Detección de Defectos Visuales en Manufactura (Alto Rendimiento)

Contexto empresarial

Una planta de manufactura utiliza visión por computadora para detectar defectos en microchips. Se requiere inicializar un modelo CNN (Red Neuronal Convolucional) que será entrenado con millones de imágenes. Se prueba la inicialización forzando el uso de múltiples hilos para validar la configuración de rendimiento del servidor CAS.

Sobre el conjunto : deepLearn

Creación y entrenamiento de redes neuronales profundas.

Descubrir todas las acciones de deepLearn

Preparación de datos

Creación de una tabla de metadatos de imágenes simulada.

¡Copiado!

1	DATA public.meta_imagenes;
2	LENGTH ruta_imagen $255;
3	DO i = 1 to 5000;
4	ruta_imagen = cats('/mnt/data/img_', i, '.jpg');
5	etiqueta = ifc(mod(i,100)=0, 'defecto', 'ok');
6	OUTPUT;
7	END;
8	RUN;

Étapes de réalisation

Intento de creación de modelo CNN con especificación de hilos y reemplazo forzado.

¡Copiado!

1	PROC CAS;
2	DEEPLEARN.buildModel /
3	modelTable={name='modelo_vision_calidad', caslib='CASUSER', replace=TRUE}
4	type='CNN'
5	nThreads=8;
6	RUN;

Validación de la existencia de la tabla del modelo.

¡Copiado!

1	PROC CAS;
2	TABLE.tableExists RESULT=r / TABLE={name='modelo_vision_calidad', caslib='CASUSER'};
3	PRINT r;
4	RUN;

Resultado esperado

El modelo CNN se inicializa correctamente utilizando 8 hilos. Si la tabla 'modelo_vision_calidad' ya existía, es reemplazada sin generar error. La función tableExists devuelve 1 (verdadero).

Voir la documentation technique de buildModel