A Microsoft Azure CustomVision.ai és a Tulip Vision használata vizuális ellenőrzéshez

Az Azure CustomVision.ai és a Tulip Vision használata egyszerű, kód nélküli módja a vizuális ellenőrzés megvalósításának a munkaállomásokon és azon túl.

Ebben a cikkben bemutatjuk, hogyan használhatja a Microsoft Azure CustomVision.ai szolgáltatását a Tulip vizuális ellenőrzéshez. A CustomVision.ai szolgáltatás a vizuális felismerési feladatokhoz szükséges gépi tanulási modellek egyszerű létrehozására szolgál. A Tulip segítségével adatokat gyűjthet a CustomVision.ai által kínált gépi tanulási modellek képzéséhez.

A vizuális ellenőrzés fontos része a frontvonalas műveleteknek. Segítségével biztosítható, hogy csak kiváló minőségű termékek hagyják el a gyártósort, csökkenthető a visszaküldött alkatrészek és az utómunka mennyisége, valamint növelhető a valódi hozam. Az automatikus vizuális ellenőrzéssel megtakarítható a manuális munkaerő kijelölése a vizuális ellenőrzés elvégzésére, csökkentve az összköltségeket és növelve a hatékonyságot. A Tulip Vision segítségével a vizuális ellenőrzés bármely munkaállomáshoz gyorsan és egyszerűen hozzáadható, egy megfizethető árú kamera meglévő számítógéphez történő csatlakoztatásával és egy Tulip App ellenőrzésre való létrehozásával.

Előfeltételek

• Működő Tulip Vision munkaállomás vizuális ellenőrzésre alkalmas kamerával. Kövesse a Tulip Vision kezdeti útmutatóját.
• A CustomVision.ai oldalon használható fiók/alternatívaként használhatja a Landing AI-t - további információk itt olvashatók.
• A vizuális ellenőrzési feladathoz használandó termék
• Egy legalább 30 képből álló adatkészlet minden olyan kategóriaosztályhoz, amelyet ellenőrizni kíván (pl. "Pass" vagy "Fail", "Defect 1", "Defect 2", "Defect 3" stb.). Kövesse az útmutatóban található utasításokat a vizuális vizsgálati adatok Tulipból történő gyűjtéséhez és exportálásához.

Példa a vizuális ellenőrzés beállítására

A vizsgálati képek feltöltése a CustomVision.ai alkalmazásba

Az adatkészlet Tulip táblázatában kattintson az "Adathalmaz letöltése" gombra, és válassza ki a megfelelő oszlopokat a képhez és a megjegyzéshez. Töltse le és csomagolja ki az adatkészlet .zip fájlját egy mappába a számítógépén. A fájlnak az adatkészlet táblázatban szereplő megjegyzéseknek megfelelően az egyes észlelési kategóriánként több almappát kell tartalmaznia.

Hozzon létre egy új projektet a Customvision.ai oldalon:

Nevezze el a projektet, és válassza ki a "Classification" Project Type (osztályozás) és a "Multiclass (Single tag per image)" (többosztályos (képenként egy címke)" Osztályozás. Típus beállítások: (ezek a beállítások alapértelmezés szerint be vannak jelölve).

Kattintson a "Képek hozzáadása" gombra.

Válassza ki a számítógépén lévő képeket az egyik osztályhoz. Kiválaszthatja az összes képet abban az almappában, amelyet a Tulip Table kicsomagolt adatállományból kapott. Miután a képek betöltődtek a Customvision.ai programba, egyszerre mindegyikre alkalmazhat egy címkét, így megspórolhatja a képek egyesével történő címkézését. Mivel az összes jelenlegi kép ugyanabból az osztályból származik, ez lehetséges.

A következő példában feltöltjük az összes "Normal" osztályú képet, és egyszerre alkalmazzuk a címkét (osztály) az összesre:

Ismételjük meg ugyanezt a feltöltési műveletet a többi osztály esetében.

A modell képzése és közzététele a vizuális ellenőrzéshez

Miután a képzéshez szükséges adatok rendelkezésre állnak, folytassa a modell képzését. A jobb felső sarokban található "Train" modell megnyitja a képzési párbeszédpanelt.

Válassza ki megfelelően a képzési módot. Egy gyors próbafuttatáshoz, hogy lássa, minden megfelelően működik-e, használja a "Gyors" opciót. Egyébként a legjobb osztályozási eredmények eléréséhez használja a "Speciális" opciót.

Ha a modell betanítása megtörtént, ellenőrizheti a teljesítményméréseit, valamint közzéteheti a modellt, hogy az API-híváson keresztül elérhető legyen.

Válassza ki a megfelelő erőforrást a közzétételhez, és folytassa.

Ezen a ponton a közzétett modellje készen áll arra, hogy következtetési kéréseket fogadjon a Tuliptól. Jegyezze meg a publikációs URL-t, mivel hamarosan ezt fogjuk használni a Tulipból való csatlakozáshoz.

Widget a publikált modellhez intézett következtetési kérések benyújtásához

Az Azure CustomVision.ai szolgáltatáshoz intézett következtetés-kérelmeket egy Custom Widget segítségével lehet a Tulip-on elvégezni. Az Egyéni Widgetek oldalt a Beállítások alatt találja.

Hozzon létre egy új Custom Widgetet, és adja hozzá a következő bemeneteket:

A kódrészletekhez használja a következőket:

HTML

<button class="button" type="button">Anomáliák észlelése</button>

JavaScript

Megjegyzés: Itt az URL-t és a predikciós kulcsot a CustomVision.ai közzétett modellből kell megkapnia.

const byteArray = Uint8Array.from(window.atob(image), c => c.charCodeAt(0));

 return new Blob([byteArray], {type: 'application/octet-stream'});

}


async function detectAnomalies() {

 let image = getValue("imageBase64String");

 const url = '<<<< Használjuk a CustomVision.ai URL-jét>>>';

 $.ajax({

 url: url,

 type: 'post',

 data: b64toblob(image),

 cache:false,

 processData: false,

 headers: {

 'Prediction-Key': >>>',

 'Content-Type': 'application/octet-stream'.

 },

 success: (response) => {

 setValue("predictions", response["predictions"]);

 },

 error: (err) => {

 console.log(err);

 },

 async: false,

 });

} ```


**CSS**


``` .button {

 background-color:


## 616161;


border: none;

 color: white;

 padding: 32px;

 text-align: center;

 text-decoration: none;

 display: inline-block;

 font-size: 16px;

 width: 100%;

} ```


Győződjön meg róla, hogy engedélyezi a jQuery külső könyvtárat az egyéni widgeten.![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Screen%20Shot%202022-10-12%20at%2011.00.35%20AM_shadow.jpg){height="" width=""}


Az egyéni widgetednek a következőképpen kell kinéznie:


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_490283461.png)


## A Prediction Widget használata egy Tulip alkalmazásban


Most, hogy a Widget be van állítva, egyszerűen hozzáadhatja egy olyan alkalmazáshoz, amelyben a következtetési kéréseket fogja futtatni. A következő módon építhet egy alkalmazás Lépés:


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_497394399.png)


Egy hagyományos gomb segítségével készítsen pillanatképet a vizuális ellenőrző kameráról, és mentse el egy Változóba:


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_490299484.png)


Használja a "Rendellenességek észlelése" egyéni widgetet.


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_490295795.png){height="" width="350"}


Állítsa be a widgetet úgy, hogy elfogadja a pillanatkép Image Variable-t base64stringként.


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_490296728.png){height="" width="300"}


Rendelje a kimenetet egy változóhoz a képernyőn való megjelenítéshez vagy más módon történő felhasználáshoz.


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_490302048.png){height="" width="350"}


Az alkalmazásod most már készen áll a vizuális ellenőrzésre vonatkozó következtetési kérések futtatására.


## A vizuális ellenőrzési alkalmazás futtatása


Ha az alkalmazás készen áll, futtassa azt egy Player gépen az adatgyűjtéshez használt ellenőrző kamerával. Fontos, hogy ugyanazt a helyzetet ismételje meg, amit az adatgyűjtéshez használt, mint az ellenőrzési következtetéshez, hogy kiküszöbölje a megvilágítás, a távolság vagy a szög eltéréséből eredő hibákat.


Íme egy példa egy futtatott vizuális vizsgálati alkalmazásra:


![](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/Using%20Microsoft%20Azure%20CustomVision.ai%20with%20Tulip%20Vision%20for%20Visual%20Inspection_497398652.png)


## További olvasnivaló


* [Kezdő lépések a látvánnyal](https://support.tulip.co/docs/getting-started-with-vision)
* [Adatgyűjtés a vizuális ellenőrzéshez](https://support.tulip.co/docs/collecting-data-for-visual-inspection-with-vision)
* [Az AI egyéni widgetjének leszállítása](https://support.tulip.co/docs/landingai-widget)
* [Leszállás AI egységteszt](https://tulip.co/library/apps/landingai-unit-test/)
* [Egyéni widgetek áttekintése](https://support.tulip.co/docs/custom-widgets-overview)