Classificação de imagens com redes neurais convolucionais

In:
Client:
Azure

Analisador de risco de crédito de empréstimo e modelagem de inadimplência

Lean manufacturing, controle de custos e redução de desperdício são imperativos para que a fabricação permaneça competitiva. Na fabricação de placas de circuito, placas defeituosas podem custar aos fabricantes em termos de dinheiro e de produtividade. As linhas de assembly dependem de operadores humanos para examinarem e validarem rapidamente as placas sinalizadas como potencialmente defeituosas pelas máquinas de teste da linha de assembly.

Esta solução analisa imagens de componentes eletrônicos geradas por câmeras da linha de assembly em uma instalação de fabricação de placas de circuito e detecta os status de erro nelas. A meta é minimizar ou remover a necessidade de intervenção humana. A solução cria um sistema de classificação de imagens usando uma rede neural convolucional com 50 camadas ocultas, pré-treinada com 350.000 imagens em um conjunto de dados ImageNet para gerar recursos visuais das imagens por meio da remoção da última camada de rede. Esses recursos são então usados para treinar uma árvore de decisão aumentada para classificar a imagem como “aprovada” ou “com falha” e a pontuação final é realizada nos computadores de borda na instalação. Os resultados de desempenho da classificação são bons (AUC de validação cruzada baseada em tempo > 0,90), o que indica que a solução é adequada para minimizar drasticamente a intervenção humana para detecção de falha de componentes eletrônicos em placas de circuito montadas.

O uso dessa solução para automatizar a detecção de falhas em vez de depender exclusivamente de operadores humanos ajuda a aprimorar a identificação de componentes eletrônicos com falha e aumentar a produtividade.

Confira mais: https://azure.microsoft.com/pt-br/solutions/architecture/image-classification-with-convolutional-neural-networks/