Según la Gartner, la hiperautomatización es la tendencia número uno en 2022 y seguirá avanzando en el futuro. Una de las principales barreras para la hiperautomatización se encuentra en áreas en las que todavía luchamos por reducir la participación humana. Los sistemas inteligentes tienen dificultades para igualar las habilidades de reconocimiento visual humano, a pesar de los grandes avances en el aprendizaje profundo en la visión por computadora. Esto se debe principalmente a la falta de datos anotados (o cuando los datos son escasos) y en áreas como el control de calidad, donde todavía dominan los ojos humanos entrenados. Otra razón es la viabilidad del acceso humano en todas las áreas de la cadena de suministro del producto, como la inspección de control de calidad en la línea de producción. La inspección visual se usa ampliamente para realizar evaluaciones internas y externas de varios equipos en una instalación de producción, como tanques de almacenamiento, recipientes a presión, tuberías, máquinas expendedoras y otros equipos, que se expanden a muchas industrias, como electrónica, médica, CPG, y materias primas y más.
El uso de la inteligencia artificial (IA) para la inspección visual automatizada o el aumento del proceso de inspección visual humana con IA pueden ayudar a abordar los desafíos que se describen a continuación.
Desafíos de la inspección visual humana
La inspección visual dirigida por humanos tiene los siguientes problemas de alto nivel:
- Escala – La mayoría de los productos pasan por múltiples etapas, desde el ensamblaje hasta la cadena de suministro y el control de calidad, antes de estar disponibles para el consumidor final. Los defectos pueden ocurrir durante el proceso de fabricación o montaje en diferentes puntos en el espacio y el tiempo. Por lo tanto, no siempre es factible o rentable utilizar la inspección visual humana en persona. Esta incapacidad de escalar puede resultar en desastres como el Derrame de petróleo de BP Deepwater Horizon y Explosión del transbordador espacial Challenger, cuyo impacto negativo general (para los humanos y la naturaleza) supera con creces el costo monetario.
- Error visual humano – En áreas donde la inspección visual dirigida por humanos se puede realizar convenientemente, el error humano es un factor importante que a menudo se pasa por alto. De acuerdo con lo siguiente reporte, la mayoría de las tareas de inspección son complejas y, por lo general, muestran tasas de error del 20 % al 30 %, lo que se traduce directamente en costos y resultados no deseados.
- Gastos de personal y varios – Aunque el costo total del control de calidad puede variar mucho según la industria y la ubicación, según algunos estima, el salario de un inspector de calidad capacitado oscila entre $ 26,000 y $ 60,000 (USD) por año. También hay otros costos misceláneos que no siempre se pueden contabilizar.
SageMaker JumpStart es un gran lugar para comenzar con varios Amazon SageMaker funciones y capacidades a través de soluciones seleccionadas con un solo clic, blocs de notas de ejemplo y modelos de datos tabulares, de procesamiento de lenguaje natural y de visión artificial preentrenados que los usuarios pueden elegir, ajustar (si es necesario) e implementar mediante la infraestructura de AWS SageMaker.
En esta publicación, explicamos cómo implementar rápidamente una solución de detección de defectos automatizada, desde la ingestión de datos hasta la inferencia de modelos, utilizando un conjunto de datos disponible públicamente y SageMaker JumpStart.
Resumen de la solución
Esta solución utiliza un enfoque de aprendizaje profundo de última generación para detectar automáticamente los defectos de la superficie mediante SageMaker. La red de detección de defectos o modelo DDN mejora la R-CNN más rápido e identifica posibles defectos en una imagen de una superficie de acero. los Base de datos de defectos de superficie NEU, es un conjunto de datos equilibrado que contiene seis tipos de defectos superficiales típicos de una tira de acero laminado en caliente: incrustaciones (RS), parches (Pa), agrietamiento (Cr), superficie picada (PS), inclusión (In), y arañazos (Sc). La base de datos incluye 1,800 imágenes en escala de grises: 300 muestras de cada tipo de defecto.
Contenido
La solución JumpStart contiene los siguientes artefactos, que están disponibles para usted desde el Navegador de archivos JupyterLab:
- formación de nubes/ – Formación en la nube de AWS archivos de configuración para crear recursos relevantes de SageMaker y aplicar permisos. También incluye scripts de limpieza para eliminar los recursos creados.
- src / – Contiene lo siguiente:
- preparar_datos/ – Preparación de datos para conjuntos de datos NEU.
- sagemaker_defect_detection/ – Paquete principal que contiene lo siguiente:
- datos – Contiene manejo de conjuntos de datos NEU.
- modelos – Contiene el Sistema de Inspección Automatizada de Defectos (ADI) llamado Red de Detección de Defectos. Ver lo siguiente para obtener más detalles.
- utils – Diversas utilidades para la visualización y evaluación de COCO.
- clasificador.py – Para la tarea de clasificación.
- detector.py – Para la tarea de detección.
- transforma.py – Contiene las transformaciones de imagen utilizadas en el entrenamiento.
- cuadernos/ – Los cuadernos individuales, discutidos con más detalle más adelante en esta publicación.
- guiones / – Varios scripts para entrenamiento y construcción.
Conjunto de datos predeterminado
Esta solución entrena un clasificador en el conjunto de datos NEU-CLS y un detector en el conjunto de datos NEU-DET. Este conjunto de datos contiene 1800 imágenes y 4189 cuadros delimitadores en total. Los tipos de defectos en nuestro conjunto de datos son los siguientes:
- Enloquecimiento (clase:
Cr
, etiqueta: 0) - Inclusión (clase:
In
, etiqueta: 1) - Superficie picada (clase:
PS
, etiqueta: 2) - Parches (clase: Pa, etiqueta: 3)
- Balanza enrollada (clase:
RS
, etiqueta: 4) - Rasguños (clase:
Sc
, etiqueta: 5)
Las siguientes son imágenes de muestra de las seis clases.
Las siguientes imágenes son resultados de detección de muestra. De izquierda a derecha, tenemos la imagen original, la detección de la realidad del terreno y la salida del modelo DDN de SageMaker.
Arquitectura
La solución JumpStart viene preempaquetada con Estudio Amazon SageMaker cuadernos que descargan los conjuntos de datos necesarios y contienen el código y las funciones auxiliares para entrenar el modelo o los modelos y la implementación mediante un extremo de SageMaker en tiempo real.
Todos los cuadernos descargan el conjunto de datos de un público Servicio de almacenamiento simple de Amazon (Amazon S3) cubo e importar funciones auxiliares para visualizar las imágenes. Los cuadernos permiten al usuario personalizar la solución, como hiperparámetros para entrenar modelos o realizar transferencia de aprendizaje en caso de que elija utilizar la solución para su caso de uso de detección de defectos.
La solución contiene los siguientes cuatro portátiles Studio:
- 0_demo.ipynb – Crea un objeto de modelo a partir de un modelo DDN entrenado previamente en el conjunto de datos NEU-DET y lo implementa detrás de un punto final de SageMaker en tiempo real. Luego enviamos algunas muestras de imágenes con defectos para su detección y visualización de los resultados.
- 1_retrain_from_checkpoint.ipynb – Vuelve a entrenar nuestro detector preentrenado por algunas épocas más y compara los resultados. También puede traer su propio conjunto de datos; sin embargo, usamos el mismo conjunto de datos en el cuaderno. También se incluye un paso para realizar transferencias de aprendizaje mediante el ajuste fino del modelo preentrenado. Ajustar un modelo de aprendizaje profundo en una tarea en particular implica usar los pesos aprendidos de un conjunto de datos en particular para mejorar el rendimiento del modelo en otro conjunto de datos. También puede realizar un ajuste fino sobre el mismo conjunto de datos utilizado en el entrenamiento inicial, pero quizás con diferentes hiperparámetros.
- 2_detector_desde_scratch.ipynb – Entrena nuestro detector desde cero para identificar si existen defectos en una imagen.
- 3_clasificación_desde_cero.ipynb – Entrena a nuestro clasificador desde cero para clasificar el tipo de defecto en una imagen.
Cada cuaderno contiene un código repetitivo que implementa un SageMaker punto final en tiempo real para la inferencia de modelos. Puede ver la lista de cuadernos yendo al explorador de archivos de JupyterLab y navegando a la carpeta "cuadernos" en el directorio de la solución JumpStart o haciendo clic en "Abrir cuaderno" en la solución JumpStart, específicamente en la página de la solución "Detección de defectos del producto" (consulte a continuación ).
Requisitos previos
La solución descrita en esta publicación es parte de JumpStart de Amazon SageMaker. Para ejecutar esta solución SageMaker JumpStart 1P y hacer que la infraestructura se implemente en su cuenta de AWS, debe crear una instancia activa de Amazon SageMaker Studio (consulte Integración en el dominio de Amazon SageMaker).
Buen inicio Las funciones no están disponibles en las instancias de cuadernos de SageMaker y no puede acceder a ellas a través de la Interfaz de línea de comandos de AWS (CLI de AWS).
Implementar la solución
Proporcionamos videos tutoriales para los pasos de alto nivel en esta solución. Para comenzar, inicie SageMaker JumpStart y elija el Detección de defectos del producto solución en el Soluciones .
Los cuadernos de SageMaker proporcionados descargan los datos de entrada y ejecutan las etapas posteriores. Los datos de entrada se encuentran en un depósito S3.
Entrenamos los modelos de clasificador y detector y evaluamos los resultados en SageMaker. Si lo desea, puede implementar los modelos entrenados y crear terminales de SageMaker.
El extremo de SageMaker creado en el paso anterior es un Punto final HTTPS y es capaz de producir predicciones.
Puede monitorear el entrenamiento y la implementación del modelo a través de Reloj en la nube de Amazon.
Limpiar
Cuando haya terminado con esta solución, asegúrese de eliminar todos los recursos de AWS no deseados. Puede utilizar AWS CloudFormation para eliminar automáticamente todos los recursos estándar creados por la solución y el cuaderno. En la consola de AWS CloudFormation, elimine la pila principal. Al eliminar la pila principal, se eliminan automáticamente las pilas anidadas.
Debe eliminar manualmente cualquier recurso adicional que haya creado en este bloc de notas, como depósitos de S3 adicionales además del depósito predeterminado de la solución o puntos finales de SageMaker adicionales (con un nombre personalizado).
Conclusión
En esta publicación, presentamos una solución que usa SageMaker JumpStart para abordar los problemas con el estado actual de la inspección visual, el control de calidad y la detección de defectos en varias industrias. Recomendamos un enfoque novedoso llamado sistema de inspección de defectos automatizado creado con un modelo DDN para la detección de defectos en superficies de acero. Después de lanzar la solución JumpStart y descargar los conjuntos de datos públicos de NEU, implementó un modelo previamente entrenado detrás de un punto final en tiempo real de SageMaker y analizó las métricas del punto final con CloudWatch. También discutimos otras características de la solución JumpStart, como traer sus propios datos de entrenamiento, realizar transferencias de aprendizaje y volver a entrenar el detector y el clasificador.
Prueba esto Solución JumpStart en SageMaker Studio, ya sea volviendo a entrenar el modelo existente en un nuevo conjunto de datos para la detección de defectos o seleccionando de la biblioteca de SageMaker JumpStart de modelos de visión por computadora, modelos de PNL or modelos tabulares e implementarlos para su caso de uso específico.
Acerca de los autores
jainista vedante es un Arquitecto de soluciones especialista en IA/ML sénior que ayuda a los clientes a obtener valor del ecosistema de aprendizaje automático en AWS. Antes de unirse a AWS, Vedant ocupó puestos de especialidad en ML/ciencia de datos en varias empresas, como Databricks, Hortonworks (ahora Cloudera) y JP Morgan Chase. Fuera de su trabajo, a Vedant le apasiona hacer música, usar la ciencia para llevar una vida significativa y explorar la deliciosa cocina vegetariana de todo el mundo.
sol tao es científico aplicado en AWS. Obtuvo su Ph.D. en Ciencias de la Computación de la Universidad de Massachusetts, Amherst. Sus intereses de investigación se encuentran en el aprendizaje por refuerzo profundo y el modelado probabilístico. Contribuyó a AWS DeepRacer, AWS DeepComposer. Le gusta el baile de salón y leer en su tiempo libre.
- Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
- CriptoHawk. Radar de altcoins. Prueba gratis.
- Fuente: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- <del>
- Acerca
- de la máquina
- Conforme
- Mi Cuenta
- lector activo
- adición
- dirección
- avances
- AI
- Todos
- Aunque
- hacerlo
- Amazon
- Otra
- aplicada
- Aplicá
- enfoque
- en torno a
- artificial
- inteligencia artificial
- Inteligencia Artificial (AI)
- Asamblea
- evaluación
- Confirmación de Viaje
- automáticamente
- Automatización
- Hoy Disponibles
- AWS
- las barreras
- antes
- detrás de
- "Ser"
- a continuación
- entre
- llevar
- cada navegador
- Construir la
- capacidades
- capaz
- case
- cadena
- retos
- persecución
- Elige
- clase
- privadas
- clasificación
- código
- Empresas
- integraciones
- computadora
- Ciencias de la Computación
- Configuración
- Consola
- consumidor
- contiene
- continue
- contribuido
- control
- controles
- rentable
- Precio
- Para crear
- creado
- crea
- comisariada
- Current
- Estado actual
- personalizado
- Clientes
- personalizan
- datos
- Base de datos
- profundo
- Dependiente
- desplegar
- desplegado
- despliegue
- despliega
- A pesar de las
- detalle
- detalles
- Detección
- una experiencia diferente
- directamente
- desastres
- distancia
- dominio
- descargar
- durante
- cada una
- ecosistema
- Electrónica
- Punto final
- equipo
- evaluar
- evaluación
- ejemplo
- exhibir
- existente
- se expande
- Lugar
- Caracteristicas
- siguiendo
- siguiente
- en
- funciones
- futuras
- va
- Escala de grises
- maravillosa
- muy
- Manejo
- ayuda
- ayudando
- horizonte
- Cómo
- Como Hacer
- Sin embargo
- HTTPS
- humana
- Humanos
- Identifique
- imagen
- imágenes
- Impacto
- incluido
- incluye
- inclusión
- INSTRUMENTO individual
- industrias
- energético
- EN LA MINA
- Las opciones de entrada
- ejemplo
- Intelligence
- De Operación
- intereses
- cuestiones
- IT
- unión
- jp morgan
- JP Morgan Chase
- Label
- idioma
- lanzamiento
- lanzado
- Lead
- aprendido
- aprendizaje
- Biblioteca
- línea
- Lista
- Ubicación
- máquina
- máquina de aprendizaje
- Máquinas
- hecho
- gran
- para lograr
- Realizar
- a mano
- Fabricación
- Massachusetts
- pareo
- materiales
- significativo
- servicios
- Métrica
- modelo
- modelos
- Monetario
- Monitorear
- más,
- Morgan
- MEJOR DE TU
- múltiples
- Música
- NASA
- Natural
- Naturaleza
- navegando
- negativas
- del sistema,
- cuaderno
- número
- obtenido
- Aceite
- reconocida por
- Otro
- total
- EL DESARROLLADOR
- paquete
- parte
- particular
- apasionado
- Parches
- actuación
- realizar
- quizás
- puntos
- posible
- Predicciones
- presión
- anterior
- tratamiento
- Producto
- Producción
- Productos
- proporcionar
- previsto
- público
- calidad
- con rapidez
- Tarifas
- Crudo
- Reading
- en tiempo real
- reducir
- Requisitos
- la investigación
- Recursos
- Resultados
- Ejecutar
- sueldo
- mismo
- SC
- Escala
- Ciencia:
- Científico
- sencillos
- SEIS
- a medida
- Soluciones
- algo
- Espacio
- especialista
- CURSOS
- soluciones y
- específicamente
- montón
- etapas
- estándar
- comienzo
- fundó
- Estado
- el estado de la técnica
- Sin embargo
- STORAGE
- estudio
- suministro
- cadena de suministro
- Superficie
- te
- Todas las funciones a su disposición
- tareas
- El
- el mundo
- por lo tanto
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- Formación
- trenes
- transferir
- transformaciones
- típicamente
- universidad
- USD
- utilizan el
- usuarios
- utilidades
- propuesta de
- diversos
- Videos
- Ver
- visión
- visualización
- Wikipedia
- Actividades:
- mundo
- año
- tú