0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

基于Intel Analytics Zoo上分布式TensorFlow的美的/KUKA工业检测平台

电子设计 来源:电子发烧友网 2018-10-17 10:30 次阅读

背景

工业检查(用于产品缺陷检测)是现代制造业的重要组成部分。随着人工智能计算机视觉和大数据技术的发展,我们可以建立先进的工业检测系统以实现和人类水平媲美的准确性,并具有更高的效率和更低的成本。在本文中,我们将分享我们在美的/ KUKA,使用英特尔Analytics Zoo(一个基于Apache Spark、TensorFlow和BigDL的开源数据分析+ AI平台),来建立基于深度学习的工业检测平台的经验。

基于Analytics Zoo的端到端的解决方案

为了便于构建和生成大数据的深度学习应用程序,AnalyticsZoo(https://github.com/intel-analytics/analytics-zoo)提供了统一的数据分析+AI平台,可将Spark,TensorFlow和BigDL程序无缝集成到一个统一的数据分析流水线中;然后,整个流水线可以透明地扩展到(运行在标准的Intel至强服务器上的)Hadoop/Spark集群,以进行分布式训练或推理。

如上图所示,美的 / KUKA的工业检测平台是一个建立在Analytics Zoo之上的端到端数据分析流水线,包括

(1)使用Spark以分布式方式处理从制造流水线获取的大量图像。

(2)使用Tensorflow Object Detection API直接构建对象检测(例如,SSDLite + MobileNet V2)模型

(3)直接使用在第一步中预处理的图像RDD,以分布式方式在Spark集群上训练(或微调)对象检测模型。

(4)直接使用评估图像集的RDD,以分布式方式在Spark集群上评估(或推断)训练模型。

(5)使用Analytics-Zoo中POJO模式的API, 将整个Pipeline 部署在低延迟的、在线Web 服务中。

在检测时间期间,具有相机的工业机器人可以自动拍摄产品的照片,并通过HTTP将图像发送到网络服务以检测各种缺陷(例如,缺失标签或螺栓等),如下所示。

Spark,TensorFlow和BigDL的统一集成

如前所述,Analytics Zoo提供了“集成数据分析”的深度学习编程模型,因此用户可以轻松开发端到端的数据分析+ AI 流水线(使用Spark,TensorFlow,Keras等),然后透明地运行在大型Hadoop / Spark集群上、使用BigDL和Spark进行分布式训练和推理。此外,用户还可以轻松部署端到端的流水线,以实现低延迟的在线服务(使用Analytics Zoo提供的POJO风格的模型服务API)。

例如,为了以分布式方式处理缺陷检测流水线的训练数据,我们可以使用PySpark将原始图像数据读取到RDD中,然后应用一些变换来解码图像,并提取边界框和类标签,如下所示。

<<<< 

train_rdd = sc.parallelize(examples_list)

.map(lambda x: read_image_and_label(x))

.map(lambda image: decode_to_ndarrays(image))

<<<< 

返回的RDD(train_rdd)中的每条记录都包含一个NumPy ndarray的列表(即图像,边界框,类和检测到的框的数量),它可以直接用于创建TensorFlow模型,并在Analytics Zoo上进行分布式训练。我们可以通过创建TFDataset (如下所示)来实现这一功能。

<<<< 

dataset = TFDataset.from_rdd(train_rdd,

names=["images", "bbox", "classes", "num_detections"],

shapes=[[300, 300, 3],[None, 4], [None], [1)]],

types=[tf.float32, tf.float32, tf.int32, tf.int32],

batch_size=BATCH_SIZE,

hard_code_batch_size=True)

<<<< 

在Analytics Zoo中,TFDataset表示一个分布式存储的记录集合,其中每条记录包含一个或多个Tensorflow Tensor对象。然后我们可以直接将这些Tensor作为输入构建Tensorflow模型。例如,我们使用

了Tensorflow Object Detection API构建了SSDLite + MobileNet V2模型(如下图所示):

<<<< 

# using tensorflow object detection api to construct model

# https://github.com/tensorflow/models/tree/master/research/object_detection

from object_detection.builders import model_builder

images, bbox, classes, num_detections = dataset.tensors

detection_model = model_builder.build(model_config, is_training=True)

resized_images, true_image_shapes = detection_model.preprocess(images)

detection_model.provide_groundtruth(bbox, classes)

prediction_dict = detection_model.predict(resized_images, true_image_shapes)

losses = detection_model.loss(prediction_dict, true_image_shapes)

total_loss = tf.add_n(losses.values())

>>>>

在模型构建之后,我们首先加载预先训练的Tensoflow模型,然后使用Analytics Zoo中的TFOptimizer(如下所示)对模型进行微调训练;最终我们在验证数据集上达到0.97 mAP@0.5。

>>>>

with tf.Session() as sess:

init_from_checkpoint(sess, CHECKPOINT_PATH)

optimizer = TFOptimizer(total_loss, RMSprop(LR), sess)

optimizer.optimize(end_trigger=MaxEpoch(20))

save_to_new_checkpoint(sess, NEW_CHEKCPOINT_PATH)

>>>>

在运行过程中,Analytics-Zoo使用PySpark从磁盘中读取了输入数据并进行预处理,并构造了一个Tensorflow Tensor的RDD。然后,基于BigDL和Spark 对Tensorflow 模型进行分布式训练(如BigDL技术报告所述)。无需修改代码或手动配置, 整个训练流程就可以自动从单个节点扩展到基于Intel至强服务器的大型Hadoop / Spark集群。

模型训练结束后,我们还可以基于与训练流程类似的流水线,使用PySpark,TensorFlow和BigDL在Analytics Zoo上执行大规模的分布式评估/推断。

低延迟的在线服务

如下所示,我们也可以使用Analytics Zoo提供的POJO风格的模型服务API轻松部署推理流水线,以实现低延迟的在线服务(例如,Web服务,Apache Storm,Apache Flink等等)。有关详细信息,请参阅 https://analytics-zoo.github.io/master/#ProgrammingGuide/inference/

<<<< 

AbstractInferenceModel model = new AbstractInferenceModel(){};

model.loadTF(modelPath, 0, 0, false);

List<List<JTensor>> output = model.predict(inputs);

<<<< 

结论

Midea / KUKA通过结合人工智能,计算机视觉和大数据技术,在Analytics Zoo(https://github.com/intel-analytics/analytics-zoo)上成功构建了先进的工业检测系统。它使用了工业机器人,相机和英特尔至强服务器等工具对产品的缺陷进行自动检测。尤其是Analytics Zoo提供统一的数据分析 + AI平台,可将Spark,BigDL和TensorFlow程序无缝集成到一个数据分析流水线中,从而可以轻松构建和生产化部署基于大数据的深度学习应用程序(包括分布式训练和推理,以及低延迟在线服务)。您可以参考Github上的示例了解更多详细信息。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 英特尔
    +关注

    关注

    60

    文章

    9880

    浏览量

    171498
  • Web服务
    +关注

    关注

    0

    文章

    26

    浏览量

    18455
  • SPARK
    +关注

    关注

    1

    文章

    105

    浏览量

    19875
收藏 人收藏

    评论

    相关推荐

    分布式IO工业自动化数据采集与分析的核心

    随着工业自动化技术的不断发展,分布式IO在工业自动化领域的应用越来越广泛。作为一种先进的控制技术,分布式IO能够实现设备的分布式控制和监测,
    发表于 12-28 14:47

    分布式入侵检测系统的设计

    分布式入侵检测系统的设计入侵检测是网络安全的一个新方向,其重点是有效地提取特征数据并准确地分析出非正常网络行为。该文在深入研究分析公共入侵检测框架理论和现有入侵
    发表于 03-10 09:55

    分布式软件系统

    分布式软件系统分布式软件系统(Distributed Software Systems)是支持分布式处理的软件系统,是在由通信网络互联的多处理机体系结构执行任务的系统。它包括
    发表于 07-22 14:53

    LED分布式恒流原理

    分布式恒流源节点设置分布式恒流技术就是在需要恒流的节点串接,低压差线性恒流驱动器。低压差很重要,关系到产品驱动效率。做到恒流驱动有很多种,其中低压差线性恒流就可以实现一切LED应用设计,即稳定又简单
    发表于 03-09 16:47

    如何设计分布式干扰系统?

    什么是分布式干扰系统?分布式干扰系统是一种综合化、一体化、小型化、网络化和智能化系统,是将众多体积小,重量轻,廉价的小功率侦察干扰机装置在易于投放的小型平台上,撒布在接近***扰目标空域地,通过指令
    发表于 08-08 06:57

    分布式系统的优势是什么?

    当讨论分布式系统时,我们面临许多以下这些形容词所描述的 同类型: 分布式的、删络的、并行的、并发的和分散的。分布式处理是一个相对较新的领域,所以还没有‘致的定义。与顺序计算相比、并行的、并发的和
    发表于 03-31 09:01

    分布式恒流的优缺点是什么?

     分布式恒流技术就是在需要恒流的节点串接,低压差线性恒流驱动器。低压差很重要,关系到产品驱动效率。做到恒流驱动有很多种,其中低压差线性恒流就可以实现一切LED应用设计,即稳定又简单,结合开关电源,有着完美的恒流驱动架构。
    发表于 04-01 09:03

    TensorFlow的特点和基本的操作方式

    Tensorflow是Google开源的深度学习框架,来自于Google Brain研究项目,在Google第一代分布式机器学习框架DistBelief的基础发展起来。Tensorflow
    发表于 11-23 09:56

    如何高效完成HarmonyOS分布式应用测试?

    2.0发布以来,开发者在测试和架HarmonyOS分布式应用过程中遇到很多挑战和困难。总体可归纳为以下三点:分布式应用上架测试通过率低:开发者提交上架的分布式应用基础质量较差。如图
    发表于 12-13 18:07

    Intel Analytics Zoo/BigDL为客服平台添加AI的实践(一)

    本系列博客主要分享了微软 Azure 的团队使用 Intel Analytics Zoo 在 Azure 的平台上为客户支持服务平台添加 A
    的头像 发表于 10-17 10:30 4649次阅读

    分布式工业物联网云平台是怎样的

    分布式工业物联网云平台是基于智能传感器、无线传输技术、大规模数据处理与远程控制等物联网核心技术与互联网、无线通信、云计算大数据技术高度融合开发的一套物联网云服务平台
    发表于 06-25 10:35 1730次阅读

    Analytics Zoo: 统一的大数据分析+AI 平台

    怎么应用 Analytics Zoo ?比如在阿里云上面部署 EMR,使用 Analytics Zoo
    的头像 发表于 07-02 11:18 4772次阅读

    Intel制造行业AI案例分享:美的工业视觉检测平台

    Intel制造行业AI案例分享:美的工业视觉检测平台 [项目背景] 作为白色家电行业领军企业,美的
    的头像 发表于 12-26 10:43 4080次阅读

    如何使用TensorFlow进行大规模和分布式的QML模拟

    中,我们将逐步带您了解如何使用 TensorFlowTensorFlow Quantum 进行大规模和分布式
    的头像 发表于 08-10 17:31 2596次阅读

    分布式工业物联网平台:引领智能制造的新篇章

    随着全球化和信息化进程的加速,分布式工业物联网平台作为智能制造的重要基石,正逐步展现出其强大的潜力和广泛的应用前景。这一平台通过整合不同地区的人力物力资源,实现产品生产的最低消耗,并借
    的头像 发表于 09-27 17:09 194次阅读