Képbesorolás konvolúciós neurális hálózatokkal (CNN-ekkel)

Blob Storage
Container Registry
Data Science Virtual Machine
Kubernetes Service
Machine Learning

Solution Idea

Ha szeretné látni, hogyan bővítjük ki ezt a cikket olyan további információkkal, mint a lehetséges esetek, az alternatív szolgáltatások, az implementációval kapcsolatos megfontolások vagy a díjszabási útmutató, GitHub visszajelzéssel!

A lean gyártás, a költségkezelés és a pazarlás csökkentése elengedhetetlen a gyártáshoz a versenyhelyzetben maradás érdekében. Az áramköri lapok gyártásával a hibás táblák költséget okozhatnak a gyártóknak a költségek és a hatékonyság növelése érdekében. A szerelvénysorok emberi operátorok segítségével ellenőrzik és ellenőrzik a potenciálisan hibásként megjelölt táblákat az összeszerelésisor-tesztgépeken.

Ennek a megoldási ötletnek a megvalósítása, amelyet ebben a cikkben tárgyalunk, elemzi az áramköri kamerák által generált elektronikus összetevők képeit egy áramköri alaplapi gyárban, és észleli azok hibaállapotát. A cél az, hogy minimalizáljuk vagy eltávolítsuk az emberi beavatkozás szükségét. A megoldás egy képosztályozó rendszert hoz létre egy konvolúciós neurális hálózat (CONN) használatával 50 rejtett réteggel, amelyet egy ImageNet-adatkészlet 350 000 képére képez, hogy a képek vizuális jellemzőit az utolsó hálózati réteg eltávolításával hozza létre. Ezekkel a funkciókkal betaníthat egy megnövelt döntési fát a kép "pass" vagy "fail" besorolására, valamint az üzem peremhálózati gépén végzett végső pontozásra. A besorolási teljesítmény eredményei jóak (időalapú keresztellenőrzési AUC > 0,90), ami azt jelzi, hogy a megoldás alkalmas az elektronikus összetevők hibaészlelése során az emberi beavatkozás drasztikus minimalizálására az összeállított áramköri lapokban.

Ezzel a megoldással automatizálhatja a hibák észlelését ahelyett, hogy kizárólag emberi operátorra támaszkodik, és segítheti a hibás elektronikus összetevők azonosítását és a termelékenység növelését.

Architektúra

Architektúradiagram: képbesorolás konvolúciós neurális hálózatokkal és Azure Machine Learning. Töltse le az architektúra SVG-ját.

Összetevők

  • Azure Blob Storage:Az adatok az Azure Blob-fiókba való be- és Storage.
  • GPU-alapú Azure Data Science Virtual Machine (DSVM):Az alapvető fejlesztési környezet az Azure Ubuntu-alapú GPU DSVM. A rendszer a blobból egy, a DSVM-hez csatolt Azure virtuális merevlemezre (VHD) húzza az adatokat. Ezen a virtuális merevlemezen a rendszer feldolgozta az adatokat, a képeket egy mély neurális hálózattal (DNN) dekorálták, és egy megnövelt famodellt tanít be. A DSVM IPython Notebook-kiszolgáló megoldásfejlesztéshez használható.
    • A DSVM-alapú betanítás alternatívájaként nagy adatkészletek használata érdekében a ML Services használatával Azure HDInsight egy nagymértékben skálázható betanító megoldást építhet ki.
  • Azure Container Registry:A modell és a webalkalmazás egy Docker-rendszerképbe van csomagolva, és az alkalmazásba Azure Container Registry.
  • Azure Machine Learning modellkezelés (MLOps):Azure Machine Learning az Machine Learning Operations (MLOps) megközelítést használja a végső modell virtuális gépen való üzembe helyezéséhez és kezeléséhez, valamint az Azure Kubernetes Service használatával a Kubernetes által felügyelt Azure-fürtre való horizontális felskáláshoz. A megoldásielképzelés megvalósítása során egy prediktív webszolgáltatást és egy Java ETL-szolgáltatást (kinyerési, átalakítási, betöltési) szolgáltatás is a virtuális gépre ír, mindegyiket a saját tárolóban.
  • Azure Kubernetes Service (AKS): A megoldás üzembe helyezése Azure Kubernetes Service Kubernetes által felügyelt fürt futtatását használja. A tárolók üzembe helyezése a tárolókban tárolt rendszerképekből Azure Container Registry.

Következő lépések