Evrişimsel Sinir Ağları ile görüntü sınıflandırma

Blob Depolama
Container Registry
Veri Bilimi Sanal Makineleri
Kubernetes Hizmeti
Machine Learning

Çözüm fikri Solution Idea

Daha fazla bilgi, uygulama ayrıntıları, fiyatlandırma Kılavuzu veya kod örneği ile bu makaleyi genişletmemizi istiyorsanız GitHub geri bildirimlerindenhaberdar olalım!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!

Üretimi rekabetçi olmaya devam etmek için, yalın üretim, maliyet denetimi ve atık azalmasıyla ilgili kesinlik zorunludur.Lean manufacturing, cost control, and waste reduction are imperative for manufacturing to remain competitive. Devre kartı üretimde, hatalı panolar üretici ve üretkenlik maliyeti sağlayabilir.In circuit-board manufacturing, faulty boards can cost manufacturers money and productivity. Derleme hatları, derleme satırı test makinelerine göre hatalı bir şekilde işaretlenen panoları hızlıca gözden geçirmek ve doğrulamak için insan operatörlerine güvenir.Assembly lines rely on human operators to quickly review and validate boards flagged as potentially faulty by assembly-line test machines.

Bu çözüm, devre kartı üretim tesislerinde derleme satırı kameraları tarafından oluşturulan elektronik bileşen görüntülerini analiz eder ve hata durumlarını algılar.This solution analyzes electronic component images generated by assembly-line cameras in a circuit-board manufacturing plant and detects their error status. Amaç, insan müdahalesi gereksinimini en aza indirmek veya ortadan kaldırmaktır.The goal is to minimize or remove the need for human intervention. Çözüm, son ağ katmanını kaldırarak görüntülerin görsel özelliklerini oluşturmak için bir ımagenet veri kümesindeki 350.000 görüntüde önceden eğitilen, 50 gizli katmanlı bir evsel sinir ağı kullanarak bir görüntü sınıflandırma sistemi oluşturur.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. Bu özellikler daha sonra görüntüyü "pass" veya "Fail" olarak sınıflandırıp, tesis üzerindeki uç makinelerde nihai Puanlama olarak sınıflandırmak üzere, artırılmış bir karar ağacının eğilebilmesi için kullanılır.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. Sınıflandırma performansı sonuçları iyi (zaman tabanlı çapraz doğrulama AUC>.90), bu da çözümün, birleştirilmiş devre panolarındaki elektronik bileşenler hata algılaması için insan müdahalesini büyük ölçüde en aza indirecek şekilde uygun olduğunu gösterir.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.

Yalnızca insan operatörlerine güvenmek yerine hata algılamayı otomatik hale getirmek için bu çözümün kullanılması, hatalı elektronik bileşenlerin tanımlanmasını ve üretkenliğinizi artırmaya yardımcı olur.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.

MimariArchitecture

Mimari diyagramı Bu mimarinin bir SVG indirin.Architecture Diagram Download an SVG of this architecture.

BileşenlerComponents

  • Azure Blob depolama: veriler Azure Blob depolama alanında alınır ve depolanır.Azure Blob Storage: Data is ingested and stored in Azure Blob Storage.
  • GPU tabanlı Azure Veri Bilimi Sanal Makinesi: çekirdek geliştirme ortamı, Azure Ubuntu tabanlı GPU DSVM 'dir.GPU based Azure Data Science Virtual Machine: The core development environment is the Azure Ubuntu-based GPU DSVM. Veriler, Blobun DSVM 'ye bağlı bir Azure sanal sabit diskine (VHD) çekilir.The data is pulled from blob onto an Azure virtual hard disk (VHD) attached to the DSVM. Bu VHD 'de, veriler işlenir, görüntüler derin bir sinir ağı kullanılarak uygulanır ve artırılmış bir ağaç modeli eğitilir.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 Not defteri sunucusu çözüm geliştirme için kullanılır.DSVM IPython Notebook server is used for solution development.
  • Apache Spark HDInsight Spark kümesi için Microsoft Machine Learning: büyük veri kümelerinde, DSVM tabanlı eğitime alternatif olarak, yüksek düzeyde ölçeklenebilir bir eğitim çözümü oluşturmak için MMLSpark kullanırız.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: model ve Web uygulaması bir Docker görüntüsüne paketlenir ve Azure Container Registry yazılır.Azure Container Registry: The model and web application are packaged into a Docker image and written to Azure Container Registry.
  • Azure Machine Learning Model Yönetimi hizmeti: Azure Machine Learning Model Yönetimi Hizmeti, bir VM 'deki son modeli dağıtmak ve yönetmek ve Azure Kubernetes hizmetini kullanarak bir Kubernetes yönetilen Azure kümesine genişletmek için kullanılır.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. Bir tahmine dayalı Web hizmeti ve bir Java ETL hizmeti, her biri kendi kapsayıcısında de VM 'ye yazılır.A predictive web service and a Java ETL service are also written onto the VM, each in its own container.
  • Azure Kubernetes hizmeti (AKS): Bu çözüm için dağıtım, Kubernetes tarafından yönetilen bir küme çalıştıran Azure Kubernetes hizmetini kullanır.Azure Kubernetes Service (AKS): Deployment for this solution uses Azure Kubernetes Service running a Kubernetes-managed cluster. Kapsayıcılar Azure Container Registry depolanan görüntülerden dağıtılır.The containers are deployed from images stored in Azure Container Registry.

Sonraki adımlarNext steps