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