Demokratiser registrering af computersynsfejl til produktionskvalitet ved hjælp af kodefri maskinlæring med Amazon SageMaker Canvas | Amazon Web Services

Pris af dårlig kvalitet er top of mind for producenter. Kvalitetsfejl øger skrot- og omarbejdningsomkostninger, reducerer gennemløbet og kan påvirke kunder og virksomhedens omdømme. Kvalitetsinspektion på produktionslinjen er afgørende for at opretholde kvalitetsstandarder. I mange tilfælde bruges menneskelig visuel inspektion til at vurdere kvaliteten og opdage defekter, hvilket kan begrænse ledningens gennemstrømning på grund af menneskelige inspektørers begrænsninger.

Fremkomsten af ​​maskinlæring (ML) og kunstig intelligens (AI) bringer yderligere visuelle inspektionsmuligheder ved hjælp af computervision (CV) ML-modeller. At komplimentere menneskelig inspektion med CV-baseret ML kan reducere detekteringsfejl, fremskynde produktionen, reducere kvalitetsomkostningerne og påvirke kunderne positivt. Opbygning af CV ML-modeller kræver typisk ekspertise inden for datavidenskab og kodning, som ofte er sjældne ressourcer i produktionsorganisationer. Nu kan kvalitetsingeniører og andre på værkstedet bygge og evaluere disse modeller ved hjælp af no-code ML-tjenester, som kan accelerere udforskningen og adoptionen af ​​disse modeller mere bredt i fremstillingsoperationer.

Amazon SageMaker lærred er en visuel grænseflade, der gør det muligt for kvalitets-, proces- og produktionsingeniører at generere nøjagtige ML-forudsigelser på egen hånd – uden at kræve nogen ML-erfaring eller at skulle skrive en enkelt linje kode. Du kan bruge SageMaker Canvas til at skabe single-label billedklassificeringsmodeller til at identificere almindelige produktionsfejl ved hjælp af dine egne billeddatasæt.

I dette indlæg lærer du, hvordan du bruger SageMaker Canvas til at bygge en enkelt-label billedklassificeringsmodel til at identificere defekter i fremstillede magnetiske fliser baseret på deres billede.

Løsningsoversigt

Dette indlæg antager synspunktet fra en kvalitetsingeniør, der udforsker CV ML-inspektion, og du vil arbejde med prøvedata af magnetiske flisebilleder for at bygge en billedklassificering ML-model til at forudsige defekter i fliserne til kvalitetstjekket. Datasættet indeholder mere end 1,200 billeder af magnetiske fliser, som har defekter som blæsehul, brud, revner, flosser og ujævn overflade. De følgende billeder giver et eksempel på klassificering af enkeltmærkede defekter med en revnet flise til venstre og en flise fri for defekter til højre.

I et eksempel fra den virkelige verden kan du samle sådanne billeder fra de færdige produkter i produktionslinjen. I dette indlæg bruger du SageMaker Canvas til at bygge en enkelt-label billedklassificeringsmodel, der vil forudsige og klassificere defekter for et givet magnetisk flisebillede.

SageMaker Canvas kan importere billeddata fra en lokal diskfil eller Amazon Simple Storage Service (Amazon S3). Til dette indlæg er der oprettet flere mapper (en pr. defekttype såsom blæsehul, brud eller revne) i en S3-spand, og magnetiske flisebilleder uploades til deres respektive mapper. Mappen kaldet Free indeholder fejlfri billeder.

Der er fire trin involveret i at bygge ML-modellen ved hjælp af SageMaker Canvas:

1. Importer datasættet af billederne.
2. Byg og træne modellen.
3. Analyser modelindsigterne, såsom nøjagtighed.
4. Lav forudsigelser.

Forudsætninger

Før du starter, skal du konfigurere og starte SageMaker Canvas. Denne opsætning udføres af en it-administrator og involverer tre trin:

1. Opret en Amazon SageMaker domæne.
2. Indstil brugerne.
3. Konfigurer tilladelser til at bruge specifikke funktioner i SageMaker Canvas.

Der henvises til Kom godt i gang med at bruge Amazon SageMaker Canvas , Opsætning og administration af Amazon SageMaker Canvas (til it-administratorer) for at konfigurere SageMaker Canvas til din organisation.

Når SageMaker Canvas er sat op, kan brugeren navigere til SageMaker-konsollen, vælg Lærred i navigationsruden, og vælg Åbn lærred at lancere SageMaker Canvas.

SageMaker Canvas-applikationen lanceres i et nyt browservindue.

Efter at SageMaker Canvas-applikationen er lanceret, starter du trinnene med at bygge ML-modellen.

Importer datasættet

Import af datasættet er det første trin, når du bygger en ML-model med SageMaker Canvas.

1. Vælg i SageMaker Canvas-applikationen datasæt i navigationsruden.
2. På Opret menu, vælg Billede.
   
3. Til Datasætnavn, indtast et navn, som f.eks Magnetic-Tiles-Dataset.
4. Vælg Opret for at oprette datasættet.
   

Når datasættet er oprettet, skal du importere billeder i datasættet.

5. På Importere side, vælg Amazon S3 (billederne af magnetiske fliser er i en S3-spand).

Du kan også vælge at uploade billederne fra din lokale computer.

6. Vælg mappen i S3-bøtten, hvor de magnetiske flisebilleder er gemt og valgt Importer data.
   

SageMaker Canvas begynder at importere billederne til datasættet. Når importen er færdig, kan du se billeddatasættet oprettet med 1,266 billeder.

Du kan vælge datasættet for at kontrollere detaljerne, såsom en forhåndsvisning af billederne og deres etiket for defekttypen. Fordi billederne var organiseret i mapper, og hver mappe blev navngivet med defekttypen, fuldførte SageMaker Canvas automatisk mærkningen af ​​billederne baseret på mappenavnene. Som et alternativ kan du importere umærkede billeder, tilføje etiketter og udføre mærkning af de enkelte billeder på et senere tidspunkt. Du kan også ændre etiketterne på de eksisterende mærkede billeder.

Billedimporten er færdig, og du har nu et billeddatasæt oprettet i SageMaker Canvas. Du kan gå til næste trin for at bygge en ML-model til at forudsige defekter i de magnetiske fliser.

Byg og træne modellen

Du træner modellen ved hjælp af det importerede datasæt.

1. Vælg datasættet (Magnetic-tiles-Dataset) og vælg Lav en model.
2. Til Modelnavn, indtast et navn, som f.eks Magnetic-Tiles-Defect-Model.
3. Type Billedanalyse for problemtypen og vælg Opret for at konfigurere modelbygningen.
   

På modellens Byg fanen, kan du se forskellige detaljer om datasættet, såsom etiketfordeling, antal mærkede vs. umærkede billeder og også modeltype, som er forudsigelse af enkelt-etiket billede i dette tilfælde. Hvis du har importeret umærkede billeder, eller du ønsker at ændre eller rette etiketterne på bestemte billeder, kan du vælge Rediger datasæt at ændre etiketterne.

Du kan bygge model på to måder: Quick build og Standard build. Hurtig opbygningsmuligheden prioriterer hastighed frem for nøjagtighed. Den træner modellen på 15–30 minutter. Modellen kan bruges til forudsigelsen, men den kan ikke deles. Det er en god mulighed for hurtigt at tjekke gennemførligheden og nøjagtigheden af ​​at træne en model med et givet datasæt. Standardbygningen vælger nøjagtighed frem for hastighed, og modeltræning kan tage mellem 2-4 timer.

Til dette indlæg træner du modellen ved hjælp af standardopbygningsmuligheden.

4. Vælg Standard opbygning på den Byg fanen for at begynde at træne modellen.

Modeltræningen starter med det samme. Du kan se den forventede byggetid og træningsfremskridt på Analyser fane.

Vent, indtil modeltræningen er færdig, så kan du analysere modellens ydeevne for nøjagtigheden.

Analyser modellen

I dette tilfælde tog det mindre end en time at gennemføre modeluddannelsen. Når modeltræningen er afsluttet, kan du kontrollere modellens nøjagtighed på Analyser fanen for at afgøre, om modellen nøjagtigt kan forudsige defekter. Du kan se den samlede modelnøjagtighed er 97.7% i dette tilfælde. Du kan også kontrollere modellens nøjagtighed for hver enkelt etiket eller defekttype, f.eks. 100 % for Fray og Ujævn, men ca. 95 % for Blowhole. Dette niveau af nøjagtighed er opmuntrende, så vi kan fortsætte evalueringen.

Aktiver for bedre at forstå og stole på modellen Heatmap for at se de interesseområder i billedet, som modellen bruger til at differentiere etiketterne. Det er baseret på klasseaktiveringskort-teknikken (CAM). Du kan bruge varmekortet til at identificere mønstre fra dine forkert forudsagte billeder, hvilket kan hjælpe med at forbedre kvaliteten af ​​din model.

På Scoring fanen, kan du kontrollere præcision og genkalde modellen for hver af etiketterne (eller klasse eller defekttype). Præcision og genkaldelse er evalueringsmetrikker, der bruges til at måle ydeevnen af ​​en binær og multiklasse klassifikationsmodel. Præcision fortæller, hvor god modellen er til at forudsige en specifik klasse (defekttype, i dette eksempel). Recall fortæller, hvor mange gange modellen var i stand til at detektere en bestemt klasse.

Modelanalyse hjælper dig med at forstå modellens nøjagtighed, før du bruger den til forudsigelse.

Lav forudsigelser

Efter modelanalysen kan du nu lave forudsigelser ved hjælp af denne model til at identificere defekter i de magnetiske fliser.

På Forudsige fanen, kan du vælge Enkelt forudsigelse , Batch forudsigelse. I en enkelt forudsigelse importerer du et enkelt billede fra din lokale computer eller S3-bøtte for at lave en forudsigelse om defekten. I batch-forudsigelse kan du lave forudsigelser for flere billeder, der er gemt i et SageMaker Canvas-datasæt. Du kan oprette et separat datasæt i SageMaker Canvas med test- eller inferensbillederne til batch-forudsigelsen. Til dette indlæg bruger vi både enkelt- og batch-forudsigelse.

For enkelt forudsigelse, på Forudsige fanebladet, vælg Enkelt forudsigelse, Og vælg derefter Importer billede for at uploade test- eller slutningsbilledet fra din lokale computer.

Efter at billedet er importeret, foretager modellen en forudsigelse om defekten. For den første slutning kan det tage et par minutter, fordi modellen indlæses for første gang. Men efter at modellen er indlæst, giver den øjeblikkelige forudsigelser om billederne. Du kan se billedet og konfidensniveauet for forudsigelsen for hver etikettype. For eksempel, i dette tilfælde forudsiges det magnetiske flisebillede at have en ujævn overfladedefekt (den Uneven label), og modellen er 94 % sikker på det.

På samme måde kan du bruge andre billeder eller et datasæt af billeder til at lave forudsigelser om defekten.

Til batch-forudsigelsen bruger vi datasættet af umærkede billeder kaldet Magnetic-Tiles-Test-Dataset ved at uploade 12 testbilleder fra din lokale computer til datasættet.

På Forudsige fanebladet, vælg Batch forudsigelse Og vælg Vælg datasæt.

Vælg Magnetic-Tiles-Test-Dataset datasæt og vælg Generer forudsigelser.

Det vil tage noget tid at generere forudsigelserne for alle billederne. Når status er Ready, vælg datasætlinket for at se forudsigelserne.

Du kan se forudsigelser for alle billederne med konfidensniveauer. Du kan vælge et hvilket som helst af de individuelle billeder for at se forudsigelsesdetaljer på billedniveau.

Du kan downloade forudsigelsen i CSV- eller .zip-filformat for at fungere offline. Du kan også verificere de forudsagte etiketter og tilføje dem til dit træningsdatasæt. For at bekræfte de forudsagte etiketter skal du vælge Bekræft forudsigelse.

I forudsigelsesdatasættet kan du opdatere etiketter på de enkelte billeder, hvis du ikke finder den forudsagte etiket korrekt. Når du har opdateret etiketterne efter behov, skal du vælge Tilføj til trænet datasæt for at flette billederne ind i dit træningsdatasæt (i dette eksempel, Magnetic-Tiles-Dataset).

Dette opdaterer træningsdatasættet, som inkluderer både dine eksisterende træningsbilleder og de nye billeder med forudsagte etiketter. Du kan træne en ny modelversion med det opdaterede datasæt og potentielt forbedre modellens ydeevne. Den nye modelversion vil ikke være en trinvis træning, men en ny træning fra bunden med det opdaterede datasæt. Dette hjælper med at holde modellen opdateret med nye datakilder.

Ryd op

Når du har afsluttet dit arbejde med SageMaker Canvas, skal du vælge Log ud for at lukke sessionen og undgå yderligere omkostninger.

Når du logger ud, forbliver dit arbejde som datasæt og modeller gemt, og du kan starte en SageMaker Canvas-session igen for at fortsætte arbejdet senere.

SageMaker Canvas opretter et asynkront SageMaker-slutpunkt til at generere forudsigelserne. For at slette slutpunktet, slutpunktskonfigurationen og modellen oprettet af SageMaker Canvas, se Slet slutpunkter og ressourcer.

Konklusion

I dette indlæg lærte du, hvordan du bruger SageMaker Canvas til at bygge en billedklassificeringsmodel til at forudsige defekter i fremstillede produkter, for at komplimentere og forbedre kvaliteten af ​​den visuelle inspektion. Du kan bruge SageMaker Canvas med forskellige billeddatasæt fra dit produktionsmiljø til at bygge modeller til brugstilfælde som forudsigelig vedligeholdelse, pakkeinspektion, arbejdersikkerhed, varesporing og mere. SageMaker Canvas giver dig muligheden for at bruge ML til at generere forudsigelser uden at skulle skrive nogen kode, hvilket accelererer evalueringen og overtagelsen af ​​CV ML-funktioner.

For at komme i gang og lære mere om SageMaker Canvas, se følgende ressourcer:

---

Om forfatterne

Brajendra Singh er løsningsarkitekt i Amazon Web Services, der arbejder med virksomhedskunder. Han har en stærk udviklerbaggrund og er en ivrig entusiast for data- og maskinlæringsløsninger.

Danny Smith er Principal, ML Strategist for Automotive and Manufacturing Industries, fungerer som en strategisk rådgiver for kunder. Hans karrierefokus har været på at hjælpe centrale beslutningstagere med at udnytte data, teknologi og matematik til at træffe bedre beslutninger, fra bestyrelseslokalet til butiksgulvet. På det seneste drejer de fleste af hans samtaler sig om demokratisering af maskinlæring og generativ kunstig intelligens.

Davide Gallitelli er en Specialist Solutions Architect for AI/ML i EMEA-regionen. Han er baseret i Bruxelles og arbejder tæt sammen med kunder i hele Benelux. Han har været udvikler, siden han var meget ung, og begyndte at kode i en alder af 7. Han begyndte at lære AI/ML på universitetet, og er blevet forelsket i det siden da.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/