您现在访问的是微软AZURE全球版技术文档网站,若需要访问由世纪互联运营的MICROSOFT AZURE中国区技术文档网站,请访问 https://docs.azure.cn.

使用卷积神经网络和 CNN (图像)

Blob 存储
容器注册表
Data Science Virtual Machine
Kubernetes 服务
机器学习

解决方案理念

如果想了解详细信息(例如潜在用例、替代服务、实现注意事项或定价指南)来扩展本文,请通过反馈GitHub告知我们!

精简制造、成本控制和减少浪费对于制造保持竞争力至关重要。 在线路板制造中,故障板可能会给制造商节省资金和生产力。 装配线依赖于人工操作员快速查看和验证由汇编线测试计算机标记为可能出错的板。

本文 中讨论的此 解决方案理念的实现将分析线路相机在线路板制造工厂中生成的电子组件图像,并检测其错误状态。 目标是最大程度地减少或消除人工干预需求。 该解决方案使用卷积神经网络 (CNN) 构建图像分类系统,该分类系统具有 50 个隐藏层,在 ImageNet 数据集中的 350,000 个图像上预先训练,通过删除最后一个网络层来生成图像的视觉特征。 然后,这些功能用于训练提升决策树,以将图像分类为"通过"或"失败",以及工厂边缘计算机上进行的最终评分。 分类性能结果 (基于时间交叉验证 AUC > 0.90) ,这表示该解决方案适用于在装配的线路板中显著减少电子组件故障检测的人工干预。

使用此解决方案可以自动执行故障检测,而不仅仅依赖于人工操作员,并有助于改进故障电子组件的识别并提高工作效率。

体系结构

体系结构关系图:使用卷积神经网络和卷积分析进行图像Azure 机器学习。 下载此体系结构的 SVG。

组件

  • Azure Blob 存储:数据将导入并存储在 Azure Blob 存储。
  • 基于 GPU Data Science Virtual Machine (DSVM) : 核心开发环境是基于 Azure Ubuntu 的 GPU DSVM。 数据从 Blob 拉取到附加到 DSVM (VHD) Azure 虚拟硬盘上。 在 VHD 上处理数据,使用深度神经网络将图像 (DNN) ,并训练提升树模型。 DSVM IPython Notebook 服务器用于解决方案开发。
    • 作为基于 DSVM 的训练的替代方法,对于大型数据集,可以使用 ML服务Azure HDInsight构建高度可缩放的训练解决方案。
  • Azure 容器注册表:模型和 Web 应用程序打包到 Docker 映像中,并写入Azure 容器注册表。
  • Azure 机器学习 模型管理 (MLOps) :Azure 机器学习使用 机器学习 Operations (MLOps) 方法在 VM 上部署和管理最终模型,并使用 Azure Kubernetes 服务 横向扩展到 Kubernetes 托管的 Azure 群集。 实现 此解决方案理念时,预测 Web 服务和 Java ETL (提取、转换、加载) 服务也会写入 VM,每个服务都在其自己的容器中。
  • Azure Kubernetes 服务 (AKS) : 此解决方案的部署Azure Kubernetes 服务运行 Kubernetes 托管群集。 容器从存储在 Azure 容器注册表 中的映像进行部署。

后续步骤