دموکراتیک کردن تشخیص نقص بینایی کامپیوتر برای کیفیت ساخت با استفاده از یادگیری ماشین بدون کد با آمازون SageMaker Canvas | خدمات وب آمازون

هزینه کیفیت پایین برای تولیدکنندگان مهم است. نقص کیفیت هزینه های ضایعات و دوباره کاری را افزایش می دهد، توان عملیاتی را کاهش می دهد و می تواند بر مشتریان و شهرت شرکت تأثیر بگذارد. بازرسی کیفیت در خط تولید برای حفظ استانداردهای کیفیت بسیار مهم است. در بسیاری از موارد، بازرسی بصری انسان برای ارزیابی کیفیت و تشخیص عیوب استفاده می‌شود که می‌تواند به دلیل محدودیت‌های بازرسان انسانی، توان عملیاتی خط را محدود کند.

ظهور یادگیری ماشین (ML) و هوش مصنوعی (AI) قابلیت‌های بازرسی بصری بیشتری را با استفاده از مدل‌های بینایی کامپیوتری (CV) ML به ارمغان می‌آورد. تمجید از بازرسی انسانی با ML مبتنی بر CV می تواند خطاهای تشخیص را کاهش دهد، سرعت تولید را افزایش دهد، هزینه کیفیت را کاهش دهد و تأثیر مثبتی بر مشتریان بگذارد. ساخت مدل‌های CV ML معمولاً به تخصص در علم داده و کدگذاری نیاز دارد که اغلب منابع کمیاب در سازمان‌های تولیدی هستند. اکنون، مهندسان با کیفیت و سایرین در طبقه مغازه می‌توانند این مدل‌ها را با استفاده از خدمات ML بدون کد بسازند و ارزیابی کنند، که می‌تواند کاوش و پذیرش این مدل‌ها را به طور گسترده‌تری در عملیات تولید تسریع کند.

آمازون SageMaker Canvas یک رابط بصری است که مهندسین کیفیت، فرآیند و تولید را قادر می‌سازد تا پیش‌بینی‌های دقیق ML را به تنهایی ایجاد کنند - بدون نیاز به تجربه ML یا نیاز به نوشتن یک خط کد. می‌توانید از SageMaker Canvas برای ایجاد مدل‌های طبقه‌بندی تصویر تک برچسبی برای شناسایی نقص‌های رایج تولید با استفاده از مجموعه داده‌های تصویری خود استفاده کنید.

در این پست، نحوه استفاده از SageMaker Canvas را برای ساخت مدل طبقه بندی تصاویر تک برچسبی برای شناسایی عیوب کاشی های مغناطیسی تولیدی بر اساس تصویر آن ها یاد خواهید گرفت.

بررسی اجمالی راه حل

این پست نظر یک مهندس کیفیت را در حال بررسی بازرسی CV ML می‌داند، و شما با داده‌های نمونه تصاویر کاشی مغناطیسی کار خواهید کرد تا یک مدل طبقه‌بندی تصویر ML بسازید تا عیوب کاشی‌ها را برای بررسی کیفیت پیش‌بینی کنید. مجموعه داده شامل بیش از 1,200 تصویر از کاشی های مغناطیسی است که دارای نقص هایی مانند سوراخ، شکستگی، ترک، شکستگی و سطح ناهموار هستند. تصاویر زیر نمونه ای از طبقه بندی عیوب تک برچسب را ارائه می دهند که در سمت چپ کاشی ترک خورده و در سمت راست کاشی بدون عیب است.

در یک مثال واقعی، می توانید چنین تصاویری را از محصولات نهایی در خط تولید جمع آوری کنید. در این پست، شما از SageMaker Canvas برای ساخت یک مدل طبقه بندی تصویر تک برچسبی استفاده می کنید که عیوب یک تصویر کاشی مغناطیسی معین را پیش بینی و طبقه بندی می کند.

SageMaker Canvas می تواند داده های تصویر را از یک فایل دیسک محلی یا وارد کند سرویس ذخیره سازی ساده آمازون (Amazon S3). برای این پست، چندین پوشه (یک پوشه برای هر نوع نقص مانند سوراخ، شکست یا ترک) در یک سطل S3 ایجاد شده است و تصاویر کاشی مغناطیسی در پوشه های مربوطه آپلود می شوند. پوشه تماس گرفت Free حاوی تصاویر بدون نقص

چهار مرحله در ساخت مدل ML با استفاده از SageMaker Canvas وجود دارد:

1. مجموعه داده تصاویر را وارد کنید.
2. مدل را بسازید و آموزش دهید.
3. بینش های مدل مانند دقت را تجزیه و تحلیل کنید.
4. پیش بینی کنید

پیش نیازها

قبل از شروع، باید SageMaker Canvas را راه اندازی و راه اندازی کنید. این تنظیمات توسط یک مدیر فناوری اطلاعات انجام می شود و شامل سه مرحله است:

1. راه اندازی آمازون SageMaker دامنه.
2. کاربران را تنظیم کنید.
3. مجوزها را برای استفاده از ویژگی های خاص در SageMaker Canvas تنظیم کنید.

به مراجعه شروع با استفاده از آمازون SageMaker Canvas و راه اندازی و مدیریت آمازون SageMaker Canvas (برای مدیران فناوری اطلاعات) برای پیکربندی SageMaker Canvas برای سازمان خود.

وقتی SageMaker Canvas راه‌اندازی شد، کاربر می‌تواند به کنسول SageMaker بروید، انتخاب کنید نقاشی در صفحه پیمایش، و انتخاب کنید بوم را باز کنید برای راه اندازی SageMaker Canvas.

برنامه SageMaker Canvas در یک پنجره مرورگر جدید راه اندازی شد.

پس از راه اندازی اپلیکیشن SageMaker Canvas، مراحل ساخت مدل ML را شروع می کنید.

وارد کردن مجموعه داده

وارد کردن مجموعه داده اولین گام در ساخت یک مدل ML با SageMaker Canvas است.

1. در برنامه SageMaker Canvas، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
2. بر ساختن منو ، انتخاب کنید تصویر.
   
3. برای نام مجموعه داده، یک نام وارد کنید، مانند Magnetic-Tiles-Dataset.
4. را انتخاب کنید ساختن برای ایجاد مجموعه داده
   

پس از ایجاد مجموعه داده، باید تصاویر را در مجموعه داده وارد کنید.

5. بر وارد كردن صفحه ، انتخاب کنید آمازون S3 (تصاویر کاشی های مغناطیسی در یک سطل S3 هستند).

شما این انتخاب را دارید که تصاویر را از رایانه محلی خود نیز آپلود کنید.

6. پوشه ای را در سطل S3 که در آن تصاویر کاشی مغناطیسی ذخیره می شود انتخاب کنید و انتخاب کنید واردات داده ها.
   

SageMaker Canvas وارد کردن تصاویر به مجموعه داده را آغاز می کند. وقتی وارد کردن کامل شد، می توانید مجموعه داده تصویر ایجاد شده با 1,266 تصویر را ببینید.

می توانید مجموعه داده را برای بررسی جزئیات انتخاب کنید، مانند پیش نمایش تصاویر و برچسب آنها برای نوع نقص. از آنجایی که تصاویر در پوشه ها سازماندهی شده بودند و هر پوشه با نوع نقص نامگذاری شده بود، SageMaker Canvas به طور خودکار برچسب گذاری تصاویر را بر اساس نام پوشه ها تکمیل کرد. به عنوان یک جایگزین، می‌توانید تصاویر بدون برچسب را وارد کنید، برچسب‌ها را اضافه کنید، و برچسب‌گذاری تصاویر فردی را در زمان بعدی انجام دهید. همچنین می توانید برچسب های تصاویر برچسب گذاری شده موجود را تغییر دهید.

وارد کردن تصویر کامل شده است و اکنون یک مجموعه داده تصاویر در بوم SageMaker ایجاد شده است. برای پیش‌بینی عیوب در کاشی‌های مغناطیسی، می‌توانید به مرحله بعدی بروید تا یک مدل ML بسازید.

مدل را بسازید و آموزش دهید

شما مدل را با استفاده از مجموعه داده وارد شده آموزش می دهید.

1. مجموعه داده را انتخاب کنید (Magnetic-tiles-Dataset) و انتخاب کنید یک مدل ایجاد کنید.
2. برای نام مدل، یک نام وارد کنید، مانند Magnetic-Tiles-Defect-Model.
3. انتخاب کنید تجزیه و تحلیل تصویر برای نوع مشکل و انتخاب کنید ساختن برای پیکربندی ساخت مدل
   

روی مدل ساختن در تب، می توانید جزئیات مختلفی از مجموعه داده مانند توزیع برچسب، تعداد تصاویر برچسب دار در مقابل بدون برچسب و همچنین نوع مدل را مشاهده کنید که در این مورد پیش بینی تصویر تک برچسبی است. اگر تصاویر بدون برچسب وارد کرده‌اید یا می‌خواهید برچسب‌های برخی از تصاویر را اصلاح یا تصحیح کنید، می‌توانید انتخاب کنید ویرایش مجموعه داده برای اصلاح برچسب ها

شما می توانید مدل را به دو روش بسازید: ساخت سریع و ساخت استاندارد. گزینه ساخت سریع سرعت را بر دقت اولویت دارد. این مدل را در 15 تا 30 دقیقه آموزش می دهد. مدل را می توان برای پیش بینی استفاده کرد اما نمی توان آن را به اشتراک گذاشت. این یک گزینه خوب برای بررسی سریع امکان سنجی و دقت آموزش یک مدل با مجموعه داده داده شده است. ساخت استاندارد دقت را به سرعت انتخاب می کند و آموزش مدل می تواند بین 2 تا 4 ساعت طول بکشد.

برای این پست، مدل را با استفاده از گزینه Standard build آموزش می دهید.

4. را انتخاب کنید ساخت استاندارد در ساختن زبانه برای شروع آموزش مدل.

آموزش مدل فوراً شروع می شود. شما می توانید زمان ساخت مورد انتظار و پیشرفت آموزش را در آن مشاهده کنید تجزیه و تحلیل تب.

صبر کنید تا آموزش مدل کامل شود، سپس می توانید عملکرد مدل را برای دقت تجزیه و تحلیل کنید.

مدل را تحلیل کنید

در این صورت تکمیل آموزش مدل کمتر از یک ساعت طول کشید. هنگامی که آموزش مدل کامل شد، می توانید دقت مدل را بر روی آن بررسی کنید تجزیه و تحلیل برای تعیین اینکه آیا مدل می تواند عیوب را به دقت پیش بینی کند یا خیر. می بینید که دقت کلی مدل در این مورد 97.7 درصد است. همچنین می‌توانید دقت مدل را برای هر یک از برچسب‌ها یا نوع نقص‌ها بررسی کنید، به عنوان مثال 100٪ برای Fray و ناهموار اما تقریباً 95٪ برای Blowhole. این سطح از دقت دلگرم کننده است، بنابراین می توانیم ارزیابی را ادامه دهیم.

برای درک بهتر و اعتماد به مدل، فعال کنید نقشه حرارت برای دیدن مناطق مورد علاقه در تصویر که مدل از آن برای متمایز کردن برچسب ها استفاده می کند. این بر اساس تکنیک نقشه فعال سازی کلاس (CAM) است. می توانید از نقشه حرارتی برای شناسایی الگوها از تصاویر پیش بینی نادرست خود استفاده کنید، که می تواند به بهبود کیفیت مدل شما کمک کند.

بر نمره دهی تب، می‌توانید دقت را بررسی کرده و مدل را برای هر یک از برچسب‌ها (یا نوع کلاس یا نقص) فراخوانی کنید. دقت و یادآوری معیارهای ارزیابی هستند که برای اندازه‌گیری عملکرد یک مدل طبقه‌بندی باینری و چند کلاسه استفاده می‌شوند. دقت نشان می‌دهد که مدل در پیش‌بینی یک کلاس خاص چقدر خوب است (نوع نقص، در این مثال). Recall نشان می دهد که چند بار مدل توانسته یک کلاس خاص را شناسایی کند.

تجزیه و تحلیل مدل به شما کمک می کند قبل از استفاده از آن برای پیش بینی دقت مدل را درک کنید.

پیش بینی کنید

پس از تجزیه و تحلیل مدل، اکنون می توانید با استفاده از این مدل برای شناسایی عیوب در کاشی های مغناطیسی پیش بینی کنید.

بر پیش بینی برگه، شما می توانید انتخاب کنید پیش بینی واحد و پیش بینی دسته ای. در یک پیش‌بینی، شما یک تصویر را از رایانه محلی یا سطل S3 خود وارد می‌کنید تا در مورد نقص پیش‌بینی کنید. در پیش‌بینی دسته‌ای، می‌توانید برای چندین تصویر که در مجموعه داده SageMaker Canvas ذخیره شده‌اند، پیش‌بینی کنید. می توانید یک مجموعه داده جداگانه در SageMaker Canvas با تصاویر آزمایشی یا استنتاج برای پیش بینی دسته ای ایجاد کنید. برای این پست، از پیش‌بینی تکی و دسته‌ای استفاده می‌کنیم.

برای پیش بینی تک، در پیش بینی برگه ، انتخاب کنید پیش بینی واحد، پس از آن را انتخاب کنید وارد کردن تصویر برای آپلود تصویر آزمایشی یا استنباط از رایانه محلی خود.

پس از وارد شدن تصویر، مدل در مورد نقص پیش بینی می کند. برای اولین استنتاج، ممکن است چند دقیقه طول بکشد زیرا مدل برای اولین بار بارگیری می شود. اما پس از بارگذاری مدل، پیش بینی های فوری در مورد تصاویر انجام می دهد. می توانید تصویر و سطح اطمینان پیش بینی را برای هر نوع برچسب مشاهده کنید. به عنوان مثال، در این مورد، تصویر کاشی مغناطیسی پیش بینی می شود که دارای یک نقص سطح ناهموار باشد ( Uneven برچسب) و مدل در مورد آن 94% اطمینان دارد.

به طور مشابه، می توانید از تصاویر دیگر یا مجموعه داده ای از تصاویر برای پیش بینی نقص استفاده کنید.

برای پیش‌بینی دسته‌ای، از مجموعه داده‌های تصاویر بدون برچسب به نام استفاده می‌کنیم Magnetic-Tiles-Test-Dataset با آپلود 12 تصویر آزمایشی از رایانه محلی خود در مجموعه داده.

بر پیش بینی برگه ، انتخاب کنید پیش بینی دسته ای و انتخاب کنید مجموعه داده را انتخاب کنید.

را انتخاب کنید Magnetic-Tiles-Test-Dataset مجموعه داده و انتخاب کنید پیش بینی ایجاد کنید.

ایجاد پیش بینی برای همه تصاویر مدتی طول می کشد. وقتی وضعیت است آماده تحویل، پیوند مجموعه داده را برای مشاهده پیش بینی ها انتخاب کنید.

می‌توانید پیش‌بینی‌هایی را برای همه تصاویر با سطح اطمینان ببینید. برای مشاهده جزئیات پیش‌بینی در سطح تصویر، می‌توانید هر یک از تصاویر را انتخاب کنید.

می‌توانید پیش‌بینی را در قالب فایل CSV یا zip. دانلود کنید تا به‌صورت آفلاین کار کند. همچنین می توانید برچسب های پیش بینی شده را تأیید کرده و آنها را به مجموعه داده های آموزشی خود اضافه کنید. برای تأیید برچسب‌های پیش‌بینی‌شده، را انتخاب کنید پیش بینی را تأیید کنید.

در مجموعه داده‌های پیش‌بینی، اگر برچسب پیش‌بینی‌شده را درست ندیدید، می‌توانید برچسب‌های هر تصویر را به‌روزرسانی کنید. هنگامی که برچسب ها را در صورت نیاز به روز کردید، انتخاب کنید به مجموعه داده های آموزش دیده اضافه کنید برای ادغام تصاویر در مجموعه داده آموزشی خود (در این مثال، Magnetic-Tiles-Dataset).

این مجموعه داده آموزشی را به روز می کند، که شامل تصاویر آموزشی موجود و تصاویر جدید با برچسب های پیش بینی شده است. شما می توانید یک نسخه مدل جدید را با مجموعه داده به روز شده آموزش دهید و به طور بالقوه عملکرد مدل را بهبود ببخشید. نسخه مدل جدید یک آموزش افزایشی نیست، بلکه یک آموزش جدید از ابتدا با مجموعه داده به روز شده است. این کمک می کند تا مدل با منابع جدید داده به روز شود.

پاک کردن

بعد از اینکه کار خود را با SageMaker Canvas کامل کردید، انتخاب کنید ورود به برای بسته شدن جلسه و جلوگیری از هرگونه هزینه بیشتر.

وقتی از سیستم خارج می‌شوید، کارهای شما مانند مجموعه داده‌ها و مدل‌ها ذخیره می‌شوند و می‌توانید دوباره یک جلسه SageMaker Canvas راه‌اندازی کنید تا بعداً کار را ادامه دهید.

SageMaker Canvas یک نقطه پایانی SageMaker ناهمزمان برای تولید پیش‌بینی‌ها ایجاد می‌کند. برای حذف نقطه پایانی، پیکربندی نقطه پایانی و مدل ایجاد شده توسط SageMaker Canvas، به نقاط پایانی و منابع را حذف کنید.

نتیجه

در این پست، نحوه استفاده از SageMaker Canvas را برای ساخت یک مدل طبقه بندی تصویر برای پیش بینی عیوب در محصولات تولیدی، به منظور تمجید و بهبود فرآیند کیفیت بازرسی بصری، یاد گرفتید. می توانید از SageMaker Canvas با مجموعه داده های تصویری مختلف از محیط تولید خود برای ساخت مدل هایی برای موارد استفاده مانند تعمیر و نگهداری پیش بینی، بازرسی بسته، ایمنی کارگران، ردیابی کالا و موارد دیگر استفاده کنید. SageMaker Canvas به شما این امکان را می دهد که از ML برای ایجاد پیش بینی بدون نیاز به نوشتن کد استفاده کنید و ارزیابی و پذیرش قابلیت های CV ML را تسریع می بخشد.

برای شروع و کسب اطلاعات بیشتر در مورد SageMaker Canvas، به منابع زیر مراجعه کنید:

---

درباره نویسندگان

براجندرا سینگ معمار راه حل در خدمات وب آمازون است که با مشتریان سازمانی کار می کند. او پیشینه توسعه‌دهنده قوی دارد و علاقه‌مند به راه‌حل‌های داده و یادگیری ماشین است.

دنی اسمیت مدیر اصلی، استراتژیست ML برای صنایع خودروسازی و تولیدی است که به عنوان مشاور استراتژیک برای مشتریان خدمت می کند. تمرکز حرفه‌ای او بر کمک به تصمیم‌گیرندگان کلیدی در استفاده از داده‌ها، فناوری و ریاضیات برای تصمیم‌گیری بهتر، از اتاق هیئت مدیره تا طبقه فروشگاه بوده است. اخیراً بیشتر گفتگوهای او در مورد دموکراتیزه کردن یادگیری ماشینی و هوش مصنوعی مولد است.

دیوید گالیتلی یک معمار راه حل های تخصصی برای AI/ML در منطقه EMEA است. او در بروکسل مستقر است و از نزدیک با مشتریان در سرتاسر بنلوکس کار می کند. او از زمانی که خیلی جوان بود یک توسعه دهنده بوده و از سن ۷ سالگی شروع به کدنویسی کرد. او یادگیری AI/ML را در دانشگاه شروع کرد و از آن زمان عاشق آن شد.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/