Demokratisoi tietokonenäkövikojen havaitseminen valmistuslaadun parantamiseksi käyttämällä kooditonta koneoppimista Amazon SageMaker Canvasin avulla | Amazon Web Services

Huonolaatuiset kustannukset on valmistajien mieleen. Laatuvirheet lisäävät romu- ja korjauskustannuksia, vähentävät läpimenoa ja voivat vaikuttaa asiakkaisiin ja yrityksen maineeseen. Laaduntarkastus tuotantolinjalla on ratkaisevan tärkeää laatustandardien ylläpitämiseksi. Monissa tapauksissa ihmisen silmämääräistä tarkastusta käytetään laadun arvioimiseen ja vikojen havaitsemiseen, mikä voi rajoittaa linjan suorituskykyä tarkastajien rajoitusten vuoksi.

Koneoppimisen (ML) ja tekoälyn (AI) tulo tuo lisää visuaalisia tarkastusominaisuuksia käyttämällä tietokonenäön (CV) ML-malleja. Ihmisten suorittaman tarkastuksen täydentäminen CV-pohjaisella ML:llä voi vähentää havaitsemisvirheitä, nopeuttaa tuotantoa, alentaa laatukustannuksia ja vaikuttaa myönteisesti asiakkaisiin. CV ML -mallien rakentaminen vaatii tyypillisesti tietotieteen ja koodauksen asiantuntemusta, jotka ovat usein harvinaisia ​​resursseja valmistusorganisaatioissa. Laatuinsinöörit ja muut myymälässä työskentelevät voivat nyt rakentaa ja arvioida näitä malleja käyttämällä koodittomia ML-palveluita, mikä voi nopeuttaa näiden mallien tutkimista ja käyttöönottoa laajemmin tuotantotoiminnassa.

Amazon SageMaker Canvas on visuaalinen käyttöliittymä, jonka avulla laatu-, prosessi- ja tuotantoinsinöörit voivat luoda tarkkoja ML-ennusteita itse – ilman ML-kokemusta tai yhden koodirivin kirjoittamista. Voit käyttää SageMaker Canvasia luodaksesi yhden tarran kuvien luokittelumalleja yleisten valmistusvirheiden tunnistamiseksi omien kuvatietosarjojesi avulla.

Tässä viestissä opit käyttämään SageMaker Canvasia yhden etiketin kuvan luokittelumallin luomiseen, jotta voidaan tunnistaa valmistettujen magneettisten laattojen viat niiden kuvan perusteella.

Ratkaisun yleiskatsaus

Tämä viesti olettaa laatuinsinöörin näkökulmaa, joka tutkii CV ML -tarkastusta, ja työskentelet magneettisten ruutukuvien näytetietojen kanssa luodaksesi kuvan luokittelun ML-mallin ennustaaksesi laattojen viat laaduntarkistusta varten. Aineisto sisältää yli 1,200 XNUMX kuvaa magneettisista laatoista, joissa on vikoja, kuten ilmareikä, murtuma, halkeama, rispaantuminen ja epätasainen pinta. Seuraavissa kuvissa on esimerkki yhden etiketin vikojen luokittelusta, jossa vasemmalla on halkeama laatta ja oikealla laatta, jossa ei ole vikoja.

Todellisessa esimerkissä voit kerätä tällaisia ​​kuvia tuotantolinjan valmiista tuotteista. Tässä viestissä käytät SageMaker Canvaasta yhden etiketin kuvan luokittelumallin rakentamiseen, joka ennustaa ja luokittelee vikoja tietylle magneettilevykuvalle.

SageMaker Canvas voi tuoda kuvatietoja paikallisesta levytiedostosta tai Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Tätä viestiä varten on luotu useita kansioita (yksi kutakin vikatyyppiä, kuten ilmareikä, katkeaminen tai halkeama) S3-ämpäriin, ja magneettiset laattakuvat ladataan vastaaviin kansioihin. Kansio nimeltä Free sisältää virheettömiä kuvia.

ML-mallin rakentamiseen SageMaker Canvasilla on neljä vaihetta:

1. Tuo kuvien tietojoukko.
2. Rakenna ja kouluta malli.
3. Analysoi mallin oivalluksia, kuten tarkkuutta.
4. Tehdä ennustuksia.

Edellytykset

Ennen kuin aloitat, sinun on määritettävä ja käynnistettävä SageMaker Canvas. Tämän asennuksen suorittaa IT-järjestelmänvalvoja, ja se sisältää kolme vaihetta:

1. Määritä Amazon Sage Maker domain.
2. Määritä käyttäjät.
3. Määritä luvat käyttääksesi tiettyjä SageMaker Canvasin ominaisuuksia.

Mainita Amazon SageMaker Canvasin käytön aloittaminen ja Amazon SageMaker Canvasin määrittäminen ja hallinta (IT-järjestelmänvalvojille) määrittääksesi SageMaker Canvasin organisaatiollesi.

Kun SageMaker Canvas on määritetty, käyttäjä voi navigoida SageMaker-konsoliin, valitse Kangas navigointiruudussa ja valitse Avaa Canvas käynnistää SageMaker Canvas.

SageMaker Canvas -sovellus käynnistetään uudessa selainikkunassa.

Kun SageMaker Canvas -sovellus on käynnistetty, aloitat ML-mallin rakentamisen vaiheet.

Tuo tietojoukko

Tietojoukon tuonti on ensimmäinen vaihe rakennettaessa ML-mallia SageMaker Canvasilla.

1. Valitse SageMaker Canvas -sovelluksessa aineistot navigointipaneelissa.
2. On luoda valikosta, valitse Kuva.
   
3. varten Tietojoukon nimi, kirjoita nimi, kuten Magnetic-Tiles-Dataset.
4. Valita luoda luodaksesi tietojoukon.
   

Kun tietojoukko on luotu, sinun on tuotava tietojoukossa olevat kuvat.

5. On Tuo sivu, valitse Amazon S3 (magneettisten laattojen kuvat ovat S3-ämpärissä).

Voit myös ladata kuvat paikalliselta tietokoneeltasi.

6. Valitse S3-säihön kansio, johon magneettiset ruutukuvat on tallennettu, ja valitse Tuo tiedot.
   

SageMaker Canvas alkaa tuoda kuvia tietojoukkoon. Kun tuonti on valmis, näet kuvatietojoukon, joka on luotu 1,266 XNUMX kuvalla.

Voit valita tietojoukon tarkistaaksesi yksityiskohdat, kuten kuvien esikatselun ja niiden virhetyypin etiketin. Koska kuvat oli järjestetty kansioihin ja jokainen kansio nimettiin virhetyypin mukaan, SageMaker Canvas suoritti kuvien merkitsemisen automaattisesti kansioiden nimien perusteella. Vaihtoehtoisesti voit tuoda nimeämättömiä kuvia, lisätä tarroja ja merkitä yksittäisiä kuvia myöhemmin. Voit myös muokata olemassa olevien merkittyjen kuvien tunnisteita.

Kuvien tuonti on valmis, ja sinulla on nyt SageMaker Canvasissa luotu kuvatietojoukko. Voit siirtyä seuraavaan vaiheeseen rakentaaksesi ML-mallin ennustamaan magneettisten laattojen vikoja.

Rakenna ja kouluta malli

Koulutat mallin tuodun tietojoukon avulla.

1. Valitse tietojoukko (Magnetic-tiles-Dataset) ja valitse Luo malli.
2. varten Mallin nimi, kirjoita nimi, kuten Magnetic-Tiles-Defect-Model.
3. valita Kuvan analyysi ongelman tyypin mukaan ja valitse luoda mallin kokoonpanon määrittämiseen.
   

Mallin päällä Rakentaa -välilehdellä voit nähdä erilaisia ​​tietoja tietojoukosta, kuten tarran jakauman, merkittyjen ja merkitsemättömien kuvien lukumäärän ja myös mallityypin, joka on tässä tapauksessa yhden etiketin kuvan ennuste. Jos olet tuonut merkitsemättömiä kuvia tai haluat muokata tai korjata tiettyjen kuvien tarroja, voit valita Muokkaa tietoaineistoa tarrojen muokkaamiseen.

Voit rakentaa mallin kahdella tavalla: Quick build ja Standard build. Quick build -vaihtoehto asettaa nopeuden etusijalle tarkkuuden edelle. Se kouluttaa mallin 15–30 minuutissa. Mallia voidaan käyttää ennustamiseen, mutta sitä ei voi jakaa. Se on hyvä vaihtoehto nopeasti tarkistaa mallin koulutuksen toteutettavuus ja tarkkuus tietyllä tietojoukolla. Vakiorakenne valitsee tarkkuuden nopeuden sijaan, ja malliharjoittelu voi kestää 2–4 tuntia.

Tätä viestiä varten koulutat mallin käyttämällä Standard build -vaihtoehtoa.

4. Valita Vakiorakenne på den Rakentaa -välilehteä aloittaaksesi mallin harjoittelun.

Mallikoulutus alkaa heti. Näet odotetun rakennusajan ja harjoittelun edistymisen Analysoida Tab.

Odota, kunnes mallin koulutus on valmis, ja sitten voit analysoida mallin suorituskykyä tarkkuuden suhteen.

Analysoi malli

Tässä tapauksessa mallikoulutuksen suorittamiseen meni alle tunti. Kun mallikoulutus on valmis, voit tarkistaa mallin tarkkuuden Analysoida -välilehti määrittääksesi, pystyykö malli ennustamaan vikoja tarkasti. Näet, että mallin yleinen tarkkuus on tässä tapauksessa 97.7 %. Voit myös tarkistaa mallin tarkkuuden kullekin yksittäiselle tarralle tai vikatyypille, esimerkiksi 100 % Fray ja Epätasainen, mutta noin 95 % Blowhole. Tämä tarkkuus on rohkaisevaa, joten voimme jatkaa arviointia.

Ota käyttöön, jotta ymmärrät mallin paremmin ja luotat siihen Lämpökartta nähdäksesi kuvan kiinnostavat alueet, joita malli käyttää tarrojen erottamiseen. Se perustuu luokan aktivointikartan (CAM) tekniikkaan. Lämpökartan avulla voit tunnistaa kuvioita väärin ennustetuista kuvistasi, mikä voi parantaa mallin laatua.

On Pisteytys -välilehdellä voit tarkistaa tarkkuuden ja palauttaa mallin kunkin tarran (tai luokan tai vikatyypin) osalta. Tarkkuus ja muistaminen ovat arviointimittareita, joita käytetään binääri- ja moniluokkaisen luokitusmallin suorituskyvyn mittaamiseen. Tarkkuus kertoo kuinka hyvä malli ennustaa tiettyä luokkaa (tässä esimerkissä vikatyyppi). Recall kertoo kuinka monta kertaa malli pystyi havaitsemaan tietyn luokan.

Mallianalyysi auttaa sinua ymmärtämään mallin tarkkuuden ennen kuin käytät sitä ennustamiseen.

Tehdä ennustuksia

Mallianalyysin jälkeen voit nyt tehdä ennusteita tämän mallin avulla tunnistaaksesi magneettisten laattojen viat.

On Ennustaa välilehden, voit valita Yksittäinen ennuste ja Eräennustus. Yhdellä ennusteella tuot yhden kuvan paikalliselta tietokoneeltasi tai S3-säilöstä tehdäksesi ennusteen viasta. Eräennustuksessa voit tehdä ennusteita useille kuville, jotka on tallennettu SageMaker Canvas -tietojoukkoon. Voit luoda SageMaker Canvasissa erillisen tietojoukon testi- tai päätelmäkuvilla eräennustusta varten. Tässä viestissä käytämme sekä yksittäis- että eräennustetta.

Yksittäistä ennustetta varten Ennustaa välilehti, valitse Yksittäinen ennuste, valitse sitten Tuo kuva ladataksesi testi- tai päätelmäkuvan paikalliselta tietokoneeltasi.

Kun kuva on tuotu, malli tekee ennusteen viasta. Ensimmäinen päätelmä voi kestää muutaman minuutin, koska malli latautuu ensimmäistä kertaa. Mutta kun malli on ladattu, se tekee välittömiä ennusteita kuvista. Näet kuvan ja kunkin tarratyypin ennusteen luottamustason. Esimerkiksi tässä tapauksessa magneettikuvassa ennustetaan olevan epätasainen pintavika ( Uneven etiketti) ja malli on 94% varma siitä.

Vastaavasti voit käyttää muita kuvia tai kuvatietojoukkoa tehdäksesi ennusteita viasta.

Eräennustukseen käytämme nimeämättömien kuvien tietojoukkoa nimeltä Magnetic-Tiles-Test-Dataset lataamalla 12 testikuvaa paikalliselta tietokoneeltasi tietojoukkoon.

On Ennustaa välilehti, valitse Eräennustus Ja valitse Valitse tietojoukko.

Valitse Magnetic-Tiles-Test-Dataset ja valitse Luo ennusteita.

Kaikkien kuvien ennusteiden luominen kestää jonkin aikaa. Kun tila on Valmis, valitse tietojoukkolinkki nähdäksesi ennusteet.

Näet kaikkien kuvien ennusteet luotettavuustasoilla. Voit valita minkä tahansa yksittäisen kuvan nähdäksesi kuvatason ennustustiedot.

Voit ladata ennusteen CSV- tai .zip-tiedostomuodossa työskennelläksesi offline-tilassa. Voit myös tarkistaa ennakoidut tarrat ja lisätä ne harjoitustietojoukkoon. Vahvista ennakoidut tarrat valitsemalla Tarkista ennuste.

Ennustetietojoukossa voit päivittää yksittäisten kuvien tunnisteet, jos et löydä ennustettua tunnistetta oikein. Kun olet päivittänyt tarrat tarpeen mukaan, valitse Lisää koulutettuun tietojoukkoon yhdistääksesi kuvat harjoitustietojoukkoon (tässä esimerkissä Magnetic-Tiles-Dataset).

Tämä päivittää harjoitustietojoukon, joka sisältää sekä nykyiset harjoituskuvasi että uudet kuvat ennakoiduilla tunnisteilla. Voit kouluttaa uuden malliversion päivitetyn tietojoukon avulla ja mahdollisesti parantaa mallin suorituskykyä. Uusi malliversio ei ole inkrementaalinen koulutus, vaan uusi harjoittelu alusta alkaen päivitetyn tietojoukon kanssa. Tämä auttaa pitämään mallin päivitettynä uusilla tietolähteillä.

Puhdistaa

Kun olet suorittanut työsi SageMaker Canvasilla, valitse Kirjaudu ulos istunnon sulkemiseksi ja lisäkulujen välttämiseksi.

Kun kirjaudut ulos, työsi, kuten tietojoukot ja mallit, pysyvät tallennettuina, ja voit käynnistää SageMaker Canvas -istunnon uudelleen jatkaaksesi työtä myöhemmin.

SageMaker Canvas luo asynkronisen SageMaker-päätepisteen ennusteiden luomista varten. Jos haluat poistaa SageMaker Canvasin luoman päätepisteen, päätepistemäärityksen ja mallin, katso Poista päätepisteet ja resurssit.

Yhteenveto

Tässä viestissä opit käyttämään SageMaker Canvaasia kuvien luokittelumallin rakentamiseen, joka ennustaa valmistettujen tuotteiden viat, täydentää ja parantaa visuaalisen tarkastuksen laatuprosessia. Voit käyttää SageMaker Canvaa erilaisten kuvatietosarjojen kanssa valmistusympäristöstäsi mallien rakentamiseen käyttötapauksiin, kuten ennakoivaan ylläpitoon, pakkausten tarkastukseen, työntekijöiden turvallisuuteen, tavaroiden seurantaan ja muihin. SageMaker Canvas antaa sinulle mahdollisuuden käyttää ML:ää ennusteiden luomiseen ilman koodin kirjoittamista, mikä nopeuttaa CV ML -ominaisuuksien arviointia ja käyttöönottoa.

Aloita ja saat lisätietoja SageMaker Canvasista tutustumalla seuraaviin resursseihin:

---

Tietoja kirjoittajista

Brajendra Singh on Amazon Web Servicesin ratkaisuarkkitehti, joka työskentelee yritysasiakkaiden kanssa. Hänellä on vahva kehittäjätausta ja hän on innokas tieto- ja koneoppimisratkaisujen innostaja.

Danny Smith on rehtori, auto- ja valmistusteollisuuden ML-strategi, joka toimii asiakkaiden strategisena neuvonantajana. Hänen uransa painopiste on ollut auttamaan keskeisiä päättäjiä hyödyntämään dataa, teknologiaa ja matematiikkaa tehdäkseen parempia päätöksiä neuvotteluhuoneesta työhuoneeseen. Viime aikoina suurin osa hänen keskusteluistaan ​​liittyy koneoppimisen demokratisoimiseen ja generatiiviseen tekoälyyn.

Davide Gallitelli on AI/ML:n erikoisratkaisuarkkitehti EMEA-alueella. Hänen kotipaikkansa on Bryssel ja työskentelee tiiviisti asiakkaiden kanssa kaikkialla Benelux-maissa. Hän on ollut kehittäjä pienestä pitäen, aloitti koodaamisen 7-vuotiaana. Hän aloitti tekoälyn/ML:n opiskelun yliopistossa ja on siitä lähtien rakastunut siihen.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/