使用 Microsoft Azure CustomVision.ai 和 Tulip Vision 进行视觉检测
- 28 Aug 2024
- 1 分钟阅读
- 贡献者
- 打印
使用 Microsoft Azure CustomVision.ai 和 Tulip Vision 进行视觉检测
- 更新于 28 Aug 2024
- 1 分钟阅读
- 贡献者
- 打印
文章摘要
您觉得此摘要对您有帮助吗？
感谢您的反馈
将 Azure CustomVision.ai 与 Tulip Vision 结合使用，是在工作站及其他设备上实现视觉检测的一种简单无代码方法。
在本文中，我们将演示如何使用 Microsoft Azure 的 CustomVision.ai 服务与 Tulip 一起进行视觉检测。CustomVision.ai 服务用于轻松创建视觉识别任务的机器学习模型。通过 Tulip，您可以收集数据来训练 CustomVision.ai 提供的机器学习模型。
视觉检测是一线操作的重要组成部分。它可以用来确保只有高质量的产品才会离开生产线，减少退回零件和返工，并提高真正的产量。自动视觉检测可以节省人工执行视觉检测的时间，降低总体成本并提高效率。有了 Tulip Vision，只需将经济实惠的摄像头连接到现有计算机，并创建一个用于检测的 Tulip 应用程序，就能快速、轻松地将视觉检测添加到任何工作站。
前提条件
- 配备视觉检测相机的 Tulip Vision 工作站。按照Tulip Vision 入门指南进行操作
- 在CustomVision.ai 上使用的账户/或者，您也可以使用 Landing AI -点击此处了解更多。
- 用于视觉检测任务的产品
- 一个至少包含 30 张图片的数据集，用于您希望检测的每个类别（例如 "合格 "或 "不合格"、"缺陷 1"、"缺陷 2"、"缺陷 3 "等）。按照指南上的说明从 Tulip 收集和导出视觉检测数据
视觉检测设置示例
将检测图像上传到 CustomVision.ai
从数据集 Tulip 表单击 "下载数据集 "并选择图像和注释的相关列。下载并解压数据集 .zip 文件到计算机上的文件夹。根据数据集表中的注释，每个检测类别应包含若干子文件夹。
在 Customvision.ai 上创建一个新项目：
命名您的项目并选择 "分类 "项目类型和 "多类别（每幅图像一个标签）"。分类。类型选项：（默认选择这些选项）
点击 "添加图像"。
为其中一个类别选择计算机上的图像。您可以选择从郁金香表解压数据集中获得的子文件夹中的所有图像。图片加载到 Customvision.ai 后，您可以一次性为所有图片应用标签，以节省逐个标记的时间。由于当前的所有图片都来自同一类别，因此可以这样做。
在下面的示例中，我们上传了所有 "正常 "类图像，并将标签（类）一次性应用于所有图像：
对其他类别重复同样的上传操作。
训练和发布视觉检测模型
训练数据准备就绪后，就可以开始训练模型了。右上角的 "训练 "模型会打开训练对话框。
适当选择训练模式。如果要快速试运行，查看一切工作是否正常，请使用 "快速 "选项。否则，为了获得最佳分类效果，请使用 "高级 "选项。
模型训练完成后，您就可以检查其性能指标，还可以发布模型，以便通过 API 调用进行访问。
为发布选择合适的资源，然后继续。
此时，您发布的模型就可以接受来自 Tulip 的推理请求了。请注意发布 URL，因为我们很快就会使用它从 Tulip 进行连接。
向已发布模型提出推理请求的小工具
向 Azure CustomVision.ai 服务提出推理请求可在 Tulip 上使用自定义小工具完成。您可以在 "设置 "下找到 "自定义部件 "页面。
创建一个新的自定义部件并添加以下输入：
代码部分请使用以下内容：
HTML
<button class="button" type="button">检测异常情况</button>。
JavaScript
注意：此处您需要从 CustomVision.ai 发布的模型中获取 URL 和预测密钥。
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 = '<<< 使用 CustomVision.ai 中的 URL>>'；
$.ajax({
url: url、
type: 'post'、
data: b64toblob(image)、
cache:false、
processData: false、
headers：{
预测密钥<<< 使用预测密钥 >>>'、
内容类型"："应用程序/八进制流
},
success: (response) => {
setValue("predictions", response["predictions"])；
},
错误：（err） => {
console.log(err)；
},
async: false、
});
} ```
**CSS**
``` .button {
background-color：
## 616161;
border: none；
color: white；
padding：15px 32px；
text-align: center；
text-decoration: none；
display: inline-block；
font-size: 16px；
width: 100%；
} ```
确保在自定义 Widget 上启用 jQuery 外部库。{height="" width=""}
您的自定义 Widget 应如下所示：
## 在郁金香应用程序中使用预测 Widget
现在 Widget 已设置完成，您只需将其添加到将运行推理请求的应用程序中即可。您可以构建如下应用程序步骤：
使用常规按钮从视觉检测摄像头拍摄快照并保存到变量中：
使用 "检测异常 "自定义部件。
{height="" width="350"}
配置窗口小部件，使其接受快照图像变量作为 base64string。
{height="" width="300"}
将输出分配给一个变量，以便在屏幕上显示或以其他方式使用。
{height="" width="350"}
现在，您的应用程序已准备就绪，可以运行可视化检测的推理请求。
## 运行视觉检测应用程序
应用程序准备就绪后，在带有用于数据收集的检测相机的 Player 机器上运行。重要的是，要复制与检测推理相同的数据采集环境，以消除光线、距离或角度差异造成的误差。
下面是一个运行中的视觉检测应用程序示例：
## 更多阅读
* [视觉检测入门](https://support.tulip.co/docs/getting-started-with-vision)
* [为视觉检测收集数据](https://support.tulip.co/docs/collecting-data-for-visual-inspection-with-vision)
* [登陆人工智能自定义小工具](https://support.tulip.co/docs/landingai-widget)
* [登陆人工智能单元测试](https://tulip.co/library/apps/landingai-unit-test/)
* [自定义小工具概述](https://support.tulip.co/docs/custom-widgets-overview)
本文对您有帮助吗？
