Classificação de imagem com redes neurais de convolução (CNNs)

Armazenamento de Blobs
Registro de Contêiner
Máquinas Virtuais de Ciência de Dados
Serviço de Kubernetes
Machine Learning

Ideia da solução

se você quiser nos ver, expanda este artigo com mais informações, como casos de uso em potencial, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco com GitHub comentários!

O Lean Manufacturing, o controle de custos e a redução de desperdício são imperativos para que a fabricação permaneça competitiva. Na fabricação de placas de circuito, as placas defeituosas podem custar dinheiro e produtividade dos fabricantes. As linhas de assembly dependem de operadores humanos para revisar e validar rapidamente as placas sinalizadas como potencialmente defeituosas por máquinas de teste de linha de assembly.

Uma implementação dessa ideia de solução discutida neste artigo analisa imagens de componentes eletrônicos geradas por câmeras de linha de assembly em uma fábrica de fabricação de circuito e detecta seu status de erro. O objetivo é minimizar ou remover a necessidade de intervenção humana. A solução cria um sistema de classificação de imagem usando uma rede neural de CNN com 50 camadas ocultas, pretreinadas em 350.000 imagens em um conjunto de ImageNet para gerar recursos visuais das imagens, removendo a última camada de rede. Esses recursos são usados para treinar uma árvore de decisão aumentada para classificar a imagem como "Pass" ou "FAIL" e a pontuação final realizada em computadores de borda na fábrica. Os resultados de desempenho de classificação são bons (validação cruzada baseada em tempo AUC > 0,90), que indica que a solução é adequada para minimizar drasticamente a intervenção humana para detecção de falhas de componentes eletrônicos em placas de circuito montadas.

Use essa solução para automatizar a detecção de falhas em vez de depender exclusivamente de operadores humanos e ajudar a melhorar a identificação de componentes eletrônicos com falha e aumentar a produtividade.

Arquitetura

Diagrama de arquitetura: classificação de imagem com redes neurais de revolução e Azure Machine Learning. Baixe um SVG dessa arquitetura.

Componentes

  • Armazenamento de blob do azure: os dados são ingeridos e armazenados no Blob do azure Armazenamento.
  • Máquina virtual de ciência de dados do Azure baseado em GPU (DSVM): o ambiente de desenvolvimento principal é o DSVM de GPU baseado no Azure Ubuntu. Os dados são extraídos do blob para um VHD (disco rígido virtual) do Azure anexado ao DSVM. Nesse VHD, os dados são processados, as imagens são destacados usando uma DNN (rede neural profunda) e um modelo de árvore ampliado é treinado. O servidor do DSVM IPython Notebook é usado para o desenvolvimento da solução.
    • como alternativa ao treinamento baseado em DSVM, para conjuntos de grandes volumes, você pode usar os serviços MLs no Azure HDInsight para criar uma solução de treinamento altamente escalonável.
  • Registro de contêiner do Azure: o modelo e o aplicativo Web são empacotados em uma imagem do Docker e gravados no registro de contêiner do Azure.
  • Azure Machine Learning Gerenciamento de Modelos (MLOps): Azure Machine Learning usa uma abordagem de MLOps (operações de Machine Learning) para implantar e gerenciar o modelo final em uma VM e para escalar horizontalmente usando o serviço Kubernetes do azure para um cluster gerenciado do azure Kubernetes. Na implementação dessa ideia de solução, um serviço Web de previsão e um serviço ETL de Java (extrair, transformar, carregar) também são gravados na VM, cada um em seu próprio contêiner.
  • AKs (serviço kubernetes do Azure): a implantação para esta solução usa o serviço kubernetes do Azure executando um cluster gerenciado por kubernetes. Os contêineres são implantados de imagens armazenadas no registro de contêiner do Azure.

Próximas etapas