Visión con Azure IoT Edge
La inspección visual de los productos, recursos y entornos ha sido una práctica fundamental en la mayoría de las empresas y hasta hace poco este proceso se realizaba de forma muy manual. Uno o varios usuarios eran los responsables de inspeccionar los recursos o el entorno. En función de las circunstancias, esto podría ser ineficaz, inexacto, o ambas cosas, debido tanto a las limitaciones como a los posibles errores humanos.
Para aumentar la eficacia de la inspección vidual, las empresas empezaron a usar las redes neuronales artificiales de aprendizaje profundo, conocidas como redes neuronales convolucionales (o CNN), para emular la visión humana en los análisis de imágenes y vídeo. En la actualidad, habitualmente se denomina visión computarizada o, simplemente, IA de visión. El uso de la inteligencia artificial para el análisis de imágenes abarca una gran variedad de sectores, entre los que se incluyen la fabricación, comercio minorista, atención sanitario y sector público, y una cantidad igual de grande de casos de uso.
Visión en el control de calidad: en entornos de fabricación, la IA de visión puede ser muy útil en el control de calidad de piezas y procesos, ya que tiene un alto grado de precisión y velocidad. Las empresas que desee lograr estos objetivos automatizarán la búsqueda de defectos en los productos, ya que ello les permitirá responder preguntas como:
- ¿Los resultados del proceso de fabricación son coherentes?
- ¿Se ha montado correctamente el producto?
- ¿Se pueden notificar antes los defectos para reducir los residuos?
- ¿Cómo se puede aprovechar el desfase del modelo de visión computarizada para prescribir un mantenimiento predictivo?
Visión en la seguridad: independientemente del entorno, la seguridad es una preocupación fundamental en todas las empresa y la reducción del riesgo es una fuerza motora para adoptar la AI de visión. La supervisión automatizada de fuentes de vídeo para detectar posibles problemas de seguridad proporciona un tiempo crítico para responder a incidentes y oportunidades, lo que reduce la exposición al riesgo. Las empresas que buscan la AI de visión para este caso de uso normalmente intentan responder a preguntas como las siguientes:
- ¿Qué grado de probabilidad hay de que el personal use equipos de protección personal?
- ¿Con qué frecuencia entra el personal en zonas de trabajo no autorizadas?
- ¿Se almacenan los productos de forma segura?
- ¿Hay sustos en una instalación o casi hay accidentes de personas o equipos?
Razones para usar visión en el perímetro
En la última década, la visión computarizada ha evolucionado de tal forma que ahora es un área en el que se centran las empresas, ya que las tecnologías nativas de la nube, como la contenedorización, permiten la portabilidad y migración de esta tecnología hacia el perímetro de la red. Por ejemplo, los modelos de inferencia de la visión personalizados entrenados en la nube se pueden contenedorizar fácilmente, con lo que se pueden usar en un dispositivo Azure IoT Edge con el runtime habilitado.
Los motivos subyacentes a la migración de cargas de trabajo desde la nube al perímetro de la AI de visión normalmente se dividen en dos categorías: rendimiento y costo.
En cuanto al rendimiento, la extracción de grandes cantidades de datos pueden provocar una presión de rendimiento no intencionada en la infraestructura de red existente. Además, es posible que la latencia de enviar imágenes o secuencias de vídeo a la nube para recuperar los resultados no cubra las necesidades del caso de uso. Por ejemplo, que una persona acceda a una zona no autorizada puede requerir una intervención inmediata y ese escenario puede afectar a la latencia cuando cada segundo cuenta. La colocación del modelo de inferencia cerca del punto de ingesta permite puntuar la imagen casi en tiempo real. También permite enviar alertas de forma local o a través de la nube, en función de la topología de red.
En lo que respecta al costo, el envío de todos los datos a la nube para su análisis podría afectar considerablemente a la rentabilidad de la inversión de una iniciativa de IA de visión. Con Azure IoT Edge, se puede diseñar un módulo de IA de visión solo para capturar las imágenes pertinentes con un nivel de confianza razonable en función de la puntuación. Esto limita considerablemente la cantidad de datos que se envían.
Consideraciones sobre la cámara
La cámara es un componente muy importante de cualquier solución de Azure IoT Edge Vision. Para saber qué consideraciones deben tenerse en cuenta para este componente, vaya al artículo sobre la selección de cámara en Azure IoT Edge Vision.
Aceleración de hardware
Para llevar la inteligencia artificial a la periferia, el hardware perimetral debe ser capaz de ejecutar los eficaces algoritmos de inteligencia artificial. Para conocer las funcionalidades de hardware necesarias para IoT Edge Vision, vaya al artículo sobre la aceleración de hardware en Azure IoT Edge Vision.
Machine Learning
El aprendizaje automático puede ser un reto para los datos del perímetro debido a las restricciones de recursos de los dispositivos perimetrales, al límite en el presupuesto de energía y a las funcionalidades de proceso bajas. Consulte el artículo sobre el aprendizaje automático y la ciencia de datos en Azure IoT Edge Vision para conocer las consideraciones clave a la hora de diseñar las funcionalidades de aprendizaje automático de una solución de IoT Edge Vision.
Almacenamiento de imágenes
La solución de IoT Edge Vision no se puede completar sin evaluar meticulosamente cómo y dónde se van a almacenar las imágenes. En el artículo sobre almacenamiento y administración de imágenes en Azure IoT Edge Vision encontrará una explicación exhaustiva.
Alertas
Es posible que su dispositivo IoT Edge necesite responder a varias alertas en su entorno. Para conocer las prácticas recomendadas para administrar estas alertas, consulte el artículo sobre la persistencia de alertas en Azure IoT Edge Vision.
Interfaz de usuario
La interfaz de usuario de las soluciones IoT Edge Vision variará en función del usuario de destino. En el artículo sobre la interfaz de usuario de Azure IoT Edge Vision se tratan las principales consideraciones de la interfaz de usuario.
Pasos siguientes
En esta serie de artículos se muestra cómo crear una completa carga de trabajo de la visión mediante dispositivos Azure IoT Edge. Para más información, puede consultar la documentación de los siguientes productos: