Demokratiseerige arvutinägemise defektide tuvastamine tootmiskvaliteedi parandamiseks, kasutades koodita masinõpet Amazon SageMaker Canvas'iga | Amazoni veebiteenused

Halva kvaliteediga hind on tootjate jaoks esmatähtis. Kvaliteedivead suurendavad praagi ja ümbertöötlemise kulusid, vähendavad läbilaskevõimet ning võivad mõjutada kliente ja ettevõtte mainet. Tootmisliini kvaliteedikontroll on kvaliteedistandardite säilitamiseks ülioluline. Paljudel juhtudel kasutatakse kvaliteedi hindamiseks ja defektide tuvastamiseks inimeste visuaalset kontrolli, mis võib iniminspektorite piirangute tõttu piirata liini läbilaskevõimet.

Masinõppe (ML) ja tehisintellekti (AI) tulek toob arvutinägemise (CV) ML mudelite abil täiendava visuaalse kontrollimise võimalused. Inimkontrolli täiendamine CV-põhise ML-ga võib vähendada tuvastamisvigu, kiirendada tootmist, vähendada kvaliteedikulusid ja mõjutada kliente positiivselt. CV ML-mudelite loomine nõuab tavaliselt teadmisi andmeteaduse ja kodeerimise vallas, mis on tootmisorganisatsioonides sageli haruldased ressursid. Nüüd saavad kvaliteediinsenerid ja teised kaupluse töötajad neid mudeleid luua ja hinnata, kasutades koodita ML-teenuseid, mis võivad kiirendada nende mudelite uurimist ja kasutuselevõttu tootmistegevuses laiemalt.

Amazon SageMakeri lõuend on visuaalne liides, mis võimaldab kvaliteedi-, protsessi- ja tootmisinseneridel iseseisvalt luua täpseid ML-prognoose, ilma et oleks vaja ML-i kogemust või kirjutada ühte koodirida. SageMaker Canvase abil saate luua ühe sildiga kujutiste klassifitseerimismudeleid tavaliste tootmisdefektide tuvastamiseks, kasutades oma pildiandmekogumeid.

Sellest postitusest saate teada, kuidas kasutada SageMaker Canvast ühe sildiga kujutiste klassifitseerimismudeli koostamiseks, et tuvastada valmistatud magnetplaatide defektid nende kujutise põhjal.

Lahenduse ülevaade

See postitus eeldab kvaliteediinseneri seisukohta, kes uurib CV ML-i kontrolli, ja töötate magnetiliste paanide kujutiste näidisandmetega, et luua kujutise klassifikatsiooni ML-mudel, et ennustada kvaliteedikontrolli jaoks plaatide defekte. Andmekogum sisaldab enam kui 1,200 pilti magnetplaatidest, millel on defektid, nagu läbipuhumine, purunemine, pragunemine, kulumine ja ebatasane pind. Järgmistel piltidel on näide ühe sildiga defektide klassifitseerimisest, kus vasakul on mõranenud plaat ja paremal defektideta plaat.

Reaalses näites saate selliseid pilte koguda tootmisliini valmistoodetest. Selles postituses kasutate SageMaker Canvast ühe sildiga kujutiste klassifitseerimismudeli loomiseks, mis ennustab ja klassifitseerib antud magnetilise paani kujutise defektid.

SageMaker Canvas saab importida pildiandmeid kohalikust kettafailist või Amazoni lihtne salvestusteenus (Amazon S3). Selle postituse jaoks on S3 ämbrisse loodud mitu kausta (üks iga defektitüübi kohta, näiteks läbilöögiauk, purunemine või pragu) ja nende vastavatesse kaustadesse laaditakse üles magnetplaadi kujutised. Kaust kutsus Free sisaldab defektideta pilte.

ML-mudeli koostamisel SageMaker Canvase abil on neli sammu:

1. Importige piltide andmestik.
2. Ehitage ja treenige mudel.
3. Analüüsige mudeli teadmisi, näiteks täpsust.
4. Tehke ennustusi.

Eeldused

Enne alustamist peate SageMaker Canvas'i seadistama ja käivitama. Selle seadistuse viib läbi IT-administraator ja see hõlmab kolme sammu:

1. Seadistage Amazon SageMaker domeeni.
2. Seadistage kasutajad.
3. Seadistage SageMaker Canvas konkreetsete funktsioonide kasutamiseks load.

Viitama Amazon SageMaker Canvase kasutamise alustamine ja Amazon SageMaker Canvase seadistamine ja haldamine (IT-administraatoritele) et konfigureerida oma organisatsiooni jaoks SageMaker Canvas.

Kui SageMaker Canvas on seadistatud, saab kasutaja liikuda SageMakeri konsooli, valida Lõuend navigeerimispaanil ja valige Ava lõuend SageMaker Canvase käivitamiseks.

Rakendus SageMaker Canvas käivitatakse uues brauseriaknas.

Pärast rakenduse SageMaker Canvas käivitamist alustate ML-mudeli loomise etappe.

Importige andmestik

Andmestiku importimine on SageMaker Canvasiga ML-mudeli loomise esimene samm.

1. Valige rakenduses SageMaker Canvas Andmekogumid navigeerimispaanil.
2. Kohta Looma menüüst valige pilt.
   
3. eest Andmestiku nimi, sisestage nimi, näiteks Magnetic-Tiles-Dataset.
4. Vali Looma andmestiku loomiseks.
   

Pärast andmestiku loomist peate importima andmestikus olevad pildid.

5. Kohta Import lehel, valige Amazon S3 (magnetplaatide kujutised on S3 ämbris).

Teil on võimalus pilte üles laadida ka kohalikust arvutist.

6. Valige S3 ämbris kaust, kuhu salvestatakse magnetplaadi kujutised, ja valige see Andmete importimine.
   

SageMaker Canvas alustab piltide importimist andmekogumisse. Kui importimine on lõppenud, näete 1,266 pildiga loodud pildiandmestikku.

Saate valida andmestiku, et kontrollida üksikasju, nagu piltide eelvaade ja nende silt defektitüübi jaoks. Kuna pildid olid korraldatud kaustadesse ja iga kausta nimi oli defektitüübi järgi, lõpetas SageMaker Canvas piltide märgistamise automaatselt kaustanimede alusel. Alternatiivina saate importida märgistamata pilte, lisada silte ja hiljem üksikuid pilte sildistada. Samuti saate muuta olemasolevate sildistatud piltide silte.

Piltide importimine on lõpule viidud ja teil on nüüd SageMaker Canvasis loodud piltide andmestik. Saate liikuda järgmise sammu juurde, et koostada ML-mudel, et ennustada magnetplaatide defekte.

Ehitage ja treenige mudel

Treenite mudelit imporditud andmekogumi abil.

1. Valige andmestik (Magnetic-tiles-Dataset) ja valige Loo mudel.
2. eest mudeli nimi, sisestage nimi, näiteks Magnetic-Tiles-Defect-Model.
3. valima Pildianalüüs probleemi tüübi jaoks ja valige Looma mudeli ehituse konfigureerimiseks.
   

Modelli peal Ehitama vahekaardil näete andmestiku kohta erinevaid üksikasju, nagu siltide jaotus, märgistatud ja märgistamata piltide arv ja ka mudeli tüüp, mis on antud juhul ühe sildi kujutise ennustamine. Kui olete importinud märgistamata pilte või soovite muuta või parandada teatud piltide silte, saate valida Andmestiku muutmine siltide muutmiseks.

Mudelit saate koostada kahel viisil: kiirehitus ja standardversioon. Kiirehituse valik eelistab kiirust täpsusele. See treenib modelli 15–30 minutiga. Mudelit saab ennustamiseks kasutada, kuid seda ei saa jagada. See on hea võimalus antud andmekogumiga mudeli treenimise teostatavuse ja täpsuse kiireks kontrollimiseks. Standardversioon valib kiiruse asemel täpsuse ja mudelikoolitus võib kesta 2–4 ​​tundi.

Selle postituse jaoks koolitate mudelit standardse koostamise suvandi abil.

4. Vali Standardne ehitus kohta Ehitama vahekaarti, et alustada mudeli treenimist.

Modellikoolitus algab koheselt. Eeldatavat ehitusaega ja koolituse edenemist näete lehel Analüüsima Tab.

Oodake, kuni mudeli koolitus on lõppenud, siis saate analüüsida mudeli jõudlust täpsuse jaoks.

Analüüsige mudelit

Sel juhul kulus modellikoolituse läbimiseks alla tunni. Kui mudelikoolitus on lõppenud, saate mudeli täpsust kontrollida Analüüsima vahekaarti, et teha kindlaks, kas mudel suudab defekte täpselt ennustada. Näete, et mudeli üldine täpsus on sel juhul 97.7%. Samuti saate kontrollida mudeli täpsust iga üksiku sildi või defekti tüübi puhul, näiteks 100% Fray ja Uneven puhul, kuid ligikaudu 95% Blowhole. Selline täpsus on julgustav, nii et saame hindamist jätkata.

Mudeli paremaks mõistmiseks ja usaldamiseks lubage Soojuskaart et näha pildil huvipakkuvaid valdkondi, mida mudel kasutab siltide eristamiseks. See põhineb klassi aktiveerimise kaardi (CAM) tehnikal. Saate kasutada soojuskaarti, et tuvastada mustrid oma valesti ennustatud piltidelt, mis võib aidata teie mudeli kvaliteeti parandada.

Kohta Hinded vahekaardil saate kontrollida iga sildi (või klassi või defekti tüübi) mudeli täpsust ja tagasi kutsuda. Täpsus ja meeldetuletus on hindamismõõdikud, mida kasutatakse binaarse ja mitme klassi klassifikatsioonimudeli toimivuse mõõtmiseks. Täpsus näitab, kui hea on mudel konkreetse klassi ennustamisel (käesolevas näites vea tüüp). Meenutus ütleb, mitu korda suutis mudel konkreetse klassi tuvastada.

Mudelianalüüs aitab teil mõista mudeli täpsust enne selle ennustamiseks kasutamist.

Tehke ennustusi

Pärast mudeli analüüsi saate nüüd selle mudeli abil ennustusi teha magnetplaatide defektide tuvastamiseks.

Kohta Ennusta vahekaardil, saate valida Üksik ennustus ja Partii ennustus. Ühe ennustusega impordite ühe pildi oma kohalikust arvutist või S3 ämbrist, et teha ennustus defekti kohta. Partii ennustamisel saate teha ennustusi mitme SageMakeri lõuendi andmekomplekti salvestatud pildi kohta. Saate luua programmis SageMaker Canvas eraldi andmestiku koos test- või järelduskujutistega partii ennustuse jaoks. Selle postituse jaoks kasutame nii üksik- kui ka partiiprognoosi.

Ühe ennustuse jaoks Ennusta valige vahekaart Üksik ennustus, siis vali Impordi pilt testi- või järelduskujutise üleslaadimiseks kohalikust arvutist.

Pärast pildi importimist prognoosib mudel defekti. Esimese järelduse tegemiseks võib kuluda mõni minut, kuna mudelit laaditakse esimest korda. Kuid pärast mudeli laadimist teeb see piltide kohta koheseid ennustusi. Näete iga silditüübi pilti ja ennustuse usaldustaset. Näiteks sel juhul ennustatakse magnetplaadi kujutisel ebaühtlast pinnadefekti ( Uneven etikett) ja modell on selles 94% kindel.

Samamoodi saate defekti prognoosimiseks kasutada teisi pilte või piltide andmekogu.

Partii ennustamiseks kasutame märgistamata kujutiste andmekogumit nimega Magnetic-Tiles-Test-Dataset laadides oma kohalikust arvutist andmekogumisse 12 testpilti.

Kohta Ennusta valige vahekaart Partii ennustus Ja vali Valige andmekogum.

Valige Magnetic-Tiles-Test-Dataset andmestik ja valige Loo ennustusi.

Kõigi piltide ennustuste loomine võtab veidi aega. Kui staatus on Valmis, valige ennustuste vaatamiseks andmestiku link.

Näete kõigi piltide ennustusi usaldustasemega. Saate valida mis tahes üksikute piltide, et näha pilditaseme ennustuse üksikasju.

Võrguühenduseta töötamiseks saate ennustuse alla laadida CSV- või ZIP-vormingus. Samuti saate ennustatud silte kontrollida ja lisada need oma treeninguandmestikule. Ennustatud siltide kontrollimiseks valige Kinnitage ennustus.

Prognooside andmekogus saate värskendada üksikute piltide silte, kui te ei pea ennustatud silti õigeks. Kui olete silte vastavalt vajadusele värskendanud, valige Lisa koolitatud andmekogumisse piltide ühendamiseks treeningu andmekogusse (selles näites Magnetic-Tiles-Dataset).

See värskendab treeninguandmestikku, mis sisaldab nii teie olemasolevaid treeningpilte kui ka uusi ennustatud siltidega pilte. Saate värskendatud andmekogumiga koolitada uue mudeliversiooni ja potentsiaalselt parandada mudeli jõudlust. Uus mudeliversioon ei ole järkjärguline koolitus, vaid uus koolitus koos värskendatud andmekogumiga nullist. See aitab hoida mudelit värskendatuna uute andmeallikatega.

Koristage

Kui olete SageMaker Canvasiga töö lõpetanud, valige Logi välja seansi sulgemiseks ja täiendavate kulude vältimiseks.

Kui logite välja, jäävad teie tööd, nagu andmestikud ja mudelid, salvestatuks ning saate SageMaker Canvas-seansi uuesti käivitada, et hiljem tööd jätkata.

SageMaker Canvas loob ennustuste genereerimiseks asünkroonse SageMakeri lõpp-punkti. SageMaker Canvase loodud lõpp-punkti, lõpp-punkti konfiguratsiooni ja mudeli kustutamiseks vaadake Kustutage lõpp-punktid ja ressursid.

Järeldus

Sellest postitusest õppisite, kuidas kasutada SageMaker Canvast, et luua piltide klassifitseerimismudel, et ennustada toodetud toodete defekte, täiendada ja parandada visuaalse kontrolli kvaliteedi protsessi. Saate kasutada SageMaker Canvast oma tootmiskeskkonna erinevate pildiandmekogumitega, et luua mudeleid selliste kasutusjuhtude jaoks nagu ennustav hooldus, pakendikontroll, töötajate ohutus, kauba jälgimine ja palju muud. SageMaker Canvas annab teile võimaluse kasutada ML-i ennustuste loomiseks ilma koodi kirjutamata, kiirendades CV ML-i võimaluste hindamist ja kasutuselevõttu.

Alustamiseks ja SageMaker Canvase kohta lisateabe saamiseks vaadake järgmisi ressursse:

---

Autoritest

Brajendra Singh on Amazon Web Servicesi lahenduse arhitekt, kes töötab äriklientidega. Tal on tugev arendaja taust ning ta on innukas andme- ja masinõppelahenduste entusiast.

Danny Smith on direktor, auto- ja tootmistööstuse ML-strateeg, kes on klientide strateegiline nõustaja. Tema karjääri fookus on olnud selleks, et aidata peamistel otsustajatel kasutada andmeid, tehnoloogiat ja matemaatikat, et teha paremaid otsuseid, alates juhatuse ruumist kuni poe põrandani. Viimasel ajal on enamik tema vestlusi masinõppe demokratiseerimise ja generatiivse AI teemadel.

Davide Gallitelli on tehisintellekti/ML-i spetsialiseerunud lahenduste arhitekt EMEA piirkonnas. Ta asub Brüsselis ja teeb tihedat koostööd klientidega üle kogu Beneluxi. Ta on olnud arendaja juba väga noorest peale, alustades kodeerimisega 7-aastaselt. Ta alustas AI/ML-i õppimist ülikoolis ja on sellest ajast peale sellesse armunud.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
• Allikas: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/