Bildklassificering med CNN-nätverk (Convolutional Neural Network)

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

Lösnings idé Solution Idea

Om du vill se den här artikeln med mer information, implementerings information, prissättnings vägledning eller kod exempel kan du berätta för oss med GitHub feedback!If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Lean Manufacturing, Cost Control och avfalls minskning krävs för att tillverkning ska vara konkurrens kraftig.Lean manufacturing, cost control, and waste reduction are imperative for manufacturing to remain competitive. Vid anställnings tavlor kan felaktiga kort kosta och produktiviteten.In circuit-board manufacturing, faulty boards can cost manufacturers money and productivity. Med monterings linjer förlitar sig på mänskliga operatörer för att snabbt granska och validera kort som flaggats som potentiellt Felaktiga av monterings rads test datorer.Assembly lines rely on human operators to quickly review and validate boards flagged as potentially faulty by assembly-line test machines.

Den här lösningen analyserar elektroniska komponent avbildningar som genereras av monterings rads kameror i en fabriks fabriks anläggningar och identifierar sin fel status.This solution analyzes electronic component images generated by assembly-line cameras in a circuit-board manufacturing plant and detects their error status. Målet är att minimera eller ta bort behovet av mänsklig inblandning.The goal is to minimize or remove the need for human intervention. Lösningen skapar ett bild klassificerings system med hjälp av ett (convolutional neurala-nätverk med 50 dolda lager, förtränade på 350 000-avbildningar i en ImageNet-datauppsättning för att generera visuella funktioner i avbildningarna genom att ta bort det sista nätverks lagret.The solution builds an image classification system using a convolutional neural network with 50 hidden layers, pretrained on 350,000 images in an ImageNet dataset to generate visual features of the images by removing the last network layer. Dessa funktioner används sedan för att träna ett utökat besluts träd för att klassificera bilden som "pass" eller "Misslyckad" och den slutliga åtgärden som utförs på Edge Machines på anläggningen.These features are then used to train a boosted decision tree to classify the image as "pass" or "fail" and final scoring conducted on edge machines at the plant. Klassificerings prestanda resultatet är bra (tidsbaserad kors validerings AUC>.90) som visar att lösningen är lämplig för att drastiskt minimera mänsklig ingrepp vid identifiering av elektroniska komponenter i monterade krets tavlor.The classification performance results are good (time-based cross-validation AUC>.90) which indicates the solution is suitable to drastically minimize human intervention for electronic-components failure detection in assembled circuit boards.

Genom att använda den här lösningen för att automatisera fel identifiering i stället för att enbart lita på mänsklig operatörer kan du förbättra identifieringen av felaktiga elektroniska komponenter och öka produktiviteten.Using this solution to automate failure detection instead of relying solely on human operators helps improve the identification of faulty electronic components and boost productivity.

ArkitekturArchitecture

Arkitektur diagram Ladda ned en SVG -arkitektur.Architecture Diagram Download an SVG of this architecture.

KomponenterComponents

  • Azure-Blob Storage: data matas in och lagras i Azure Blob Storage.Azure Blob Storage: Data is ingested and stored in Azure Blob Storage.
  • GPU-baserad Azure-Data Science Virtual Machine: kärn utvecklings miljön är Azure Ubuntu GPU-DSVM.GPU based Azure Data Science Virtual Machine: The core development environment is the Azure Ubuntu-based GPU DSVM. Data hämtas från blob till en virtuell Azure-hård disk (VHD) som är ansluten till DSVM.The data is pulled from blob onto an Azure virtual hard disk (VHD) attached to the DSVM. På den virtuella hård disken bearbetas data, avbildningarna är bearbetas med ett djup neurala-nätverk och en bättre träd modell tränas.On that VHD, the data is processed, the images are featurized using a Deep Neural Network, and a Boosted Tree model is trained. DSVM IPython Notebook Server används för utveckling av lösningar.DSVM IPython Notebook server is used for solution development.
  • Microsoft Machine Learning för Apache Spark HDInsight Spark-kluster: som ett alternativ till DSVM-baserad utbildning för stora data uppsättningar använder vi MMLSpark för att bygga en mycket skalbar tränings lösning.Microsoft Machine Learning for Apache Spark HDInsight Spark Cluster: As an alternative to DSVM-based training, for big datasets, we use MMLSpark to build a highly scalable training solution.
  • Azure Container Registry: modellen och webb programmet paketeras i en Docker-avbildning och skrivs till Azure Container Registry.Azure Container Registry: The model and web application are packaged into a Docker image and written to Azure Container Registry.
  • Azure Machine Learning modellhantering tjänst: Azure Machine Learning modellhantering-tjänsten används för att distribuera och hantera den slutliga modellen på en virtuell dator och för att skala ut med Azure Kubernetes service till ett Kubernetes-hanterat Azure-kluster.Azure Machine Learning Model Management Service: Azure Machine Learning Model Management service is used to deploy and manage the final model on a VM and to scale out using Azure Kubernetes Service to a Kubernetes managed Azure cluster. En förutsägbar webb tjänst och en Java ETL-tjänst skrivs också till den virtuella datorn, var och en i en egen behållare.A predictive web service and a Java ETL service are also written onto the VM, each in its own container.
  • Azure Kubernetes service (AKS): distribution för den här lösningen använder Azure Kubernetes-tjänsten som kör ett Kubernetes-hanterat kluster.Azure Kubernetes Service (AKS): Deployment for this solution uses Azure Kubernetes Service running a Kubernetes-managed cluster. Behållarna distribueras från avbildningar som lagras i Azure Container Registry.The containers are deployed from images stored in Azure Container Registry.

Nästa stegNext steps