解決方案架構:使用卷積神經網路分類影像

精實生產、成本控制和減少浪費對於製造業保持競爭力而言至關重要。在電路板製造業中,故障面板可能會使製造商損失金錢和生產力。組裝線依賴操作員快速審查及驗證組裝線測試機器可能標記為故障的面板。

此解決方案會分析電路板製造工廠中組裝線相機所產生的電子元件影像,並偵測其錯誤狀態。其目標在於降低或移除人為操作的需求。此解決方案使用具有 50 個隱藏圖層的卷積神經網路來建置影像分類系統,該系統以 ImageNet 資料集中的 350,000 張影像預先定型,然後藉由移除最後一個網路圖層來產生影像的視覺特徵。這些特徵接著可用來定型提升決策樹,將影像分類為「成功」或「失敗」,然後在工廠的邊緣機器上進行最後評分。分類效能結果為良好 (以時間為基礎的交叉驗證 AUC>.90),這表示此解決方案會適當地大幅減少以人為操作方式來偵測組裝電路板中電子元件故障的情況。

使用此解決方案可將失敗偵測自動化,而不是完全依賴操作員來協助改善故障電子元件的識別並提升生產力。

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

實作指南

產品/描述 文件

Azure Blob 儲存體

資料會內嵌並儲存在 Azure Blob 儲存體中。

以 GPU 為架構的 Azure 資料科學虛擬機器

核心開發環境是 Azure Ubuntu 型 GPU DSVM。其資料是從 Blob 提取到 DSVM 的連結 Azure 虛擬硬碟 (VHD) 上。在該 VHD 上,會處理資料、使用深度神經網路來設定影像特徵,並定型提升決策樹模型。使用 DSVM IPython Notebook 伺服器來開發解決方案。

Azure Batch AI Training (BAIT)

為了替代 DSVM 定型,我們針對使用深度學習影像處理的運算密集型工作,使用了 BAIT 作為受管理的 Azure Batch 架構, 來對 GPU 計算節點叢集進行平行和分散式運算。

適用於 Apache Spark HDInsight Spark 叢集的 Microsoft Machine Learning

為了替代 DSVM 定型,我們針對巨量資料集,使用了 MMLSpark 來建置可高度擴充的定型解決方案。

Azure Container Registry

模型和 Web 應用程式會封裝成一個 Docker 映像並寫入至 Azure Container Registry。

Azure Machine Learning 模型管理服務

Azure Machine Learning 模型管理服務可用來部署及管理 VM 上的最終模型,並使用 Azure Container Service 擴充到 Kubernetes 所管理的 Azure 叢集。

預測性 Web 服務和 Java ETL 服務也會分別寫入至 VM 上的專屬容器中。

Azure Container Service 叢集

此解決方案的部署使用執行 Kubernetes 所管理之叢集的 Azure Container Service。這些容器會透過儲存在 Azure Container Registry 中的映像來部署。