Demokratisieren Sie die Erkennung von Computer-Vision-Fehlern für die Fertigungsqualität mithilfe von maschinellem Lernen ohne Code mit Amazon SageMaker Canvas | Amazon Web Services

Kosten von schlechter Qualität steht für Hersteller im Vordergrund. Qualitätsmängel erhöhen die Ausschuss- und Nacharbeitskosten, verringern den Durchsatz und können sich negativ auf Kunden und den Ruf des Unternehmens auswirken. Die Qualitätskontrolle an der Produktionslinie ist für die Aufrechterhaltung von Qualitätsstandards von entscheidender Bedeutung. In vielen Fällen wird die visuelle Inspektion durch Menschen eingesetzt, um die Qualität zu beurteilen und Fehler zu erkennen, die aufgrund der Einschränkungen menschlicher Inspektoren den Durchsatz der Linie einschränken können.

Das Aufkommen von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) bringt zusätzliche visuelle Inspektionsmöglichkeiten mithilfe von ML-Modellen mit Computer Vision (CV). Die Ergänzung der menschlichen Inspektion durch CV-basiertes ML kann Erkennungsfehler reduzieren, die Produktion beschleunigen, die Qualitätskosten senken und sich positiv auf die Kunden auswirken. Die Erstellung von CV-ML-Modellen erfordert in der Regel Fachwissen in Datenwissenschaft und Codierung, die in Fertigungsunternehmen oft seltene Ressourcen sind. Jetzt können Qualitätsingenieure und andere Mitarbeiter in der Fertigung diese Modelle mithilfe von ML-Diensten ohne Code erstellen und bewerten, was die Erkundung und breitere Einführung dieser Modelle in Fertigungsabläufen beschleunigen kann.

Amazon SageMaker-Leinwand ist eine visuelle Schnittstelle, die es Qualitäts-, Prozess- und Produktionsingenieuren ermöglicht, selbst genaue ML-Vorhersagen zu erstellen – ohne dass dafür ML-Erfahrung erforderlich ist oder eine einzige Codezeile geschrieben werden muss. Mit SageMaker Canvas können Sie Einzeletiketten-Bildklassifizierungsmodelle erstellen, um häufige Herstellungsfehler mithilfe Ihrer eigenen Bilddatensätze zu identifizieren.

In diesem Beitrag erfahren Sie, wie Sie mit SageMaker Canvas ein Einzeletiketten-Bildklassifizierungsmodell erstellen, um Fehler in hergestellten Magnetfliesen anhand ihres Bildes zu identifizieren.

Lösungsüberblick

Dieser Beitrag übernimmt die Sichtweise eines Qualitätsingenieurs, der sich mit der CV-ML-Inspektion beschäftigt, und Sie arbeiten mit Beispieldaten von magnetischen Kachelbildern, um ein Bildklassifizierungs-ML-Modell zu erstellen, um Fehler in den Kacheln für die Qualitätsprüfung vorherzusagen. Der Datensatz enthält mehr als 1,200 Bilder von Magnetfliesen, die Mängel wie Lunker, Brüche, Risse, Ausfransungen und unebene Oberflächen aufweisen. Die folgenden Bilder zeigen ein Beispiel für die Fehlerklassifizierung mit einem Etikett, mit einer rissigen Fliese auf der linken Seite und einer Fliese ohne Mängel auf der rechten Seite.

In einem realen Beispiel können Sie solche Bilder von den fertigen Produkten in der Produktionslinie sammeln. In diesem Beitrag verwenden Sie SageMaker Canvas, um ein Bildklassifizierungsmodell mit einer einzigen Beschriftung zu erstellen, das Fehler für ein bestimmtes magnetisches Kachelbild vorhersagt und klassifiziert.

SageMaker Canvas kann Bilddaten aus einer lokalen Festplattendatei importieren oder Amazon Simple Storage-Service (Amazon S3). Für diesen Beitrag wurden mehrere Ordner (einer pro Defekttyp wie Lunker, Bruch oder Riss) in einem S3-Bucket erstellt und Magnetkachelbilder in die jeweiligen Ordner hochgeladen. Der Ordner namens Free enthält fehlerfreie Bilder.

Die Erstellung des ML-Modells mit SageMaker Canvas umfasst vier Schritte:

1. Importieren Sie den Datensatz der Bilder.
2. Erstellen und trainieren Sie das Modell.
3. Analysieren Sie die Modellerkenntnisse, z. B. die Genauigkeit.
4. Voraussagen machen.

Voraussetzungen:

Bevor Sie beginnen, müssen Sie SageMaker Canvas einrichten und starten. Diese Einrichtung wird von einem IT-Administrator durchgeführt und umfasst drei Schritte:

1. Richten Sie ein Amazon Sage Maker Domäne.
2. Richten Sie die Benutzer ein.
3. Richten Sie Berechtigungen ein, um bestimmte Funktionen in SageMaker Canvas zu verwenden.

Beziehen auf Erste Schritte mit der Verwendung von Amazon SageMaker Canvas und Einrichten und Verwalten von Amazon SageMaker Canvas (für IT-Administratoren) um SageMaker Canvas für Ihr Unternehmen zu konfigurieren.

Wenn SageMaker Canvas eingerichtet ist, kann der Benutzer zur SageMaker-Konsole navigieren und auswählen Canvas im Navigationsbereich und wählen Sie Leinwand öffnen um SageMaker Canvas zu starten.

Die SageMaker Canvas-Anwendung wird in einem neuen Browserfenster gestartet.

Nachdem die SageMaker Canvas-Anwendung gestartet wurde, beginnen Sie mit den Schritten zum Erstellen des ML-Modells.

Importieren Sie den Datensatz

Das Importieren des Datensatzes ist der erste Schritt beim Erstellen eines ML-Modells mit SageMaker Canvas.

1. Wählen Sie in der SageMaker Canvas-Anwendung Datensätze im Navigationsbereich.
2. Auf dem Erstellen Menü, wählen Sie Bild.
   
3. Aussichten für DatensatznameGeben Sie einen Namen ein, z Magnetic-Tiles-Dataset.
4. Auswählen Erstellen um den Datensatz zu erstellen.
   

Nachdem der Datensatz erstellt wurde, müssen Sie Bilder in den Datensatz importieren.

5. Auf dem Import Seite wählen Amazon S3 (Die Bilder der magnetischen Kacheln befinden sich in einem S3-Bucket).

Sie haben die Möglichkeit, die Bilder auch von Ihrem lokalen Computer hochzuladen.

6. Wählen Sie den Ordner im S3-Bucket aus, in dem die magnetischen Kachelbilder gespeichert sind, und wählen Sie aus Daten importieren.
   

SageMaker Canvas beginnt mit dem Importieren der Bilder in den Datensatz. Wenn der Import abgeschlossen ist, können Sie den erstellten Bilddatensatz mit 1,266 Bildern sehen.

Sie können den Datensatz auswählen, um die Details zu überprüfen, z. B. eine Vorschau der Bilder und deren Beschriftung für den Fehlertyp. Da die Bilder in Ordnern organisiert waren und jeder Ordner nach dem Fehlertyp benannt wurde, vervollständigte SageMaker Canvas die Beschriftung der Bilder automatisch anhand der Ordnernamen. Alternativ können Sie unbeschriftete Bilder importieren, Beschriftungen hinzufügen und die Beschriftung der einzelnen Bilder zu einem späteren Zeitpunkt vornehmen. Sie können auch die Beschriftungen der vorhandenen beschrifteten Bilder ändern.

Der Bildimport ist abgeschlossen und Sie haben nun einen Bilddatensatz im SageMaker Canvas erstellt. Sie können mit dem nächsten Schritt fortfahren, um ein ML-Modell zu erstellen, um Defekte in den magnetischen Kacheln vorherzusagen.

Erstellen und trainieren Sie das Modell

Sie trainieren das Modell mithilfe des importierten Datensatzes.

1. Wählen Sie den Datensatz (Magnetic-tiles-Dataset) und wähle Erstellen Sie ein Modell.
2. Aussichten für ModellbezeichnungGeben Sie einen Namen ein, z Magnetic-Tiles-Defect-Model.
3. Auswählen Bildanalyse für den Problemtyp und wählen Sie Erstellen um den Modellaufbau zu konfigurieren.
   

Auf dem Modell Bauen Auf der Registerkarte können Sie verschiedene Details zum Datensatz sehen, z. B. die Etikettenverteilung, die Anzahl der beschrifteten und nicht beschrifteten Bilder sowie den Modelltyp, in diesem Fall die Bildvorhersage mit einer einzigen Beschriftung. Wenn Sie unbeschriftete Bilder importiert haben oder die Beschriftungen bestimmter Bilder ändern oder korrigieren möchten, können Sie wählen Datensatz bearbeiten um die Beschriftungen zu ändern.

Sie können ein Modell auf zwei Arten erstellen: Schnellbau und Standardbau. Bei der Option „Schneller Aufbau“ steht Geschwindigkeit vor Genauigkeit. Es trainiert das Modell in 15–30 Minuten. Das Modell kann für die Vorhersage verwendet, aber nicht geteilt werden. Dies ist eine gute Option, um schnell die Machbarkeit und Genauigkeit des Trainings eines Modells mit einem bestimmten Datensatz zu überprüfen. Beim Standard-Build steht die Genauigkeit vor der Geschwindigkeit, und das Modelltraining kann zwischen 2 und 4 Stunden dauern.

In diesem Beitrag trainieren Sie das Modell mit der Standard-Build-Option.

4. Auswählen Standardaufbau auf die Bauen Klicken Sie auf die Registerkarte, um mit dem Training des Modells zu beginnen.

Das Modelltraining startet sofort. Sie können die voraussichtliche Bauzeit und den Trainingsfortschritt auf der Seite sehen Analysieren Tab.

Warten Sie, bis das Modelltraining abgeschlossen ist. Anschließend können Sie die Modellleistung auf Genauigkeit analysieren.

Analysieren Sie das Modell

In diesem Fall dauerte die Modellschulung weniger als eine Stunde. Wenn das Modelltraining abgeschlossen ist, können Sie die Modellgenauigkeit überprüfen Analysieren Klicken Sie auf die Registerkarte, um festzustellen, ob das Modell Fehler genau vorhersagen kann. Sie sehen, dass die Gesamtgenauigkeit des Modells in diesem Fall 97.7 % beträgt. Sie können auch die Modellgenauigkeit für jedes einzelne Etikett oder jeden Fehlertyp überprüfen, z. B. 100 % für Ausfransen und Unebenheiten, aber etwa 95 % für Blowhole. Diese Genauigkeit ist ermutigend, sodass wir die Bewertung fortsetzen können.

Um das Modell besser zu verstehen und ihm zu vertrauen, aktivieren Sie es Heatmap um die interessierenden Bereiche im Bild anzuzeigen, die das Modell zur Unterscheidung der Beschriftungen verwendet. Es basiert auf der Class Activation Map (CAM)-Technik. Mit der Heatmap können Sie Muster aus Ihren falsch vorhergesagten Bildern identifizieren und so die Qualität Ihres Modells verbessern.

Auf dem Scoring Auf der Registerkarte können Sie die Präzision und den Rückruf für das Modell für jedes Etikett (oder jede Klasse oder jeden Fehlertyp) überprüfen. Präzision und Rückruf sind Bewertungsmetriken, mit denen die Leistung eines binären und mehrklassigen Klassifizierungsmodells gemessen wird. Die Präzision gibt an, wie gut das Modell eine bestimmte Klasse (in diesem Beispiel den Fehlertyp) vorhersagen kann. Der Rückruf gibt an, wie oft das Modell eine bestimmte Klasse erkennen konnte.

Die Modellanalyse hilft Ihnen, die Genauigkeit des Modells zu verstehen, bevor Sie es für Vorhersagen verwenden.

Voraussagen machen

Nach der Modellanalyse können Sie nun mithilfe dieses Modells Vorhersagen treffen, um Defekte in den Magnetkacheln zu identifizieren.

Auf dem Vorhersagen Registerkarte können Sie wählen Einzelne Vorhersage und Batch-Vorhersage. Bei einer einzelnen Vorhersage importieren Sie ein einzelnes Bild von Ihrem lokalen Computer oder S3-Bucket, um eine Vorhersage über den Fehler zu treffen. Bei der Stapelvorhersage können Sie Vorhersagen für mehrere Bilder treffen, die in einem SageMaker Canvas-Datensatz gespeichert sind. Sie können in SageMaker Canvas einen separaten Datensatz mit den Test- oder Inferenzbildern für die Stapelvorhersage erstellen. Für diesen Beitrag verwenden wir sowohl Einzel- als auch Batch-Vorhersage.

Für eine Einzelvorhersage auf der Vorhersagen Tab, wählen Sie Einzelne Vorhersage, Dann wählen Bild importieren um das Test- oder Inferenzbild von Ihrem lokalen Computer hochzuladen.

Nachdem das Bild importiert wurde, trifft das Modell eine Vorhersage über den Defekt. Für die erste Schlussfolgerung kann es einige Minuten dauern, da das Modell zum ersten Mal geladen wird. Aber nachdem das Modell geladen ist, macht es sofort Vorhersagen über die Bilder. Sie können das Bild und das Konfidenzniveau der Vorhersage für jeden Etikettentyp sehen. In diesem Fall wird beispielsweise vorhergesagt, dass das Magnetkachelbild einen unebenen Oberflächenfehler aufweist (der Uneven Etikett) und das Modell ist zu 94 % davon überzeugt.

Ebenso können Sie andere Bilder oder einen Bilddatensatz verwenden, um Vorhersagen über den Defekt zu treffen.

Für die Stapelvorhersage verwenden wir den Datensatz unbeschrifteter Bilder namens Magnetic-Tiles-Test-Dataset indem Sie 12 Testbilder von Ihrem lokalen Computer in den Datensatz hochladen.

Auf dem Vorhersagen Tab, wählen Sie Batch-Vorhersage und wählen Sie Datensatz auswählen.

Wähle aus Magnetic-Tiles-Test-Dataset Datensatz und wählen Sie Vorhersagen generieren.

Es wird einige Zeit dauern, die Vorhersagen für alle Bilder zu generieren. Wenn der Status lautet Bereit, wählen Sie den Datensatz-Link, um die Vorhersagen anzuzeigen.

Sie können Vorhersagen für alle Bilder mit Konfidenzniveaus sehen. Sie können jedes einzelne Bild auswählen, um Vorhersagedetails auf Bildebene anzuzeigen.

Sie können die Vorhersage im CSV- oder ZIP-Dateiformat herunterladen, um offline zu arbeiten. Sie können die vorhergesagten Beschriftungen auch überprüfen und sie Ihrem Trainingsdatensatz hinzufügen. Um die vorhergesagten Beschriftungen zu überprüfen, wählen Sie Vorhersage überprüfen.

Im Vorhersagedatensatz können Sie Beschriftungen der einzelnen Bilder aktualisieren, wenn Sie feststellen, dass die vorhergesagte Beschriftung nicht korrekt ist. Wenn Sie die Beschriftungen nach Bedarf aktualisiert haben, wählen Sie Zum trainierten Datensatz hinzufügen um die Bilder in Ihren Trainingsdatensatz einzubinden (in diesem Beispiel Magnetic-Tiles-Dataset).

Dadurch wird der Trainingsdatensatz aktualisiert, der sowohl Ihre vorhandenen Trainingsbilder als auch die neuen Bilder mit vorhergesagten Beschriftungen enthält. Sie können eine neue Modellversion mit dem aktualisierten Datensatz trainieren und möglicherweise die Leistung des Modells verbessern. Bei der neuen Modellversion handelt es sich nicht um ein inkrementelles Training, sondern um ein neues Training von Grund auf mit dem aktualisierten Datensatz. Dies trägt dazu bei, das Modell mit neuen Datenquellen auf dem neuesten Stand zu halten.

Aufräumen

Nachdem Sie Ihre Arbeit mit SageMaker Canvas abgeschlossen haben, wählen Sie Abmelden um die Sitzung zu schließen und weitere Kosten zu vermeiden.

Wenn Sie sich abmelden, bleibt Ihre Arbeit wie Datensätze und Modelle gespeichert und Sie können eine SageMaker Canvas-Sitzung erneut starten, um die Arbeit später fortzusetzen.

SageMaker Canvas erstellt einen asynchronen SageMaker-Endpunkt zum Generieren der Vorhersagen. Informationen zum Löschen des von SageMaker Canvas erstellten Endpunkts, der Endpunktkonfiguration und des Modells finden Sie unter Endpunkte und Ressourcen löschen.

Zusammenfassung

In diesem Beitrag haben Sie erfahren, wie Sie mit SageMaker Canvas ein Bildklassifizierungsmodell erstellen, um Fehler in hergestellten Produkten vorherzusagen und den Qualitätsprozess der visuellen Inspektion zu ergänzen und zu verbessern. Sie können SageMaker Canvas mit verschiedenen Bilddatensätzen aus Ihrer Fertigungsumgebung verwenden, um Modelle für Anwendungsfälle wie vorausschauende Wartung, Paketinspektion, Arbeitssicherheit, Warenverfolgung und mehr zu erstellen. SageMaker Canvas bietet Ihnen die Möglichkeit, mithilfe von ML Vorhersagen zu generieren, ohne Code schreiben zu müssen, wodurch die Bewertung und Einführung von CV-ML-Funktionen beschleunigt wird.

Um loszulegen und mehr über SageMaker Canvas zu erfahren, beziehen Sie sich auf die folgenden Ressourcen:

---

Über die Autoren

Brajendra Singh ist Lösungsarchitekt bei Amazon Web Services und arbeitet mit Unternehmenskunden zusammen. Er hat einen starken Entwicklerhintergrund und ist ein begeisterter Enthusiast für Daten- und maschinelle Lernlösungen.

Danny Smith ist Principal, ML-Stratege für die Automobil- und Fertigungsindustrie und fungiert als strategischer Berater für Kunden. Sein beruflicher Schwerpunkt lag darauf, wichtigen Entscheidungsträgern dabei zu helfen, Daten, Technologie und Mathematik zu nutzen, um bessere Entscheidungen zu treffen, vom Vorstandsetagen bis zur Fertigungshalle. In letzter Zeit drehen sich die meisten seiner Gespräche um die Demokratisierung von maschinellem Lernen und generativer KI.

David Gallitelli ist ein Specialist Solutions Architect für AI/ML in der EMEA-Region. Er hat seinen Sitz in Brüssel und arbeitet eng mit Kunden in den Benelux-Ländern zusammen. Er ist Entwickler, seit er sehr jung war und begann im Alter von 7 Jahren zu programmieren. Er begann an der Universität AI/ML zu lernen und hat sich seitdem darin verliebt.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/