智能制造網(wǎng)APP
智能制造網(wǎng)手機(jī)站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號
應(yīng)用 Azure 機(jī)器學(xué)習(xí)實現(xiàn)更多智能制造
Azure 機(jī)器學(xué)習(xí)是集成式的端到端數(shù)據(jù)科學(xué)和高級分析解決方案，
可讓數(shù)據(jù)科學(xué)家以云的規(guī)模準(zhǔn)備數(shù)據(jù)、開發(fā)試驗和部署模型
在邊緣側(cè)部署機(jī)器視覺
Custom Vision
工業(yè)場景中有許多需要圖像處理和自動識別的場景。例如產(chǎn)品質(zhì)檢，從外觀異常判斷是否有擦傷、零部件組裝缺失或者遺漏加工步序，又例如化工能源行業(yè)的危險區(qū)域，操作人員未帶保護(hù)裝置禁止進(jìn)入等，又例如鋼廠煙囪排放的廢氣需要通過顏色來識別排放是否達(dá)標(biāo)。
機(jī)器視覺的優(yōu)勢是能夠自主學(xué)習(xí)和判斷，基于人工智能算法的機(jī)器學(xué)習(xí)將不斷調(diào)整參數(shù)以從實際運(yùn)作中積累經(jīng)驗。
采用 Azure 云端的機(jī)器學(xué)習(xí)工具對視頻數(shù)據(jù)并結(jié)合生產(chǎn)過程數(shù)據(jù)進(jìn)行分析，形成數(shù)據(jù)模型，將其部署到邊緣，在連接到云端時能自主學(xué)習(xí)，提高識別準(zhǔn)確率，在脫離云端時又能獨(dú)立運(yùn)行。
將 Azure 流分析部署到
Azure IoT Edge
工業(yè)場景中貼近生產(chǎn)控制層的業(yè)務(wù)邏輯通常需要對數(shù)據(jù)進(jìn)行近似實時的分析并快速作出響應(yīng)，例如在數(shù)控加工行業(yè)，在 CNC 加工過程中由于各種原因會發(fā)生崩刃斷刀，如何在斷刀的瞬間讓機(jī)床停下來不產(chǎn)生后續(xù)災(zāi)害是較為現(xiàn)實的需求。
又例如在一個大滯后系統(tǒng)的加熱控制系統(tǒng)中，需要被加熱的各區(qū)溫度在上升過程中保持一個整體有序的嚴(yán)格的升溫曲線，如果溫度的變化在較大時區(qū)或較小時區(qū)內(nèi)不滿足升溫規(guī)則就需要發(fā)出報警。在這些場景中，傳統(tǒng)的 PLC 難以編程判斷， 需要結(jié)合多種數(shù)據(jù)進(jìn)行綜合分析才能判斷出異常。
采用 Azure 流分析可以解決這類需求：您可以在 Azure 云端構(gòu)建流分析作業(yè)，并將流分析作業(yè)以容器的形式部署到 Azure IoT Edge，使用凌頂 IIoT-Module 采集設(shè)備生產(chǎn)數(shù)據(jù)并存儲到數(shù)據(jù)庫，作為流分析的輸入，然后將流分析的輸出（數(shù)據(jù) 庫中的分析結(jié)果）通過 Node-RED 讀出來并傳輸?shù)?IIoT-Module 內(nèi)置的 OPCUA 服務(wù)器的標(biāo)簽值，從而控制設(shè)備或產(chǎn)生報警。
工業(yè)邊緣應(yīng)用舉例 - 混凝土骨料等級檢測
混凝土骨料是指在混凝土中起骨架或填充作用的粒狀松散材料。分粗骨料和細(xì)骨料。粗骨料指卵石、碎石等，細(xì)骨料指天然砂、人工砂等。
Azure Custom Vision（自定義視覺）使用機(jī)器學(xué)習(xí)算法分析圖像，完成對混凝土粗骨料和細(xì)骨料的區(qū)分。
開發(fā)人員需提交多組圖像， 然后在提交時自行標(biāo)記圖像，此算法會針對該數(shù)據(jù)進(jìn)行訓(xùn)練并計算其自己的準(zhǔn)確度， 訓(xùn)練算法以后，即可在圖像識別應(yīng)用中測試它、重新訓(xùn)練它并最終使用它對新圖像進(jìn)行分類。 也可導(dǎo)出模型本身，方便脫機(jī)使用。
邊緣應(yīng)用舉例 - 識別戴口罩
結(jié)合最近的社會情況，出現(xiàn)了很多需要檢測是否戴口罩的需求。
Azure Custom Vision 提供的AI能力，可以快速發(fā)出一個檢測是否戴口罩的模型，并可以發(fā)布成API供調(diào)用。
本案例中，我們將之前訓(xùn)練好的AI模型，通過Azure IoT Edge 推送到邊緣設(shè)備，這么做有如下好處：
未必所有的攝像頭都能直接調(diào)用API，也不能大規(guī)模替換新型攝像頭
未必所有的檢查點(diǎn)/場所都有良好的網(wǎng)絡(luò)，需要離線運(yùn)行大部分功能
提供更快（時延更低）的檢測結(jié)果返回
當(dāng)我們研發(fā)出準(zhǔn)確率更高的模型時，可以批量從云端更新邊緣設(shè)備
