次の方法で共有

Azure IoT Edge を使用したビジョン AI ソリューション

  • [アーティクル]

この一連の記事では、Azure IoT Edge を使用するコンピューター ビジョン ワークロードを計画および設計する方法について説明します。 デバイスで Azure IoT Edge を実行し、Azure Machine Learning、Azure Storage、Azure App Services、および Power BI と統合して、エンドツーエンドのビジョン AI ソリューションを作成できます。

製品、リソース、環境を視覚的に検査することは、多くの取り組みで非常に重要です。 人間による目視検査と分析は、非効率や不正確になりがちです。 企業では、"畳み込みニューラル ネットワーク" (CNN) と呼ばれるディープ ラーニングの人工ニューラル ネットワークを使用して、人間の視覚をエミュレートするようになりました。 自動画像入力と分析に CNN を使用することは、一般的に "コンピューター ビジョン" または "ビジョン AI" と呼ばれます。

コンテナ化のようなテクノロジでは、ネットワーク エッジへのビジョン AI モデルの移行を可能にする移植性がサポートされています。 クラウドでビジョン推論モデルをトレーニングし、これらのモデルをコンテナー化し、それらを使用して Azure IoT Edge ランタイム対応デバイス用のカスタム モジュールを作成することができます。 エッジにビジョン AI ソリューションをデプロイすると、パフォーマンスとコスト面でのメリットが得られます。

ユース ケース

ビジョン AI のユース ケースは、製造、小売、医療、および公共セクターまでにわたります。 一般的なビジョン AI のユース ケースには、品質保証、安全性、セキュリティが含まれます。

品質保証

製造環境では、ビジョン AI はパーツとプロセスを迅速かつ正確に検査できます。 自動化された品質検査では以下の作業が可能です。

  • 製造プロセスの一貫性を監視する。
  • 製品の組み立てが適切かどうかを確認する。
  • 早期の欠陥通知を提供する。

このユース ケースのシナリオ例については、「ユーザーシナリオ 1: 品質管理」を参照してください。

安全性とセキュリティ

自動化された視覚的な監視により、安全性とセキュリティの潜在的な問題がないかスキャンできます。 自動化により、インシデントへの対応に時間をかけることができ、リスクを軽減する機会も増えます。 自動化された安全性の監視では以下の作業が可能です。

  • 個人用保護具のガイドラインに準拠しているかを追跡する。
  • 無許可のゾーンへの立ち入りを監視し、アラートを出す。
  • 不明なオブジェクトに関するアラートを出す。
  • 未報告のぎりぎりのケースや、歩行者や機器の "ニアミス" を記録する。

このユース ケースのシナリオ例については、「ユーザーシナリオ 2: 安全性」を参照してください。

アーキテクチャ

IoT Edge 用のビジョン AI ソリューションには、いくつかのコンポーネントとプロセスが含まれます。 このシリーズの記事では、各領域の詳細な計画と設計のガイダンスについて説明します。

IoT Edge ビジョン AI ソリューションの基本的なコンポーネントを示す図。

  1. カメラが、入力用の画像データを IoT Edge ビジョン AI システムに取り込みます。 Azure IoT Edge ビジョン AI のカメラ選択に関するページを参照してください。
  2. IoT Edge デバイスのハードウェア アクセラレータにより、コンピューター グラフィックスと AI アルゴリズムに必要な処理能力が得られます。 Azure IoT Edge ビジョン AI のハードウェア アクセラレータに関するページを参照してください。
  3. IoT Edge モジュールとしてデプロイされた ML モデルが、受信画像データをスコア付けします。 Azure IoT Edge ビジョン AI の機械学習に関するページを参照してください。
  4. IoT Edge デバイスは、関連する画像データとメタデータを保管のためにクラウドに送信します。 保管されたデータは、ML 再トレーニング、トラブルシューティング、分析に使用されます。 Azure IoT Edge ビジョン AI での画像のストレージと管理に関するページを参照してください。
  5. ユーザーは、アプリ、視覚エフェクト、ダッシュボードなどのユーザー インターフェイスを使用してシステムと対話します。 Azure IoT Edge ビジョン AI のユーザー インターフェイスとシナリオに関するページを参照してください。

考慮事項

コンピューター ビジョンのワークロードをクラウドからエッジに移行する理由には、パフォーマンスとコストがあります。

パフォーマンスに関する考慮事項

  • クラウドにエクスポートするデータを減らすと、パフォーマンスの問題の原因となる可能性があるネットワーク インフラストラクチャの負担が軽減されます。
  • データをローカル側でスコア付けすると、許容できない応答の待機時間を防ぐのに役立ちます。
  • ローカル アラートでは、遅延や余分な複雑さを回避できます。

たとえば、ユーザーが無許可の領域に入ると、直ちに介入が必要になる場合があります。 データ インジェスト ポイントの近くにスコアリング モデルを配置すると、ほぼリアルタイムの画像スコアリングとアラートが可能になります。

コストに関する考慮事項

データをローカル側でスコア付けし、関連するデータのみをクラウドに送信することで、コンピューター ビジョン イニシアチブの投資収益率 (ROI) を向上させることができます。 IoT Edge カスタム ビジョン モジュールは、ML モデルごとに画像データをスコア付けし、妥当な信頼性で適切と見なされる画像のみをクラウドに送信してさらに処理することができます。 選択した画像のみを送信すると、クラウドに移動するデータの量が減り、コストが削減されます。

共同作成者

この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。

プリンシパル作成者:

パブリックでない LinkedIn プロファイルを表示するには、LinkedIn にサインインします。

次のステップ

IoT Edge ビジョン AI に関するこのシリーズを続行するには、次の記事に進んでください。

Azure IoT Edge ビジョン AI のカメラ選択

CNS、ビジョン AI、Azure Machine Learning、Azure IoT Edge の詳細については、次のドキュメントを参照してください。

Azure IoT を使用するコンピューター ビジョンのアーキテクチャ、例、およびアイデアについて詳しくは、次の記事を参照してください。