Zpracování obrazu s využitím služby Azure IoT Edge
Vizuální kontrola produktů, materiálů a prostředí je pro podniky jedním ze základních postupů a až donedávna se jednalo o čistě ruční proces. Jednotlivec nebo skupina jednotlivců v jeho rámci zodpovídá za ruční kontrolu aktiv nebo prostředí. V závislosti na okolnostech může tento proces být neefektivní a nepřesný, a to v důsledku lidských chyb a omezení.
Kvůli zlepšení vizuální kontroly firmy začaly přecházet na umělé neurální sítě s hlubokým učením označované jako konvoluční neurální sítě (nebo CNN) a emulovat lidské vidění při analýze obrázků a videa. Dnes se tento přístup označuje jako počítačové zpracování obrazu nebo jednoduše Vision AI. Umělá analýza pro analýzu obrázků zahrnuje širokou škálu oborů, včetně výroby, maloobchodu, zdravotnictví a veřejného sektoru, a má stejně širokou oblast případů použití.
Zpracování obrazu pro kontrolu kvality: V prostředí výroby může být Vision AI velmi užitečné při kontrole kvality dílů a procesů s vysokou mírou přesnosti a rychlosti. Podniky, které se tímto směrem vydávají, automatizují kontrolu případných závad produktů a hledají odpovědi na nejrůznější otázky, například:
- Produkuje výrobní proces konzistentní výsledky?
- Je produkt sestaven správně?
- Dalo by se dříve upozorňovat na případné defekty a omezit tak plýtvání?
- Jak využít posun v modelu počítačového zpracování obrazu ke stanovení navýšení prediktivní údržby?
Zpracování obrazu pro zabezpečení: V libovolném prostředí je zabezpečení jednou ze zásadních věcí, na kterou se zaměřují všechny firmy, a snížení rizik je hnací silou přechodu na Vision AI. Automatizované monitorování videokanálů a hledání potenciálních bezpečnostních problémů zajišťuje rychlou reakci na incidenty a příležitosti pro snížení rizik. Podniky, které pro tyto účely zvažují použití Vision AI, se obvykle snaží najít odpovědi na dotazy, jako jsou následující:
- Do jaké míry pracovníci využívají osobní ochranné prostředky?
- Jak často lidé vstupují do neautorizovaných pracovních zón?
- Ukládají se produkty bezpečným způsobem?
- Dochází v provozovně k nenahlášeným situacím, ze kterých se jejich aktéři dostali jen tak tak, k těsnému minutí chodců/zařízení?
Proč zpracování obrazu ve službě Edge
V průběhu posledních deseti let se počítačové zpracování obrazu stalo pro podniky rychle se rozvíjející oblastí zájmu, protože technologie nativní pro cloud, jako je vytváření kontejnerů, umožňují přenositelnost a migraci této technologie směrem k hranicím sítě. Například vlastní modely odvozování pro zpracování obrazu natrénované v cloudu se dají snadno kontejnerizovat pro použití v zařízeních s podporou běhového modulu Azure IoT Edge.
Důvody migrace úloh pro Vision AI z cloudu na hraniční zařízení se dělí do dvou kategorií – výkon a náklady.
Na straně výkonu je potřeba vzít v úvahu, že exfiltrace velkých objemů dat může způsobit nezamýšlené omezení výkonu stávající síťové infrastruktury. Navíc latence odesílání obrázků nebo videostreamů do cloudu pro načtení výsledků nemusí splňovat požadavky daného případu použití. Například osoba vnikající do oblasti s neoprávněným přístupem může vyžadovat okamžitý zásah a tento scénář může ovlivnit latenci, kdy záleží na každé sekund. Umístění modelu odvozování blízko bodu ingestování umožňuje vyhodnocování téměř v reálném čase. Umožňuje také, aby se generování výstrah provádělo místně nebo prostřednictvím cloudu, v závislosti na síťové topologii.
V souvislosti s náklady může posílání všech dat do cloudu pro účely analýzy významně ovlivnit návratnost investic do iniciativ Vision AI. Při využití služby Azure IoT Edge je možné model Vision AI navrhnout tak, aby zaznamenával jenom relevantní obrázky s přiměřenou úrovní spolehlivosti na základě bodování. Tím se významně omezuje množství odesílaných dat.
Požadavky na kameru
Kamera je pochopitelně velmi důležitou součástí řešení zpracování obrazu ve službě Azure IoT Edge. Pokud chcete zjistit, které aspekty je třeba pro tuto komponentu brát v úvahu, přejděte k článku zabývajícímu se výběrem kamery při zpracování obrazu ve službě Azure IoT Edge.
Hardwarová akcelerace
Aby bylo možné využívat AI na hraničních zařízeních, měl by být hraniční hardware schopný spouštět výkonné algoritmy AI. Pokud se chcete seznámit s hardwarovými funkcemi nutnými pro zpracování obrazu ve službě IoT Edge, přejděte k tématu věnovanému hardwarové akceleraci ve zpracování obrazu ve službě Azure IoT Edge.
Strojové učení
Strojové učení při zpracovávání dat na hraničních zařízeních může obtížné z důvodu omezení prostředků hraničních zařízení, omezeného rozpočtu na energie a malých výpočetních možností. Klíčové aspekty návrhu funkcí strojového učení v rámci řešení zpracování obrazu ve službě IoT Edge jsou popsané v článku zaměřeném na strojové učení a datové vědy pro zpracování obrazu ve službě IoT Edge.
Úložiště obrázků
Řešení zpracování obrazu ve službě IoT Edge nemůže být kompletní bez důkladného zvážení toho, kdy a kde se budou generované obrázky ukládat. Důkladnou diskuzi najdete v článku věnovaném správě a ukládání obrázků při zpracování obrazu ve službě Azure IoT Edge.
Výstrahy
Zařízení IoT Edge potřebuje reagovat na různé výstrahy ve svém prostředí. Osvědčené postupy při správě těchto výstrah najdete v tématu věnovaném trvalosti výstrah při zpracování obrazu ve službě Azure IoT Edge.
Uživatelské rozhraní
Uživatelské rozhraní vašeho řešení zpracování obrazu ve službě IoT Edge se bude lišit v závislosti na cílových uživatelích. Hlavní aspekty uživatelského rozhraní probírá článek věnovaný uživatelskému rozhraní pro zpracování obrazu ve službě Azure IoT Edge.
Další kroky
Tato série článků ukazuje, jak pomocí zařízení s Azure IoT Edge vytvořit kompletní úlohu zpracování obrazu. Další informace najdete v produktové dokumentaci: