The Doppler Quarterly (日本語) 夏 2018 - Page 17

クです。2012 年から「シマウマ」、 「ダルメシアン」、 「食洗 Serving プロセッサーに送られ、煙、火、およびアナログゲージ 機」など 1,000 クラスの画像のデータを使用して、 ImageNet の状態 ( 緑、黄、赤 ) を検出します。 Large Visual Recognition Challengeでトレーニングされま した。これから、デモの煙、火、およびゲージの読み取り用に 個別の分類基準を作成できました。 高度な技術を持つアナリストが作業したとしても、モデルをゼ ビデオ分析のリアルタイムエッジ処理から 2 つの出力ストリーム があります ( 図 1): 1. ロから作成するには数ヶ月かかります。転移学習では、新規モ C++ などのプログラミング言語によるソフトウェア開発に必要 ムダッシュボード。これは工場のフロアにいる担当者が 監視します。また、問題が検出された場合はアラートも デルを数時間で構築できます。開始時に使用するイメージ数 は 20 ∼ 30 の場合がほとんどで、必要なスキルは Python や 処理の現在の状態とタイムラインを表示するリアルタイ 送ります。 2. なものです。 ほぼリアルタイムのアラートストリーム。MQTT プロト コルにより Cloud IoT Core 経由で IoT ゲートウェイ から GCP に送信されます。これらのアラートは、クラウ パブリッククラウドリソース 利用は、トレーニングモデルに 最適です。イメージセットの処理が、 GPU や TPU 2 などの並 ドでホストするダッシュボードにプッシュされます。しき い値ベースのアラート処理が実行される Stackdriver Monitoring にも同様です。 列処理リソース ( 処理完了時に解放 ) に分散できるからで す。Google Cloud Platform (GCP) と Cloud ML Engine を使用してグラフを作 成し、トレーニングしました。続いてグラ フはエクスポートされ、エッジで実行する ステータス 確認応答 火 ために展開されました。この場合で示す のは工場フロアのシミュレーションです。 煙 確認応答 RPM 確認応答 Cloud ML Engine は、 TensorFlow ( こ れも Google 社が開発 ) と呼ばれるオー プンソース機械学習テクノロジーを使用 します。同じ TensorFlow Serving テクノ ロジーを、ビデオストリームのエッジ処理 に対して実行します。 異常アラートタイムライン デモボックスに設置された IP カメラのビ デオストリームを、 3 フレーム / 秒のサン プリングレートで取得します。各フレーム はローカルに動作している TensorFlow すべて 進行中 解決済み HMIの異常をビデオで検出 2018/9/4 午後3:09:50 (米国東部標準時) 煙をビデオで検出 2018/9/4 午後3:09:50 (米国東部標準時) 火をビデオで検出 2018/9/4 午後3:09:50 (米国東部標準時) 割当 詳細 確認応答 割当 詳細 確認応答 割当 詳細 確認応答 図 1: 火、煙、および RPM アラートダッシュボード 2018 年夏号 | THE DOPPLER | 15