Ifølge Gartner, hyperautomatisering er den største trend i 2022 og vil fortsætte fremad i fremtiden. En af de vigtigste barrierer for hyperautomatisering er i områder, hvor vi stadig kæmper for at reducere menneskelig involvering. Intelligente systemer har svært ved at matche menneskelige visuelle genkendelsesevner på trods af store fremskridt inden for dyb læring i computersyn. Dette skyldes hovedsageligt manglen på annoterede data (eller når data er sparsomme) og på områder som kvalitetskontrol, hvor trænede menneskelige øjne stadig dominerer. En anden grund er gennemførligheden af menneskelig adgang i alle områder af produktforsyningskæden, såsom kvalitetskontrolinspektion på produktionslinjen. Visuel inspektion er meget brugt til at udføre intern og ekstern vurdering af forskelligt udstyr i et produktionsanlæg, såsom lagertanke, trykbeholdere, rør, salgsautomater og andet udstyr, som udvider til mange industrier, såsom elektronik, medicinsk, CPG, og råvarer med mere.
Brug af kunstig intelligens (AI) til automatiseret visuel inspektion eller udvidelse af den menneskelige visuelle inspektionsproces med AI kan hjælpe med at løse de udfordringer, der er skitseret nedenfor.
Udfordringer ved menneskelig visuel inspektion
Menneskestyret visuel inspektion har følgende problemer på højt niveau:
- Scale – De fleste produkter gennemgår flere stadier, fra montering til forsyningskæde til kvalitetskontrol, før de bliver tilgængelige for slutforbrugeren. Defekter kan opstå under fremstillingsprocessen eller monteringen på forskellige tidspunkter i rum og tid. Derfor er det ikke altid muligt eller omkostningseffektivt at bruge personlig visuel inspektion. Denne manglende evne til at skalere kan resultere i katastrofer som f.eks BP Deepwater Horizon olieudslip , Challenger rumfærge eksplosion, hvis overordnede negative indvirkning (for mennesker og natur) overskrider de monetære omkostninger med et godt stykke.
- Menneskelig synsfejl – I områder, hvor menneskestyret visuel inspektion bekvemt kan udføres, er menneskelige fejl en væsentlig faktor, som ofte bliver overset. Ifølge nedenstående indberette, er de fleste inspektionsopgaver komplekse og udviser typisk fejlprocenter på 20-30 %, hvilket direkte oversættes til omkostninger og uønskede resultater.
- Personale og diverse omkostninger – Selvom de samlede omkostninger ved kvalitetskontrol kan variere meget afhængigt af branche og placering, ifølge nogle skøn, en uddannet kvalitetsinspektør-løn varierer mellem $26,000-60,000 (USD) om året. Der er også andre diverse omkostninger, som måske ikke altid er medregnet.
SageMaker JumpStart er et godt sted at komme i gang med forskellige Amazon SageMaker funktioner og muligheder gennem udvalgte ét-klik-løsninger, eksempel notebooks og forudtrænede Computer Vision, Natural Language Processing og tabelformede datamodeller, som brugerne kan vælge, finjustere (hvis nødvendigt) og implementere ved hjælp af AWS SageMaker-infrastruktur.
I dette indlæg gennemgår vi, hvordan man hurtigt implementerer en automatiseret defektdetektionsløsning, fra dataindtagelse til modelinferencing, ved hjælp af et offentligt tilgængeligt datasæt og SageMaker JumpStart.
Løsningsoversigt
Denne løsning bruger en state-of-the-art deep learning-tilgang til automatisk at detektere overfladedefekter ved hjælp af SageMaker. Defektdetektionsnetværket eller DDN model forbedrer Hurtigere R-CNN og identificerer mulige defekter i et billede af en ståloverflade. Det NEU overfladedefektdatabase, er et afbalanceret datasæt, der indeholder seks slags typiske overfladedefekter på en varmvalset stålstrimmel: indrullet skala (RS), patches (Pa), krakelering (Cr), grubet overflade (PS), inklusion (In), og ridser (Sc). Databasen indeholder 1,800 gråtonebilleder: 300 prøver af hver type defekt.
Indhold
JumpStart-løsningen indeholder følgende artefakter, som er tilgængelige for dig fra JupyterLab filbrowser:
- skydannelse/ - AWS CloudFormation konfigurationsfiler for at oprette relevante SageMaker-ressourcer og anvende tilladelser. Indeholder også oprydningsscripts til at slette oprettede ressourcer.
- src / – Indeholder følgende:
- forberede_data/ – Dataforberedelse til NEU-datasæt.
- sagemaker_defect_detection/ – Hovedpakke indeholdende følgende:
- datasæt – Indeholder NEU datasæthåndtering.
- modeller – Indeholder Automated Defect Inspection (ADI) System kaldet Defect Detection Network. Se følgende papir for yderligere oplysninger.
- utils – Forskellige værktøjer til visualisering og COCO-evaluering.
- classifier.py – Til klassificeringsopgaven.
- detector.py – Til detektionsopgaven.
- transforms.py – Indeholder billedtransformationer brugt i træning.
- notesbøger/ – De enkelte notesbøger, diskuteres mere detaljeret senere i dette indlæg.
- scripts / – Diverse scripts til træning og opbygning.
Standarddatasæt
Denne løsning træner en klassifikator på NEU-CLS-datasættet og en detektor på NEU-DET-datasættet. Dette datasæt indeholder i alt 1800 billeder og 4189 afgrænsningsfelter. Typen af defekter i vores datasæt er som følger:
- Crazing (klasse:
Cr
, etiket: 0) - Inklusion (klasse:
In
, etiket: 1) - Udhulet overflade (klasse:
PS
, etiket: 2) - Patches (klasse: Pa, etiket: 3)
- Indrullet vægt (klasse:
RS
, etiket: 4) - Ridser (klasse:
Sc
, etiket: 5)
Følgende er eksempler på billeder af de seks klasser.
Følgende billeder er prøvedetekteringsresultater. Fra venstre mod højre har vi det originale billede, jordsandhedsdetektionen og SageMaker DDN-modeloutput.
arkitektur
JumpStart-løsningen leveres færdigpakket med Amazon SageMaker Studio notebooks, der downloader de nødvendige datasæt og indeholder koden og hjælpefunktionerne til træning af modellen/modellerne og udrulningen ved hjælp af et SageMaker-slutpunkt i realtid.
Alle notesbøger downloader datasættet fra en offentlig Amazon Simple Storage Service (Amazon S3) bucket og import hjælpefunktioner til at visualisere billederne. Notebooks giver brugeren mulighed for at tilpasse løsningen, såsom hyperparametre til modeltræning eller udføre overføre læring i tilfælde af at du vælger at bruge løsningen til din defektdetektering.
Løsningen indeholder følgende fire Studio-notesbøger:
- 0_demo.ipynb – Opretter et modelobjekt ud fra en forudtrænet DDN-model på NEU-DET-datasættet og implementerer det bag et SageMaker-slutpunkt i realtid. Derefter sender vi nogle billedprøver med defekter til påvisning og visualiserer resultaterne.
- 1_retrain_from_checkpoint.ipynb – Omtræner vores fortrænede detektor til nogle flere epoker og sammenligner resultater. Du kan også medbringe dit eget datasæt; dog bruger vi det samme datasæt i notesbogen. Der er også inkluderet et trin til at udføre overførselslæring ved at finjustere den fortrænede model. Finjustering af en dyb læringsmodel på en bestemt opgave involverer at bruge de indlærte vægte fra et bestemt datasæt til at forbedre modellens ydeevne på et andet datasæt. Du kan også udføre finjustering over det samme datasæt, der blev brugt i den indledende træning, men måske med forskellige hyperparametre.
- 2_detector_from_scratch.ipynb – Træner vores detektor fra bunden til at identificere, om der er defekter i et billede.
- 3_klassificering_fra_scratch.ipynb – Træner vores klassificerer fra bunden til at klassificere typen af defekt i et billede.
Hver notesbog indeholder boilerplate-kode, som implementerer en SageMaker slutpunkt i realtid til modelinferencing. Du kan se listen over notesbøger ved at gå til JupyterLab-filbrowseren og navigere til mappen "notebooks" i JumpStart Solution-biblioteket eller ved at klikke på "Open Notebook" på JumpStart-løsningen, specifikt "Product Defect Detection"-løsningssiden (se nedenfor) ).
Forudsætninger
Løsningen skitseret i dette indlæg er en del af Amazon SageMaker JumpStart. For at køre denne SageMaker JumpStart 1P-løsning og få infrastrukturen til at implementere på din AWS-konto, skal du oprette en aktiv Amazon SageMaker Studio-instans (se Onboard to Amazon SageMaker Domain).
Forspring funktioner er ikke tilgængelige i SageMaker notebook-forekomster, og du kan ikke få adgang til dem via AWS kommandolinjegrænseflade (AWS CLI).
Implementer løsningen
Vi leverer gennemgangsvideoer til trinene på højt niveau i denne løsning. Start SageMaker JumpStart og vælg Registrering af produktfejl løsning på Løsninger fane.
De medfølgende SageMaker-notebooks downloader inputdataene og starter de senere trin. Indgangsdataene er placeret i en S3-bøtte.
Vi træner klassificerings- og detektormodellerne og evaluerer resultaterne i SageMaker. Hvis det ønskes, kan du implementere de trænede modeller og oprette SageMaker-slutpunkter.
SageMaker-slutpunktet oprettet fra det forrige trin er en HTTPS-endepunkt og er i stand til at producere forudsigelser.
Du kan overvåge modeltræningen og implementeringen via amazoncloudwatch.
Ryd op
Når du er færdig med denne løsning, skal du sørge for at slette alle uønskede AWS-ressourcer. Du kan bruge AWS CloudFormation til automatisk at slette alle standardressourcer, der blev oprettet af løsningen og notesbogen. Slet den overordnede stak på AWS CloudFormation-konsollen. Sletning af den overordnede stak sletter automatisk de indlejrede stakke.
Du skal manuelt slette eventuelle ekstra ressourcer, som du måtte have oprettet i denne notesbog, såsom ekstra S3-buckets ud over løsningens standard-bucket eller ekstra SageMaker-slutpunkter (ved hjælp af et brugerdefineret navn).
Konklusion
I dette indlæg introducerede vi en løsning ved hjælp af SageMaker JumpStart til at løse problemer med den aktuelle tilstand af visuel inspektion, kvalitetskontrol og defektdetektion i forskellige industrier. Vi anbefalede en ny tilgang kaldet Automated Defect Inspection system bygget ved hjælp af en foruddannet DDN model til fejlsøgning på ståloverflader. Efter at du lancerede JumpStart-løsningen og downloadede de offentlige NEU-datasæt, implementerede du en forudtrænet model bag et SageMaker-endepunkt i realtid og analyserede slutpunktsmålingerne ved hjælp af CloudWatch. Vi diskuterede også andre funktioner i JumpStart-løsningen, såsom hvordan du medbringer dine egne træningsdata, udfører overførselsindlæring og genoplærer detektoren og klassificereren.
Prøv dette JumpStart løsning på SageMaker Studio, enten genoptræning af den eksisterende model på et nyt datasæt til defektdetektering eller vælg fra SageMaker JumpStarts bibliotek af computer vision modeller, NLP modeller or tabelmodeller og implementer dem til din specifikke brug.
Om forfatterne
Vedant Jain er en Sr. AI/ML Specialist Solutions Architect, der hjælper kunder med at få værdi ud af Machine Learning-økosystemet hos AWS. Inden han kom til AWS, har Vedant haft ML/Data Science Specialty-stillinger hos forskellige virksomheder såsom Databricks, Hortonworks (nu Cloudera) og JP Morgan Chase. Uden for sit arbejde brænder Vedant for at lave musik, bruge Science til at leve et meningsfuldt liv og udforske lækkert vegetarisk køkken fra hele verden.
Tao Sun er en anvendt videnskabsmand i AWS. Han opnåede sin ph.d. i datalogi fra University of Massachusetts, Amherst. Hans forskningsinteresser ligger i dyb forstærkningslæring og probabilistisk modellering. Han bidrog til AWS DeepRacer, AWS DeepComposer. Han kan lide balsal dans og læsning i sin fritid.
- "
- &
- 000
- 100
- 2022
- 28
- a
- evner
- Om
- adgang
- Ifølge
- Konto
- aktiv
- Desuden
- adresse
- fremskridt
- AI
- Alle
- Skønt
- altid
- Amazon
- En anden
- anvendt
- Indløs
- tilgang
- omkring
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- Assembly
- vurdering
- Automatiseret
- automatisk
- Automation
- til rådighed
- AWS
- barrierer
- før
- bag
- være
- jf. nedenstående
- mellem
- bringe
- browser
- Bygning
- kapaciteter
- stand
- tilfælde
- kæde
- udfordringer
- chase
- Vælg
- klasse
- klasser
- klassificering
- kode
- Virksomheder
- komplekse
- computer
- Datalogi
- Konfiguration
- Konsol
- forbruger
- indeholder
- fortsæt
- bidrog
- kontrol
- kontrol
- omkostningseffektiv
- Omkostninger
- skabe
- oprettet
- skaber
- kurateret
- Nuværende
- Nuværende tilstand
- skik
- Kunder
- tilpasse
- data
- Database
- dyb
- Afhængigt
- indsætte
- indsat
- implementering
- udruller
- Trods
- detail
- detaljer
- Detektion
- forskellige
- direkte
- katastrofer
- afstand
- domæne
- downloade
- i løbet af
- hver
- økosystem
- Elektronik
- Endpoint
- udstyr
- evaluere
- evaluering
- eksempel
- udstille
- eksisterende
- udvider
- Facility
- Funktionalitet
- efter
- følger
- fra
- funktioner
- fremtiden
- gå
- Gråskala
- stor
- stærkt
- Håndtering
- hjælpe
- hjælpe
- horisont
- Hvordan
- How To
- Men
- HTTPS
- menneskelig
- Mennesker
- identificere
- billede
- billeder
- KIMOs Succeshistorier
- medtaget
- omfatter
- inklusion
- individuel
- industrier
- industrien
- Infrastruktur
- indgang
- instans
- Intelligens
- Intelligent
- interesser
- spørgsmål
- IT
- sammenføjning
- JP Morgan
- JP Morgan Chase
- etiket
- Sprog
- lancere
- lanceret
- føre
- lærte
- læring
- Bibliotek
- Line (linje)
- Liste
- placering
- maskine
- machine learning
- Maskiner
- lavet
- større
- lave
- Making
- manuelt
- Produktion
- Massachusetts
- matchende
- materialer
- meningsfuld
- medicinsk
- Metrics
- model
- modeller
- Monetære
- Overvåg
- mere
- Morgan
- mest
- flere
- Musik
- Nasa
- Natural
- Natur
- navigering
- negativ
- netværk
- notesbog
- nummer
- opnået
- Olie
- original
- Andet
- samlet
- egen
- pakke
- del
- særlig
- lidenskabelige
- Patches
- ydeevne
- udfører
- måske
- punkter
- mulig
- Forudsigelser
- tryk
- tidligere
- behandle
- forarbejdning
- Produkt
- produktion
- Produkter
- give
- forudsat
- offentlige
- kvalitet
- hurtigt
- priser
- Raw
- Læsning
- realtid
- reducere
- relevant
- påkrævet
- forskning
- Ressourcer
- Resultater
- Kør
- løn
- samme
- SC
- Scale
- Videnskab
- Videnskabsmand
- Simpelt
- SIX
- løsninger
- Løsninger
- nogle
- Space
- specialist
- Specialty
- specifikke
- specifikt
- stable
- etaper
- standard
- starte
- påbegyndt
- Tilstand
- state-of-the-art
- Stadig
- opbevaring
- Studio
- forsyne
- forsyningskæde
- overflade
- systemet
- Systemer
- opgaver
- verdenen
- derfor
- Gennem
- tid
- Kurser
- tog
- overførsel
- transformationer
- typisk
- universitet
- USD
- brug
- brugere
- forsyningsselskaber
- værdi
- forskellige
- Videoer
- Specifikation
- vision
- visualisering
- Wikipedia
- Arbejde
- world
- år
- Din