Soluções de IA de visão com o Azure IoT Edge
Esta série de artigos descreve como planejar e projetar uma carga de trabalho de visão computacional que usa o Azure IoT Edge. Você pode executar o Azure IoT Edge em dispositivos e integrar-se ao Azure Machine Learning, ao Armazenamento do Azure, aos Serviços de Aplicativo do Azure e ao Power BI para soluções de IA de visão de ponta a ponta.
Inspecionar visualmente produtos, recursos e ambientes é fundamental para muitos empreendimentos. A inspeção visual humana e a análise estão sujeitas a ineficiência e imprecisão. As empresas agora usam redes neurais artificiais de aprendizagem profunda chamadas redes neurais convolucionais (CNNs) para emular a visão humana. O uso de CNNs para entrada e análise automatizada de imagens é comumente chamado de visão computacional ou IA de visão.
Tecnologias como a conteinerização suportam a portabilidade, o que permite migrar modelos de IA de visão para a borda da rede. Você pode treinar modelos de inferência de visão na nuvem, conteinerizar os modelos e usá-los para criar módulos personalizados para dispositivos habilitados para tempo de execução do Azure IoT Edge. A implantação de soluções de IA de visão na borda gera desempenho e benefícios de custo.
Casos de utilização
Casos de uso para IA de visão abrangem fabricação, varejo, saúde e setor público. Os casos típicos de uso de IA de visão incluem garantia de qualidade, segurança e proteção.
Garantia de qualidade
Em ambientes de fabricação, a IA de visão pode inspecionar peças e processos com rapidez e precisão. A inspeção de qualidade automatizada pode:
- Monitore a consistência do processo de fabricação.
- Verifique a montagem correta do produto.
- Forneça notificações antecipadas de defeitos.
Para obter um cenário de exemplo para este caso de uso, consulte Cenário de usuário 1: Controle de qualidade.
Segurança e proteção
O monitoramento visual automatizado pode verificar possíveis problemas de segurança. A automação pode fornecer mais tempo para responder a incidentes e mais oportunidades para reduzir riscos. A monitorização de segurança automatizada pode:
- Acompanhar o cumprimento das diretrizes de equipamentos de proteção individual.
- Monitorizar e alertar sobre a entrada em zonas não autorizadas.
- Alerta sobre objetos não identificados.
- Registre chamadas não relatadas ou quase-acidentes com equipamentos para pedestres.
Para obter um cenário de exemplo para este caso de uso, consulte Cenário de usuário 2: Segurança.
Arquitetura
As soluções de IA da Vision para IoT Edge envolvem vários componentes e processos. Os artigos desta série fornecem orientações detalhadas de planejamento e design para cada área.
- As câmeras capturam os dados de imagem para entrada no sistema de IA de visão IoT Edge. Consulte Seleção de câmera para o Azure IoT Edge vision AI.
- A aceleração de hardware em dispositivos IoT Edge fornece o poder de processamento necessário para computação gráfica e algoritmos de IA. Consulte Aceleração de hardware no Azure IoT Edge vision AI.
- Os modelos de ML implantados como módulos do IoT Edge pontuam os dados de imagem de entrada. Consulte Aprendizado de máquina no Azure IoT Edge vision AI.
- O dispositivo IoT Edge envia dados de imagem e metadados relevantes para a nuvem para armazenamento. Os dados armazenados são usados para retreinamento de ML, solução de problemas e análise. Consulte Armazenamento e gerenciamento de imagens para o Azure IoT Edge vision AI.
- Os usuários interagem com o sistema por meio de interfaces de usuário, como aplicativos, visualizações e painéis. Consulte Interfaces de usuário e cenários no Azure IoT Edge vision AI.
Considerações
Os motivos para migrar cargas de trabalho de visão computacional da nuvem para a borda incluem desempenho e custo.
Considerações de desempenho
- Exportar menos dados para a nuvem alivia a pressão sobre a infraestrutura de rede que pode causar problemas de desempenho.
- A pontuação de dados localmente ajuda a evitar latência de resposta inaceitável.
- O alerta local evita atrasos e complexidade adicional.
Por exemplo, uma pessoa que entra numa área não autorizada pode necessitar de intervenção imediata. Posicionar o modelo de pontuação perto do ponto de ingestão de dados permite a pontuação e o alerta de imagens quase em tempo real.
Considerações de custos
Pontuar dados localmente e enviar apenas dados relevantes para a nuvem pode melhorar o retorno sobre o investimento (ROI) de uma iniciativa de visão computacional. Os módulos de visão personalizados do IoT Edge podem pontuar dados de imagem por modelos de ML e enviar apenas imagens consideradas relevantes com confiança razoável para a nuvem para processamento posterior. Enviar apenas imagens selecionadas reduz a quantidade de dados que vão para a nuvem e reduz os custos.
Contribuidores
Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.
Autor principal:
- Keith Hill - Brasil | Gerente de PM Sênior
Para ver perfis não públicos do LinkedIn, inicie sessão no LinkedIn.
Próximos passos
Para continuar com esta série sobre a visão de IA do IoT Edge, vá para o próximo artigo:
Para saber mais sobre CNNs, vision AI, Azure Machine Learning e Azure IoT Edge, consulte a seguinte documentação:
- Documentação do Azure IoT Edge
- Documentação do Azure Machine Learning
- Tutorial: Executar classificação de imagem na borda com o Serviço de Visão Personalizada
- O que é a Visão por Computador?
- Documentação do kit de desenvolvedor do Azure Kinect DK
- Estrutura de ML do Open Neural Network Exchange (ONNX)
- Ferramenta de gerenciamento de modelo de rede neural profunda (MMdnn)
Recursos relacionados
Para obter mais arquiteturas de visão computacional, exemplos e ideias que usam o Azure IoT, consulte os seguintes artigos: