使用卷積類神經網路的影像分類 (Cnn)

Blob 儲存體
Container Registry
資料科學虛擬機器
Kubernetes Service
Machine Learning

解決方案構想

如果您想要瞭解如何使用詳細資訊來擴充本文,例如可能的使用案例、替代服務、實行考慮或定價指引,請讓我們知道 GitHub 的意見反應!

製造的深度、成本控制和浪費都必須保持競爭力。 在電路板製造中,錯誤的面板可能會降低製造商的金錢和生產力。 元件行會依賴人力運算子來快速檢查和驗證元件行測試電腦標示為可能發生錯誤的面板。

本文討論 的這個解決方案構想的實 ,會分析電路板製造工廠中的元件線攝影機所產生的電子元件影像,並偵測其錯誤狀態。 目標是要將人為介入的需求降到最低或移除。 解決方案會使用卷積類神經網路建立影像分類系統, (CNN) 與50隱藏層,預先定型 ImageNet 資料集中的350000映射,藉由移除最後一個網路層級來產生影像的視覺功能。 這些功能接著會用來訓練促進式決策樹,將影像分類為「通過」或「失敗」,並在工廠的邊緣機器上進行最終評分。 分類效能結果是良好的 (以時間為基礎的交叉驗證 AUC > 0.90) ,這表示解決方案適合用來大幅減少組合電路板中電子元件失敗偵測的人為介入。

您可以使用此解決方案來自動化失敗偵測,而不只依賴人力操作員,也可以協助改善錯誤電子元件的識別並提高生產力。

架構

架構圖:使用卷積類神經網路和 Azure Machine Learning 的影像分類。 下載此架構的SVG

單元

  • Azure Blob 儲存體:資料會內嵌並儲存在 Azure Blob 儲存體中。
  • GPU 為基礎的 Azure 資料科學虛擬機器 (DSVM) :核心開發環境是以 Azure Ubuntu 為基礎的 GPU DSVM。 資料會從 blob 提取到連接至 DSVM 的 Azure 虛擬硬碟 (VHD) 。 在該 VHD 上,系統會處理資料、使用深度類神經網路特徵化影像, (DNN) ,而且會訓練促進式樹狀結構模型。 DSVM IPython 筆記本伺服器用於開發解決方案。
    • 針對大型資料集的 DSVM 型訓練,您可以使用Azure HDInsight 中的 ML 服務來建立可高度擴充的定型解決方案,以作為型定型的替代方案。
  • Azure Container Registry:模型和 web 應用程式會封裝至 Docker 映射,並寫入 Azure Container Registry。
  • Azure Machine Learning 模型管理 (MLOps) : Azure Machine Learning 使用機器學習作業 (MLOps) 方法來部署和管理 VM 上的最終模型,並使用 Azure Kubernetes Service 向外擴充至 Kubernetes 受控 Azure 叢集。 在 此解決方案構想的實現中,預測性 web 服務和 JAVA ETL (解壓縮、轉換、載入) 服務也會寫入至 VM,每個都在自己的容器中。
  • Azure Kubernetes Service (AKS) :此解決方案的部署會使用 Azure Kubernetes Service 執行 Kubernetes 管理的叢集。 容器會從儲存在 Azure Container Registry 中的映射部署。

下一步