüsü halinde paketlenir ve Azure Container Registry’ye yazılır.

Azure Machine Learning Model Yönetimi Hizmeti

Son modelin bir VM’de dağıtılıp yönetilmesi ve ölçeğinin Azure Container Service kullanılarak Kubernetes tarafından yönetilen bir Azure kümesine genişletilmesi için Azure Machine Learning Model Yönetimi hizmeti kullanılır.

VM’ye her biri kendi kapsayıcısında olacak şekilde tahmine dayalı bir web hizmeti ve Java ETL hizmeti de yazılır.

Azure Container Service Kümesi

Bu çözüme yönelik dağıtım, Kubernetes tarafından yönetilen bir kümeyi çalıştıran Azure Container Service’i kullanır. Kapsayıcılar, Azure Container Registry’de depolanan görüntülerden dağıtılır.