使用 Azure IoT Edge 的視覺 AI 解決方案

  • 發行項

這一系列文章說明如何規劃和設計使用 Azure IoT Edge 的電腦視覺工作負載。 您可以在裝置上執行 Azure IoT Edge，並與 Azure 機器學習、Azure 儲存體、Azure App 服務 和 Power BI 整合，以取得端對端視覺 AI 解決方案。

以視覺方式檢查產品、資源和環境對於許多工作而言非常重要。 人類視覺檢查和分析會受限於效率低下和不透明度。 企業現在使用深度學習人工神經網路，稱為 卷積神經網路 （CNN）來模擬人類視覺。 使用CNN進行自動化影像輸入和分析通常稱為 電腦視覺 或 視覺 AI。

容器化等技術支援可移植性，可讓視覺 AI 模型移轉至網路邊緣。 您可以在雲端中定型視覺推斷模型、將模型容器化，並使用它們為已啟用 Azure IoT Edge 運行時間的裝置建立自定義模組。 在邊緣部署視覺 AI 解決方案會產生效能和成本效益。

使用案例

視覺 AI 的使用案例橫跨製造、零售、醫療保健和公共部門。 典型的視覺 AI 使用案例包括質量保證、安全性和安全性。

品質保證

在製造環境中，視覺 AI 可以快速且準確地檢查零件和流程。 自動化品質檢查可以：

  • 監視製造程式一致性。
  • 檢查適當的產品元件。
  • 提供早期瑕疵通知。

如需此使用案例的範例案例，請參閱 使用者案例 1：品質控制。

保管庫 安全性和安全性

自動化視覺監視可以掃描潛在的安全性和安全性問題。 自動化可以提供更多時間來回應事件，以及降低風險的機會。 自動化安全性監視可以：

  • 追蹤個人防護設備指導方針的合規性。
  • 監視和警示進入未經授權的區域。
  • 未識別物件的警示。
  • 記錄未報告的近距離電話或行人設備接近錯過。

如需此使用案例的範例案例，請參閱使用者案例 2：保管庫 ty。

架構

適用於IoT Edge的視覺 AI 解決方案牽涉到數位元件和程式。 本系列文章提供每個區域的深入規劃和設計指引。

此圖顯示IoT Edge視覺 AI 解決方案的基本元件。

  1. 相機 擷取影像數據，以輸入IoT Edge視覺 AI 系統。 請參閱 Azure IoT Edge 視覺 AI 的 相機 選擇。
  2. IoT Edge 裝置上的硬體加速提供電腦圖形和 AI 演算法所需的處理能力。 請參閱 Azure IoT Edge 視覺 AI 中的硬體加速。
  3. 部署為IoT Edge模組的ML模型會為傳入映像數據評分。 請參閱 Azure IoT Edge 視覺 AI 中的機器學習服務。
  4. IoT Edge 裝置會將相關的影像數據和元數據傳送至雲端以供儲存。 預存數據用於ML重新定型、疑難解答和分析。 請參閱 Azure IoT Edge 視覺 AI 的映像記憶體和管理。
  5. 使用者透過應用程式、視覺效果和儀錶板等使用者介面與系統互動。 請參閱 Azure IoT Edge 視覺 AI 中的使用者介面和案例。

考量

將電腦視覺工作負載從雲端移轉至邊緣的原因包括效能和成本。

效能考量

  • 將較少的數據導出至雲端可減輕網路基礎結構造成效能問題的壓力。
  • 在本機評分數據有助於防止無法接受的回應延遲。
  • 本機警示可避免延遲並增加複雜度。

例如，進入未經授權的區域的人員可能需要立即介入。 將評分模型定位在數據擷取點附近，可允許近乎即時的影像評分和警示。

成本考量

在本機評分數據，並只傳送相關數據給雲端，可以改善計算機視覺計劃的投資報酬率。 IoT Edge 自定義視覺模組可以針對每個 ML 模型評分影像數據，並只傳送被認為具有合理信心的影像給雲端進行進一步處理。 只傳送選取的影像可減少前往雲端的數據量，並降低成本。

參與者

本文由 Microsoft 維護。 原始投稿人如下。

主體作者：

若要查看非公用LinkedIn配置檔，請登入LinkedIn。

下一步

若要繼續進行有關IoT Edge視覺 AI 的系列，請繼續進行下一篇文章：

Azure IoT Edge 視覺 AI 的 相機 選擇

若要深入瞭解 CNN、視覺 AI、Azure 機器學習 和 Azure IoT Edge，請參閱下列檔：

如需更多使用 Azure IoT 的電腦視覺架構、範例和想法，請參閱下列文章：