Vision med Azure IoT Edge
Visuell granskning av produkter, resurser och miljöer har varit grundläggande praxis för de flesta företag och var till nyligen en mycket manuell process. En person, eller en grupp med personer, ansvarar för att manuellt inspektera tillgångarna eller miljön. Beroende på omständigheterna kan detta bli ineffektivt, oriktigt eller bådadera på grund av den mänskliga faktorn och begränsningar.
I syfte att förbättra den visuella inspektionen började företag använda artificiella neurala nätverk för djupinlärning som kallas CNN (Convolutional Neural Networks) till att emulera mänsklig syn för analys av bilder och video. I dag kallas detta vanligtvis för datorvision eller bara visions-AI. Artificiell intelligens för bildanalys omfattar en mängd olika branscher, däribland tillverkning, detaljhandel, sjukvård och offentlig sektor, och även många användningsfall.
Vision för kvalitetssäkring: I tillverkningsmiljöer kan Vision AI vara till stor hjälp vid kvalitetsgranskning av delar och processer med hög noggrannhet och hastighet. Företag som använder denna metod automatiserar inspektionen av en produkt med avseende på fel för att besvara frågor såsom:
- Ger tillverkningsprocessen konsekventa resultat?
- Monteras produkten korrekt?
- Kan det gå att skapa ett tidigare meddelande om en defekt för att minska spillet?
- Hur utnyttjar vi avvikelse i modellen för datorvision till att föreskriva förebyggande underhåll?
Vision för säkerhet: I alla miljöer är säkerheten en grundläggande angelägenhet för alla företag, och riskminskningen är en drivande kraft vid införande av Vision AI. Automatisk övervakning av videoflöden för att söka efter potentiella säkerhetsproblem ger viktig tid till att svara på incidenter samt möjligheter att minska exponeringen för risker. Företag som är intresserade av visions-AI för det här användningsfallet försöker ofta besvara frågor som:
- Hur efterlever personalen kraven på användning av skyddsutrustning?
- Hur ofta går personer i på oauktoriserade arbetszoner?
- Lagras produkter på ett säkert sätt?
- Finns det orapporterade stängningssamtal på en anläggning eller utrustning "nära missar"?
Varför vision vid gränsen
Under de senaste tio åren har datorvision blivit ett snabbt växande område för företag i takt med att molnbaserade tekniker som containerinkapsling har möjliggjort portabilitet och migrering av den här tekniken mot nätverksgränsen. Till exempel kan anpassade slutsatsdragningsmodeller för datorvision som tränats i molnet enkelt containerinkapslas för användning på en Azure IoT Edge-körningsaktiverad enhet.
Motiveringen för migrering av arbetsbelastningar från molnet till gränsen för visions-AI hör vanligtvis till två kategorier – prestanda och kostnad.
Vad gäller prestanda kan exfiltrering av stora mängder data orsaka oavsiktlig prestandasänkning i en befintlig nätverksinfrastruktur. Dessutom uppfyller svarstiden mellan sändning av bilder eller videoströmmar till molnet och resultatet av detta kanske inte behovet för användningsfallet. Exempelvis kan en person som går in i ett oauktoriserat område kräva omedelbar åtgärd, och det scenariot kan påverka svarstiden när varje sekund är viktig. Om slutsatsdragningsmodellen placeras nära inmatningspunkten kan bilden bedömas i nästan realtid. Det gör även att avisering kan utföras antingen lokalt eller via molnet, beroende på nätverkstopologin.
Vad gäller kostnad kan sändning av alla data till molnet för analys avsevärt påverka avkastningen på investeringen för ett projekt inom visions-AI. Med Azure IoT Edge kan en visions-AI-modul utformas till att endast ta relevanta bilder med en rimlig konfidenskonfigurera baserat på bedömningen. Detta begränsar den mängd data som skickas avsevärt.
Kamerafrågor
Kameran är förstås en mycket viktig del av en Azure IoT Edge Vision-lösning. Om du vill lära dig vilka aspekter du bör tänka på för den här komponenten kan du gå till Val av kamera i Azure IoT Edge Vision.
Maskinvaruacceleration
För att AI ska kunna tas till gränsen bör gränsmaskinvaran kunna köra de kraftfulla AI-algoritmerna. Om du vill ta reda på vilka maskinvarufunktioner som krävs för IoT Edge Vision går du till Maskinvaruacceleration i Azure IoT Edge Vision.
Maskininlärning
Maskininlärning kan vara en utmaning när det gäller data vid gränsen på grund av resursbegränsningar på gränsenheter, begränsad energibudget och låg beräkningskapacitet. I Maskininlärning och dataforskning i Azure IoT Edge Vision finns information om viktiga aspekter vid utformningen av maskininlärningsfunktioner för din IoT Edge Vision-lösning.
Bildlagring
Din IoT Edge Vision-lösning kan inte bli fulländad utan noggranna beslut kring hur och var de bilder som genereras ska lagras. Läs Lagring och hantering av bilder i Azure IoT Edge Vision för en detaljerad diskussion.
Aviseringar
Din IoT Edge-enhet kan behöva svara på olika aviseringar i sin miljö. Information om bästa praxis vid hantering av dessa aviseringar finns i Beständighet för aviseringar i Azure IoT Edge Vision.
Användargränssnitt
Användargränssnittet (UI) för din IoT Edge Vision-lösning varierar beroende på målanvändaren. I artikeln Användargränssnitt i Azure IoT Edge Vision diskuteras de huvudsakliga frågorna kring användargränssnitt.
Nästa steg
Den här artikelserien visar hur du skapar en komplett visionsarbetsbelastning med hjälp av Azure IoT Edge-enheter. Ytterligare information finns i följande produktdokumentation: