Visie met Azure IoT Edge
Visuele inspectie van producten, resources en omgevingen is een belangrijke procedure in de meeste ondernemingen, en was tot nu toe een overwegend handmatig proces. Een individu, of een groep individuen, is in dit geval verantwoordelijk voor het handmatig inspecteren van de activa of de omgeving. Afhankelijk van de omstandigheden kan dit proces inefficiënt of onnauwkeurig verlopen (of allebei), vanwege menselijke fouten en beperkingen.
Om de doeltreffendheid van visuele inspectie te verbeteren, wenden ondernemingen zich steeds vaker tot kunstmatige neurale DL-netwerken (Deep Learning), bekend als CNN’s (Convolutional Neural Networks), om het menselijke gezichtsvermogen te evenaren voor de analyse van afbeeldingen en video. Vandaag de dag wordt dit meestal Computer Vision genoemd, of kortweg Vision AI. Kunstmatige intelligentie voor het analyseren van afbeeldingen kan worden gebruikt in een grote verscheidenheid aan branches, waaronder productie-industrie, detailhandel, gezondheidszorg, en de publieke sector, en in een net zo breed scala aan gebruikssituaties.
Vision voor kwaliteitscontrole: in productieomgevingen kan Vision AI helpen bij de kwaliteitscontrole van onderdelen en processen, met een hoge mate van nauwkeurigheid en snelheid. In een onderneming die deze weg inslaat, wordt de inspectie van een product op defecten geautomatiseerd, om vragen te beantwoorden zoals:
- Levert het productieproces consistente resultaten?
- Is het product op de juiste manier gemonteerd?
- Kunnen defecten eerder worden gemeld om afval te verminderen?
- Hoe kan drift in het Computer Vision-model worden gebruikt om voorspellend onderhoud op te leggen?
Vision voor veiligheid: in iedere omgeving, binnen elk bedrijf, is veiligheid een fundamentele zorg, en het verminderen van risico’s is een drijvende kracht achter het in gebruik nemen van Vision AI. Geautomatiseerde bewaking van videofeeds om te scannen op mogelijke veiligheidsproblemen biedt tijd die kritiek kan zijn om te reageren op incidenten, en biedt mogelijkheden om blootstelling aan risico's te verminderen. Ondernemingen die Vision AI gebruiken voor deze gebruikssituatie, willen meestal graag vragen beantwoord zien, zoals:
- Hoe coöperatief is personeel bij het gebruik van persoonlijke beschermingsmiddelen?
- Hoe vaak komen mensen in een niet-geautoriseerd werkgebied?
- Worden producten op een veilige manier opgeslagen?
- Is er sprake van niet-gerapporteerde gevallen waarin het kantje boord was, of van bijna-ongevallen met voetgangers/apparatuur?
Waarom Vision in de Edge
In het afgelopen decennium is Computer Vision een zich snel ontwikkelend aandachtsgebied geworden voor ondernemingen. Cloudtechnologieën, zoals containerisatie, hebben de draagbaarheid en migratie van deze technologie naar de Edge van het netwerk mogelijk gemaakt. Custom Vision-inferentiemodellen die zijn getraind in de cloud, kunnen eenvoudig worden gecontainerd voor gebruik in een Azure IoT Edge-apparaat met runtime.
De motivering voor het migreren van workloads van de cloud naar de Edge voor Vision AI valt meestal in twee categorieën: prestaties en kosten.
Wat betreft prestaties: de exfiltratie van grote hoeveelheden gegevens kan een onbedoelde druk op de prestaties veroorzaken in de bestaande netwerkinfrastructuur. Bovendien voldoet de latentie bij het verzenden van afbeeldingen en/of videostreams naar de cloud om resultaten op te halen, mogelijk niet aan de behoeften van de gebruikssituatie. Wanneer een persoon zich in een niet-gemachtigd gebied begeeft, kan bijvoorbeeld onmiddellijke interventie noodzakelijk zijn, en dit scenario kan de latentie beïnvloeden in een situatie waarin elke seconde telt. Als u het inferentiemodel dichtbij het opnamepunt plaatst, is scoren van de afbeelding in realtime mogelijk. Het zorgt er ook voor dat waarschuwingen lokaal of via de cloud kunnen worden uitgevoerd, afhankelijk van de netwerktopologie.
Wat betreft de kosten: het kan een aanzienlijke impact hebben op het ROI (investeringsrendement) van een Vision AI-initiatief wanneer alle gegevens ter analyse naar de cloud worden verzonden. Met Azure IoT Edge kan een Vision AI-module worden ontworpen waarmee alleen de relevante afbeeldingen worden vastgelegd, met een redelijk betrouwbaarheidsniveau op basis van de scores. Hierdoor wordt de hoeveelheid gegevens die worden verzonden, aanzienlijk beperkt.
Overwegingen met betrekking tot de camera
De camera is begrijpelijkerwijs een zeer belangrijk onderdeel van een Azure IoT Edge Vision-oplossing. Ga verder naar Camera selecteren in Azure IoT Edge Vision voor meer informatie over de overwegingen voor dit onderdeel.
Hardwareversnelling
Om AI naar de Edge te brengen, moeten de krachtige AI-algoritmen kunnen worden uitgevoerd op de Edge-hardware. Ga verder naar Hardwareversnelling in Azure IoT Edge Vision voor kennis over de hardwaremogelijkheden die zijn vereist voor IoT Edge Vision.
Machine learning
Machine learning kan een uitdaging vormen voor gegevens in de Edge, vanwege de resourcebeperkingen van Edge-apparaten, het beperkte energiebudget, en de lage rekenmogelijkheden. Raadpleeg Machine Learning en Data Science in Azure IoT Edge Vision voor uitleg over de belangrijkste overwegingen bij het ontwerpen van de machine learning-mogelijkheden van uw IoT Edge Vision-oplossing.
Afbeeldingopslag
Uw IoT Edge Vision-oplossing kan niet worden voltooid zonder zorgvuldig te overwegen hoe en waar de gegenereerde afbeeldingen worden opgeslagen. Lees Opslag en beheer van afbeeldingen in Azure IoT Edge Vision voor een uitgebreide discussie.
Waarschuwingen
Uw IoT Edge-apparaat moet mogelijk reageren op verschillende waarschuwingen in de omgeving. Raadpleeg Waarschuwingspersistentie in Azure IoT Edge voor informatie over de aanbevolen procedures bij het beheren van deze waarschuwingen.
Gebruikersinterface
De UI (gebruikersinterface) van uw IoT Edge Vision-oplossing kan variëren op basis van de doelgebruiker. In het artikel Gebruikersinterface in Azure IoT Edge Vision worden de belangrijkste overwegingen voor de UI besproken.
Volgende stappen
In deze reeks artikelen wordt gedemonstreerd hoe u een volledige Vision-workload kunt bouwen met behulp van Azure IoT Edge-apparaten. Raadpleeg deze productdocumentatie voor meer informatie: