利用影像分析進行瑕疵偵測

簡介

影像分類是人工智慧的重點區域。業界已經在應用影像分類,其中一個應用案例就是製造期間的組裝線品質問題偵測。在典型的生產線中,零組件會沿著組裝線從一個站台向下移動到另一個站台,最後由檢查人員介入查看使否有任何問題,這是人工且容易出錯的程序。AI 驅動的影像分類則可減少人力需求,且能自動將影像分類為合格或不合格。這不僅能夠提升人員處理驗證程序的效率,還能改善整體製程的品質。

準備資料

準備影像分類解決方案的資料時,您需要兩組影像來定型模型:一組影像代表「合格」範例,另一組影像代表「不合格」。這些影像可從 Kaggle 等一般資料集,或是為您企業自訂的資料集中選取。您可以考慮使用同質影像,例如一組縮放解析度相同的類似大小 JPG 檔案。準備資料也需要將影像分成定型集合和驗證集合。

建置和定型

準備好一組同質且有組織的影像之後,就會將資料讀入分析引擎。類神經網路和遷移學習都很適合用來處理 AI 解決方案中的影像資料。遷移學習可讓您使用已知如何分類影像的預先定型模型。現有的模型在執行特定工作的表現極佳,例如偵測人物或貓。不過,其所定型的工作可能與您想要解決的特定案例不同。重新定型現有的模型通常會比從頭開始更快,因此轉移學習可大幅縮短定型程序。最後,在影像分類中,類神經網路有時會搭配次要模型來提供最終預測。例如,具有 50 個隱藏層的卷積類神經網路架構可用來處理影像。將其搭配提升的決策樹使用,可將影像區分為合格或不合格。

部署

一旦定型影像分類模型就緒,即可將模型部署為具有 REST 端點的 Web 服務。分析儀表板和警示可呼叫 Web 服務以取得資訊和預測。由於影像處理通常計算成本很高,因此許多類似的解決方案會使用可視需要調整規模的雲端式叢集部署。Azure Machine Learning 等服務可協助執行此作業,並建立可輕鬆部署到 Azure Kubernetes 叢集的 REST 端點。

客戶運用 AI 的成就斐然