Resolvendo a Qualidade de Fabricação com Visão de Máquina e MLOps

Pense na sua operação de fabricação como uma orquestra - cada instrumento precisa tocar em perfeita harmonia para criar uma obra-prima. Mas em vez de violinos e violoncelos, você tem máquinas, sensores, câmeras e sistemas de controle gerando todos os seus próprios fluxos de dados críticos. Por anos, os fabricantes têm lutado para encontrar um condutor que possa unir todos esses instrumentos em uma performance coesa.

A tecnologia de dados e IA de hoje mudou completamente essa dinâmica. Ao se conectar a qualquer fonte de dados de fabricação - de equipamentos legados aos mais novos sensores IoT - as empresas finalmente podem orquestrar toda a sua operação em tempo real com Crosser e Databricks. Isso significa capturar variações de processo no momento em que começam, recomendar ajustes de parâmetros para manter a qualidade e eliminar os atrasos custosos entre a detecção de problemas e a sua correção. O resultado é um processo de fabricação que não apenas coleta dados, mas realmente os coloca para trabalhar impulsionando a melhoria contínua.

MLOps para Fabricação Orientada a Eventos

Fabricantes de processos em indústrias como plásticos e fabricação de papel devem desenvolver sistemas robustos de monitoramento em tempo real para responder imediatamente a problemas de qualidade, como rachaduras nas bordas e defeitos de superfície. Ao implementar redes avançadas de sensores conectadas a sistemas de decisão automatizados, os operadores podem detectar defeitos em seus estágios iniciais e alertar os operadores para uma resolução rápida. Essa resposta imediata impede que pequenas rupturas se desenvolvam em defeitos maiores que resultam em significativo desperdício e refugo. As soluções mais eficazes combinam computação de borda para análise instantânea com plataformas de dados em nuvem que melhoram continuamente a precisão da detecção ao longo do tempo, transformando o controle de qualidade reativo em manutenção prescritiva que aborda possíveis problemas antes que se manifestem como defeitos físicos.

Acelere a Detecção de Defeitos com a Simplicidade Inteligente de Borda no Crosser

Ao monitorar rachaduras em sistemas de produção de alta velocidade, até mesmo atrasos de milissegundos são significativos. A simplicidade de borda no Crosser combate a complexidade industrial, permitindo a detecção imediata de defeitos e resposta onde a fabricação realmente acontece, eliminando a latência da rede e permitindo que ações sejam tomadas antes que os defeitos se transformem em problemas maiores. Alguns aspectos-chave da plataforma orientada a eventos do Crosser:

• Minimize a Latência para Ação Rápida - Quando milissegundos importam, a inferência de borda permite uma ação imediata para minimizar o impacto de um defeito. Ao processar dados no local, você reduz significativamente os tempos de resposta, garantindo um tempo de inatividade mínimo e evitando reparos caros.
• Otimizar o Uso de Largura de Banda - Os fluxos de vídeo de alta resolução exigem uma imensa largura de banda para transmitir dados para a nuvem. Executar modelos localmente mantém os dados dentro do seu ambiente, reduzindo a dependência de internet de alta velocidade e diminuindo os custos operacionais.
• Convergência Inteligente IT/OT para Deriva de Modelo de IA - Os pipelines de dados inteligentes de borda para nuvem transferem seletivamente apenas os pontos de dados anômalos mais informativos para os sistemas em nuvem necessários para re-treinar modelos de ML afetados pela deriva de dados. Este filtro inteligente garante que o treinamento do modelo incorpore casos de borda emergentes e condições de produção em mudança, mantendo a precisão da detecção sem sobrecarregar os sistemas centrais com dados redundantes ou de baixo valor.

Databricks + Crosser: MLOps de Visão de Máquina de Ponta a Ponta

Ao combinar a plataforma de análise de borda do Crosser com as ferramentas de IA Mosaic do Databricks, você obtém uma solução perfeita para detecção de defeitos baseada em visão de máquina. Aqui está como implementar:

Passo 1: Coletar Dados de Imagem e Fazer Upload para a Nuvem com o Crosser
A coleta de dados é a base de modelos eficazes de IA. Usando o FlowApp “Video Capture” do Crosser, você pode facilmente capturar feeds de vídeo de câmeras locais. Cada quadro é convertido em uma imagem JPEG e enviada para o seu armazenamento em nuvem preferido, criando um conjunto de dados robusto para treinar seu modelo.

Passo 2: Ingerir e Governar Dados de Imagem
Dentro da nuvem, os volumes do Catálogo Unity da Databricks permitem que os usuários governem e armazenem vários tipos de conteúdo, incluindo imagens, dentro de um volume gerenciado ou externo. Para aplicações de visão de máquina, a Databricks recomenda que você transforme as imagens em uma tabela Delta com o Auto Loader. O Auto Loader auxilia na gestão de dados e lida automaticamente com as novas imagens que chegam continuamente.

Passo 3: Treinar e Governar Modelos de IA
Uma vez que as imagens estão preparadas para o treinamento do modelo, o Databricks Runtime para Machine Learning automatiza a criação de clusters com infraestrutura de aprendizado de máquina e aprendizado profundo pré-construída, incluindo as bibliotecas mais comuns de aprendizado de máquina e aprendizado profundo. Além disso, com o Managed MLflow, a Databricks amplia a funcionalidade do MLflow, fornecendo gerenciamento e governança do ciclo de vida do modelo.

Para esta aplicação de visão de máquina de borda, um popular algoritmo de visão de máquina, YOLO (You Only Look Once), é considerado. A popularidade do YOLO para inferência de borda vem de sua arquitetura única, que processa imagens em uma única passagem. Isso proporciona velocidades de detecção notavelmente rápidas e pequenas pegadas de modelo, mantendo a precisão suficiente para muitas aplicações industriais, tornando-o ideal para dispositivos de borda com recursos limitados.

O pseudo-código a seguir fornece um fluxo lógico de treinamento de modelo e registro como ONNX, que é discutido mais adiante na Etapa 4. A documentação do Databricks fornece um exemplo completo de treinamento de visão de máquina usando PyTorch.

Passo 4: Exportar Modelo para Implantação na Borda
Uma vez treinado em seu framework de aprendizado de máquina preferido, o modelo precisa ser exportado para implantação na borda. ONNX (Open Neural Network Exchange) emergiu como um formato de modelo popular para implantações de borda devido à sua excepcional portabilidade em diversos ambientes de hardware. Ao fornecer uma representação intermediária padronizada para redes neurais, o ONNX permite que modelos treinados em frameworks como PyTorch ou TensorFlow sejam implantados em uma grande variedade de dispositivos de borda sem dependências específicas do framework. Além disso, as otimizações de desempenho integradas do ONNX Runtime adaptam automaticamente os modelos às características específicas do hardware dos dispositivos de borda, seja eles utilizando CPUs, GPUs ou aceleradores de IA especializados. Essa combinação de flexibilidade de hardware e capacidades de inferência otimizadas torna o ONNX particularmente valioso para organizações que implantam soluções de aprendizado de máquina em ambientes de borda heterogêneos com diferentes restrições computacionais.

O módulo mlflow.onnx fornece APIs para registrar e carregar modelos ONNX. Dentro do Databricks, um registro de modelo hospedado com Catálogo Unity fornece APIs totalmente governadas usadas pelo Crosser para baixar o modelo e implantá-lo na borda.

Passo 5: Baixar e Realizar Inferência de Borda e Alerta em Tempo Real com Crosser
Uma vez baixado, o modelo YOLO ONNX é preparado para inferência com Crosser. O FlowApp “Video Crack Detection” do Crosser demonstra como processar feeds de vídeo ao vivo de câmeras locais, detectar defeitos de rachadura em tempo real e tomar ação imediata.

Quando rachaduras são detectadas:

• Acione notificações para HMIs locais para revisão do operador.
• Envie alertas para o pessoal relevante por meio de serviços de notificação.
• Pare a máquina automaticamente para prevenir danos adicionais.

Passo 6: Retreinar e Redeploy com Databricks e Crosser
Máquinas industriais muitas vezes se degradam devido ao ambiente operacional severo e requerem manutenção contínua. Os modelos de IA não são diferentes, e com este padrão de arquitetura o Crosser pode capturar inteligentemente novos dados de imagem para enviar para a nuvem e o Monitoramento Databricks Lakehouse continuará a rastrear a qualidade dos dados e o desempenho do modelo. Se a derivação for detectada, as ferramentas de orquestração do Databricks podem re-treinar automaticamente o modelo e acionar o redeploy para o Crosser, cumprindo todo o ciclo de vida do MLOps.

Desbloqueie o Potencial Total da Convergência IT/OT de Visão de Máquina

A parceria entre Databricks e Crosser representa um avanço na orquestração de IA industrial, criando uma ponte perfeita entre o processamento de borda e o treinamento de modelo de IA para ambientes de fabricação. A plataforma de inteligência de borda da Crosser captura e processa dados de visão de máquina em tempo real na linha de produção, enquanto a Databricks fornece a infraestrutura de data lakehouse escalável para treinamento abrangente de modelos e monitoramento de desempenho. Esta abordagem integrada elimina as barreiras tradicionais entre a tecnologia operacional e a tecnologia da informação, permitindo que os fabricantes implantem modelos sofisticados de visão de computador que evoluem com as condições de produção em mudança. Ao combinar o processamento de borda de baixa latência do Crosser com a poderosa governança do MLflow da Databricks, as empresas podem implementar soluções de IA de visão que não apenas detectam problemas de qualidade instantaneamente, mas melhoram continuamente através de ciclos automatizados de re-treinamento do modelo. Para fabricantes que buscam transformar processos de qualidade de fabricação, essa colaboração oferece uma solução pronta para produção que oferece benefícios operacionais imediatos e maturidade de IA a longo prazo - transformando a orquestra de fabricação de uma coleção de instrumentos individuais em uma sinfonia harmoniosa de excelência orientada por dados.

A Plataforma de Inteligência de Dados para Fabricação ajuda os fabricantes a implantar IA Industrial em escala com parceiros líderes do ecossistema como o Crosser. Se você está procurando melhorar as margens operacionais através de aplicativos de IA enquanto gerencia o crescimento exponencial em volumes de dados, entre em contato com sua equipe de conta Databricks para mostrar como uma plataforma unificada traz o poder da IA para seus dados e pessoas, para que você possa incorporar a IA em cada processo.

(This blog post has been translated using AI-powered tools) Original Post