Democratizar la detección de defectos de visión artificial para la calidad de fabricación mediante el aprendizaje automático sin código con Amazon SageMaker Canvas | Servicios web de Amazon

Costo de baja calidad es lo más importante para los fabricantes. Los defectos de calidad aumentan los costos de desecho y reelaboración, disminuyen el rendimiento y pueden afectar a los clientes y la reputación de la empresa. La inspección de calidad en la línea de producción es crucial para mantener los estándares de calidad. En muchos casos, la inspección visual humana se utiliza para evaluar la calidad y detectar defectos, lo que puede limitar el rendimiento de la línea debido a las limitaciones de los inspectores humanos.

El advenimiento del aprendizaje automático (ML) y la inteligencia artificial (AI) trae capacidades adicionales de inspección visual utilizando modelos ML de visión por computadora (CV). Complementar la inspección humana con ML basado en CV puede reducir los errores de detección, acelerar la producción, reducir el costo de la calidad e impactar positivamente a los clientes. La creación de modelos CV ML generalmente requiere experiencia en ciencia de datos y codificación, que a menudo son recursos escasos en las organizaciones de fabricación. Ahora, los ingenieros de calidad y otros en el piso de producción pueden construir y evaluar estos modelos utilizando servicios de ML sin código, lo que puede acelerar la exploración y adopción de estos modelos de manera más amplia en las operaciones de fabricación.

Lienzo de Amazon SageMaker es una interfaz visual que permite a los ingenieros de calidad, procesos y producción generar predicciones precisas de ML por sí mismos, sin necesidad de experiencia en ML ni tener que escribir una sola línea de código. Puede usar SageMaker Canvas para crear modelos de clasificación de imágenes de una sola etiqueta para identificar defectos de fabricación comunes utilizando sus propios conjuntos de datos de imágenes.

En esta publicación, aprenderá a usar SageMaker Canvas para crear un modelo de clasificación de imágenes de una sola etiqueta para identificar defectos en mosaicos magnéticos fabricados en función de su imagen.

Resumen de la solución

Esta publicación asume el punto de vista de un ingeniero de calidad que explora la inspección CV ML, y usted trabajará con datos de muestra de imágenes de mosaicos magnéticos para construir un modelo ML de clasificación de imágenes para predecir defectos en los mosaicos para el control de calidad. El conjunto de datos contiene más de 1,200 imágenes de mosaicos magnéticos, que tienen defectos como agujeros, roturas, grietas, deshilachados y superficies irregulares. Las siguientes imágenes proporcionan un ejemplo de clasificación de defectos de una sola etiqueta, con un mosaico agrietado a la izquierda y un mosaico sin defectos a la derecha.

En un ejemplo del mundo real, puede recopilar dichas imágenes de los productos terminados en la línea de producción. En esta publicación, utilizará SageMaker Canvas para crear un modelo de clasificación de imágenes de una sola etiqueta que predecirá y clasificará defectos para una imagen de mosaico magnético dada.

SageMaker Canvas puede importar datos de imagen desde un archivo de disco local o Servicio de almacenamiento simple de Amazon (Amazon S3). Para esta publicación, se crearon varias carpetas (una por tipo de defecto, como espiráculo, rotura o fisura) en un depósito S3, y las imágenes de mosaicos magnéticos se cargan en sus respectivas carpetas. La carpeta llamada Free contiene imágenes sin defectos.

Hay cuatro pasos involucrados en la construcción del modelo ML usando SageMaker Canvas:

1. Importe el conjunto de datos de las imágenes.
2. Cree y entrene el modelo.
3. Analice la información del modelo, como la precisión.
4. Hacer predicciones.

Requisitos previos

Antes de comenzar, debe configurar e iniciar SageMaker Canvas. Esta configuración la realiza un administrador de TI e implica tres pasos:

1. Configurar un Amazon SageMaker dominio.
2. Configurar los usuarios.
3. Configure permisos para usar funciones específicas en SageMaker Canvas.

Consulte Introducción al uso de Amazon SageMaker Canvas y Configuración y administración de Amazon SageMaker Canvas (para administradores de TI) para configurar SageMaker Canvas para su organización.

Cuando se configura SageMaker Canvas, el usuario puede navegar a la consola de SageMaker, elegir Canvas en el panel de navegación y seleccione Lienzo abierto para iniciar SageMaker Canvas.

La aplicación SageMaker Canvas se inicia en una nueva ventana del navegador.

Después de iniciar la aplicación SageMaker Canvas, comienza los pasos para crear el modelo ML.

Importar el conjunto de datos

Importar el conjunto de datos es el primer paso al crear un modelo de ML con SageMaker Canvas.

1. En la aplicación SageMaker Canvas, elija Conjuntos de datos en el panel de navegación.
2. En Crear menú, seleccione Imagen.
   
3. Nombre del conjunto de datos, ingrese un nombre, como Magnetic-Tiles-Dataset.
4. Elige Crear para crear el conjunto de datos.
   

Después de crear el conjunto de datos, debe importar imágenes en el conjunto de datos.

5. En Importa página, elige Amazon S3 (las imágenes de mosaicos magnéticos están en un cubo S3).

También tiene la opción de cargar las imágenes desde su computadora local.

6. Seleccione la carpeta en el depósito de S3 donde se almacenan las imágenes de mosaicos magnéticos y elija Datos de importacion.
   

SageMaker Canvas comienza a importar las imágenes al conjunto de datos. Cuando finaliza la importación, puede ver el conjunto de datos de imágenes creado con 1,266 imágenes.

Puede elegir el conjunto de datos para verificar los detalles, como una vista previa de las imágenes y su etiqueta para el tipo de defecto. Debido a que las imágenes se organizaron en carpetas y cada carpeta se nombró con el tipo de defecto, SageMaker Canvas completó automáticamente el etiquetado de las imágenes en función de los nombres de las carpetas. Como alternativa, puede importar imágenes sin etiquetar, agregar etiquetas y realizar el etiquetado de las imágenes individuales en un momento posterior. También puede modificar las etiquetas de las imágenes etiquetadas existentes.

La importación de la imagen está completa y ahora tiene un conjunto de datos de imágenes creado en SageMaker Canvas. Puede pasar al siguiente paso para construir un modelo ML para predecir defectos en los mosaicos magnéticos.

Construir y entrenar el modelo.

El modelo se entrena con el conjunto de datos importado.

1. Elija el conjunto de datos (Magnetic-tiles-Dataset) y elige Crea un modelo.
2. Nombre del modelo, ingrese un nombre, como Magnetic-Tiles-Defect-Model.
3. Seleccione El análisis de imágenes para el tipo de problema y elija Crear para configurar la construcción del modelo.
   

en la del modelo Construcción En la pestaña, puede ver varios detalles sobre el conjunto de datos, como la distribución de etiquetas, el recuento de imágenes etiquetadas frente a las no etiquetadas y también el tipo de modelo, que en este caso es la predicción de imágenes de una sola etiqueta. Si ha importado imágenes sin etiquetar o desea modificar o corregir las etiquetas de determinadas imágenes, puede elegir Editar conjunto de datos para modificar las etiquetas.

Puede construir el modelo de dos maneras: construcción rápida y construcción estándar. La opción de construcción rápida prioriza la velocidad sobre la precisión. Entrena al modelo en 15 a 30 minutos. El modelo se puede usar para la predicción, pero no se puede compartir. Es una buena opción para comprobar rápidamente la viabilidad y la precisión del entrenamiento de un modelo con un conjunto de datos determinado. La construcción estándar elige la precisión sobre la velocidad, y el entrenamiento del modelo puede llevar entre 2 y 4 horas.

Para esta publicación, entrenará el modelo utilizando la opción de compilación estándar.

4. Elige Construcción estándar en Construcción pestaña para comenzar a entrenar el modelo.

El entrenamiento del modelo comienza instantáneamente. Puede ver el tiempo de construcción esperado y el progreso del entrenamiento en la Analizar .

Espere hasta que se complete el entrenamiento del modelo, luego puede analizar el rendimiento del modelo para la precisión.

Analizar el modelo

En este caso, se tardó menos de una hora en completar la formación del modelo. Cuando se completa el entrenamiento del modelo, puede comprobar la precisión del modelo en la Analizar para determinar si el modelo puede predecir con precisión los defectos. Verá que la precisión general del modelo es del 97.7 % en este caso. También puede verificar la precisión del modelo para cada etiqueta individual o tipo de defecto, por ejemplo, 100 % para Fray y Uneven, pero aproximadamente 95 % para Blowhole. Este nivel de precisión es alentador, por lo que podemos continuar con la evaluación.

Para comprender mejor y confiar en el modelo, habilite Mapa de calor para ver las áreas de interés en la imagen que utiliza el modelo para diferenciar las etiquetas. Se basa en la técnica del mapa de activación de clases (CAM). Puede usar el mapa de calor para identificar patrones de sus imágenes predichas incorrectamente, lo que puede ayudar a mejorar la calidad de su modelo.

En Scoring pestaña, puede verificar la precisión y la recuperación del modelo para cada una de las etiquetas (o clase o tipo de defecto). La precisión y la recuperación son métricas de evaluación que se utilizan para medir el rendimiento de un modelo de clasificación binario y multiclase. La precisión indica qué tan bueno es el modelo para predecir una clase específica (tipo de defecto, en este ejemplo). La recuperación indica cuántas veces el modelo pudo detectar una clase específica.

El análisis del modelo lo ayuda a comprender la precisión del modelo antes de usarlo para la predicción.

Hacer predicciones

Después del análisis del modelo, ahora puede hacer predicciones utilizando este modelo para identificar defectos en las placas magnéticas.

En Predicción pestaña, puede elegir Predicción única y Predicción por lotes. En una sola predicción, importa una sola imagen desde su computadora local o depósito S3 para hacer una predicción sobre el defecto. En la predicción por lotes, puede realizar predicciones para varias imágenes almacenadas en un conjunto de datos de SageMaker Canvas. Puede crear un conjunto de datos independiente en SageMaker Canvas con las imágenes de prueba o de inferencia para la predicción por lotes. Para esta publicación, usamos predicción individual y por lotes.

Para predicción simple, en el Predicción pestaña, elegir Predicción única, A continuación, elija Importar imagen para cargar la imagen de prueba o inferencia desde su computadora local.

Después de importar la imagen, el modelo hace una predicción sobre el defecto. Para la primera inferencia, puede tardar unos minutos porque el modelo se está cargando por primera vez. Pero después de cargar el modelo, hace predicciones instantáneas sobre las imágenes. Puede ver la imagen y el nivel de confianza de la predicción para cada tipo de etiqueta. Por ejemplo, en este caso, se predice que la imagen del mosaico magnético tendrá un defecto de superficie desigual (el Uneven etiqueta) y el modelo tiene un 94% de confianza al respecto.

De manera similar, puede usar otras imágenes o un conjunto de datos de imágenes para hacer predicciones sobre el defecto.

Para la predicción por lotes, usamos el conjunto de datos de imágenes sin etiquetar llamado Magnetic-Tiles-Test-Dataset cargando 12 imágenes de prueba desde su computadora local al conjunto de datos.

En Predicción pestaña, elegir Predicción por lotes y elige Seleccionar conjunto de datos.

Seleccione Magnetic-Tiles-Test-Dataset conjunto de datos y elija Generar predicciones.

Tomará algún tiempo generar las predicciones para todas las imágenes. Cuando el estado es Listo!, elija el vínculo del conjunto de datos para ver las predicciones.

Puede ver predicciones para todas las imágenes con niveles de confianza. Puede elegir cualquiera de las imágenes individuales para ver los detalles de predicción a nivel de imagen.

Puede descargar la predicción en formato de archivo CSV o .zip para trabajar sin conexión. También puede verificar las etiquetas pronosticadas y agregarlas a su conjunto de datos de entrenamiento. Para verificar las etiquetas pronosticadas, elija Verificar predicción.

En el conjunto de datos de predicción, puede actualizar las etiquetas de las imágenes individuales si no encuentra la etiqueta predicha correcta. Cuando haya actualizado las etiquetas según sea necesario, elija Agregar al conjunto de datos entrenado para fusionar las imágenes en su conjunto de datos de entrenamiento (en este ejemplo, Magnetic-Tiles-Dataset).

Esto actualiza el conjunto de datos de entrenamiento, que incluye tanto sus imágenes de entrenamiento existentes como las nuevas imágenes con etiquetas predichas. Puede entrenar una nueva versión del modelo con el conjunto de datos actualizado y mejorar potencialmente el rendimiento del modelo. La nueva versión del modelo no será un entrenamiento incremental, sino un nuevo entrenamiento desde cero con el conjunto de datos actualizado. Esto ayuda a mantener el modelo actualizado con nuevas fuentes de datos.

Limpiar

Una vez que haya completado su trabajo con SageMaker Canvas, elija Cerrar Sesión para cerrar la sesión y evitar cualquier costo adicional.

Cuando cierra la sesión, su trabajo, como los conjuntos de datos y los modelos, permanece guardado y puede volver a iniciar una sesión de SageMaker Canvas para continuar con el trabajo más tarde.

SageMaker Canvas crea un extremo asíncrono de SageMaker para generar las predicciones. Para eliminar el punto final, la configuración del punto final y el modelo creado por SageMaker Canvas, consulte Eliminar puntos finales y recursos.

Conclusión

En esta publicación, aprendió a usar SageMaker Canvas para crear un modelo de clasificación de imágenes para predecir defectos en productos fabricados, para complementar y mejorar el proceso de calidad de la inspección visual. Puede usar SageMaker Canvas con diferentes conjuntos de datos de imágenes de su entorno de fabricación para crear modelos para casos de uso como mantenimiento predictivo, inspección de paquetes, seguridad de los trabajadores, seguimiento de mercancías y más. SageMaker Canvas le brinda la capacidad de usar ML para generar predicciones sin necesidad de escribir ningún código, acelerando la evaluación y adopción de las capacidades de CV ML.

Para comenzar y obtener más información sobre SageMaker Canvas, consulte los siguientes recursos:

---

Sobre los autores

brajendra singh es arquitecto de soluciones en Amazon Web Services que trabaja con clientes empresariales. Tiene una sólida experiencia como desarrollador y es un gran entusiasta de las soluciones de datos y aprendizaje automático.

Danny Smith es director, estratega de ML para las industrias automotriz y de fabricación, y se desempeña como asesor estratégico para los clientes. El enfoque de su carrera ha sido ayudar a los tomadores de decisiones clave a aprovechar los datos, la tecnología y las matemáticas para tomar mejores decisiones, desde la sala de juntas hasta el piso de producción. Últimamente, la mayoría de sus conversaciones son sobre la democratización del aprendizaje automático y la IA generativa.

david gallitelli es Arquitecto de Soluciones Especializado en IA/ML en la región EMEA. Tiene su sede en Bruselas y trabaja en estrecha colaboración con los clientes en todo el Benelux. Ha sido desarrollador desde que era muy joven, comenzó a programar a la edad de 7 años. Comenzó a aprender AI/ML en la universidad y se enamoró de él desde entonces.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/