IBM Maximo Application Suite — Visual Inspection on Openshift

Dari PowerAI Vision menjadi MAS Visual Inspection

Awalnya — IBM PowerAI Vision

  • Aplikasi ini awalnya disebut PowerAI Vision 1.1.3 yang merupakan bagian dari produk IBM Hardware, karena aplikasi ini hanya dapat berjalan di atas mesin Power AC922.
  • Fitur yang ada pada aplikasi ini pada awalnya hanya ada Image Classification dan Object Detection. Untuk Image Classification opsi untuk optimize model yang dapat digunakan adalah system default (GoogLeNet) dan Custom Model (Tensorflow/Keras). Kemudian untuk Object Detection dapat digunakan Faster R-CNN, Detectron, tiny YOLO V2 dan Custom Model (Tensorflow/Keras).
  • Berlanjut ke PowerAI Vision 1.1.4 yang memiliki penambahan fitur terdapat fasilitas untuk membuat model untuk Action Detection. Dengan opsi pilihan untuk optimize model yang sama untuk fitur Image Classification dan Object Detection dari versi sebelumnya, yaitu pada PowerAI Vision 1.1.3. Kemudian untuk Action Detection optimize model yang dapat digunakan hanya dengan Structured Segment Network (SSN).
  • Kemudian produk melakukan update kembali dan menjadi PowerAI Vision 1.1.5 dengan opsi untuk optimize model untuk Image Classification masih sama dengan versi 1.1.4 yaitu System default (GoogLeNet) dan Custom Model. Namun pada versi ini custom model tidak hanya mendukung penggunaan Tensorflow/Keras tetapi juga dapat menggunakan pytorch, untuk Image Classification maupun Object detection. Lalu untuk Object Detection terdapat penambahan opsi yaitu Single Shot Detector (SSD), sehingga pilihan opsi menjadi Faster R-CNN, Detectron, tiny YOLO V2, Single Shot Detector (SSD) dan Custom Model (Tensorflow/Keras dan Pytorch). Untuk Action Detection opsi yang dapat digunakan masih sama dengan versi sebelumnya. Fitur tambahan lain pada versi ini adalah terdapat tab project yang mendukung untuk penggunaan satu API key yang menjalankan lebih dari satu model. Selain itu juga dapat terintegrasi dengan Maximo Asset Monitor dan untuk pilihan optimize model GoogLeNet dan tiny YOLO V2 mendukung penggunaan Core ML.

Kemudian — IBM Visual Insight

Akhirnya — IBM Maximo Application Suite Visual Inspection

IBM Maximo Application Suite — Visual Inspection

Ilustrasi -1 : IBM Maximo Application Suite Home
Ilustrasi-2 : Login IBM Maximo Visual Inspection
Ilustrasi-3: Login IBM Maximo Application Suite
Ilustrasi-4: IBM Maximo Application Suite|Visual Inspection Home

Image Classification

Ilustrasi-5: Optimize Model for Image Classification
Ilustrasi-6: Image Classification Labeling
Ilustrasi-7: Augment Data from Dataset
Ilustrasi 8: Creat New Dataset for Augment Data
Ilustrasi-9: Result Augment Data
Ilustrasi-10: Training Process for Image Classification
Ilustrasi-11: Image Classification Model Result
Ilustrasi-12: Deploy Image Classification Model
Ilustrasi-13: Test Image Classification Model (Image 1)
Ilustrasi-14: Test Image Classification Model (Image 2)

Object Detection

Ilustrasi-15: Optimize Model for Object Detection
Ilustrasi-16: Object Detection Labeling
Ilustrasi-17: Training Object Detection Dataset with Detectron
Ilustrasi-18: Training Process for Object Detection
Ilustrasi-19: Object Detection Model Result
Ilustrasi-20: Deploy Object Detection Model
Ilustrasi-21: Test Object Detection Model

Action Detection

Ilustrasi-22: Optimize Model for Action Detection
Ilustrasi-23: Labeling for Action Detection
ilustrasi-24: Action Detection Dataset
ilustrasi-25: Action Detection Training
Ilustrasi-26: Action Detection Training Process
Ilustrasi-27: Training Result Action Detection Model
Ilustrasi-28: Deploy Action Detection Model
Ilustrasi-29: Action Detection Test Result

Referensi

--

--

--

Love podcasts or audiobooks? Learn on the go with our new app.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
cahyati sangaji (cahya)

cahyati sangaji (cahya)

More from Medium

MongoDB Query Performance Analysis using Pymongo — Part 3

Dynamic Analysis of JScript/VBScript Malware

Remote Desktop For Ubuntu Server

Maps And Set