Démocratisez la détection des défauts de vision par ordinateur pour la qualité de la fabrication à l'aide de l'apprentissage automatique sans code avec Amazon SageMaker Canvas | Services Web Amazon

Coût de mauvaise qualité est une priorité pour les fabricants. Les défauts de qualité augmentent les coûts de rebut et de reprise, diminuent le débit et peuvent avoir un impact sur la réputation des clients et de l'entreprise. L'inspection de la qualité sur la chaîne de production est cruciale pour maintenir les normes de qualité. Dans de nombreux cas, l'inspection visuelle humaine est utilisée pour évaluer la qualité et détecter les défauts, ce qui peut limiter le débit de la ligne en raison des limitations des inspecteurs humains.

L'avènement de l'apprentissage automatique (ML) et de l'intelligence artificielle (IA) apporte des capacités d'inspection visuelle supplémentaires à l'aide de modèles ML de vision par ordinateur (CV). Compléter l'inspection humaine avec le ML basé sur le CV peut réduire les erreurs de détection, accélérer la production, réduire le coût de la qualité et avoir un impact positif sur les clients. La création de modèles CV ML nécessite généralement une expertise en science des données et en codage, qui sont souvent des ressources rares dans les organisations de fabrication. Désormais, les ingénieurs qualité et d'autres personnes de l'atelier peuvent créer et évaluer ces modèles à l'aide de services ML sans code, ce qui peut accélérer l'exploration et l'adoption de ces modèles à plus grande échelle dans les opérations de fabrication.

Toile Amazon SageMaker est une interface visuelle qui permet aux ingénieurs qualité, processus et production de générer eux-mêmes des prédictions ML précises, sans nécessiter d'expérience en ML ni avoir à écrire une seule ligne de code. Vous pouvez utiliser SageMaker Canvas pour créer des modèles de classification d'images à une seule étiquette afin d'identifier les défauts de fabrication courants à l'aide de vos propres ensembles de données d'images.

Dans cet article, vous apprendrez à utiliser SageMaker Canvas pour créer un modèle de classification d'image à étiquette unique afin d'identifier les défauts des carreaux magnétiques fabriqués en fonction de leur image.

Vue d'ensemble de la solution

Cet article adopte le point de vue d'un ingénieur qualité explorant l'inspection CV ML, et vous travaillerez avec des exemples de données d'images de tuiles magnétiques pour créer un modèle ML de classification d'image afin de prédire les défauts des tuiles pour le contrôle de qualité. L'ensemble de données contient plus de 1,200 XNUMX images de tuiles magnétiques, qui présentent des défauts tels que soufflure, cassure, fissure, effilochage et surface inégale. Les images suivantes fournissent un exemple de classification des défauts à étiquette unique, avec une tuile fissurée à gauche et une tuile exempte de défauts à droite.

Dans un exemple concret, vous pouvez collecter de telles images à partir des produits finis de la chaîne de production. Dans cet article, vous utilisez SageMaker Canvas pour créer un modèle de classification d'image à étiquette unique qui prédira et classifiera les défauts pour une image de carreau magnétique donnée.

SageMaker Canvas peut importer des données d'image à partir d'un fichier de disque local ou Service de stockage simple Amazon (Amazon S3). Pour cet article, plusieurs dossiers ont été créés (un par type de défaut, tel qu'une soufflure, une cassure ou une fissure) dans un compartiment S3, et les images de tuiles magnétiques sont téléchargées dans leurs dossiers respectifs. Le dossier nommé Free contient des images sans défaut.

La construction du modèle ML à l'aide de SageMaker Canvas comporte quatre étapes :

1. Importez le jeu de données des images.
2. Construisez et entraînez le modèle.
3. Analysez les informations du modèle, telles que la précision.
4. Faire des prédictions.

Pré-requis

Avant de commencer, vous devez configurer et lancer SageMaker Canvas. Cette configuration est effectuée par un administrateur informatique et comporte trois étapes :

1. Mettre en place un Amazon Sage Maker domaine.
2. Configurez les utilisateurs.
3. Configurez des autorisations pour utiliser des fonctionnalités spécifiques dans SageMaker Canvas.

Reportez-vous à Premiers pas avec Amazon SageMaker Canvas et les Configuration et gestion d'Amazon SageMaker Canvas (pour les administrateurs informatiques) pour configurer SageMaker Canvas pour votre organisation.

Lorsque SageMaker Canvas est configuré, l'utilisateur peut accéder à la console SageMaker, choisir Toile dans le volet de navigation, puis choisissez Ouvrir le canevas pour lancer SageMaker Canvas.

L'application SageMaker Canvas est lancée dans une nouvelle fenêtre de navigateur.

Une fois l'application SageMaker Canvas lancée, vous commencez les étapes de création du modèle ML.

Importer le jeu de données

L'importation de l'ensemble de données est la première étape lors de la création d'un modèle ML avec SageMaker Canvas.

1. Dans l'application SageMaker Canvas, choisissez Jeux de données dans le volet de navigation.
2. Sur le Création menu, choisissez Image(s).
   
3. Pour Nom du jeu de données, entrez un nom, tel que Magnetic-Tiles-Dataset.
4. Selectionnez Création pour créer le jeu de données.
   

Une fois le jeu de données créé, vous devez importer des images dans le jeu de données.

5. Sur le L’ page, choisissez Amazon S3 (les images des tuiles magnétiques sont dans un compartiment S3).

Vous avez également le choix de télécharger les images depuis votre ordinateur local.

6. Sélectionnez le dossier dans le compartiment S3 où les images de tuiles magnétiques sont stockées et choisissez Importer des données.
   

SageMaker Canvas commence à importer les images dans le jeu de données. Une fois l'importation terminée, vous pouvez voir le jeu de données d'images créé avec 1,266 XNUMX images.

Vous pouvez choisir le jeu de données pour vérifier les détails, comme un aperçu des images et leur étiquette pour le type de défaut. Étant donné que les images étaient organisées en dossiers et que chaque dossier était nommé avec le type de défaut, SageMaker Canvas a automatiquement complété l'étiquetage des images en fonction des noms de dossier. Comme alternative, vous pouvez importer des images sans étiquette, ajouter des étiquettes et effectuer l'étiquetage des images individuelles ultérieurement. Vous pouvez également modifier les étiquettes des images étiquetées existantes.

L'importation d'images est terminée et vous disposez maintenant d'un jeu de données d'images créé dans SageMaker Canvas. Vous pouvez passer à l'étape suivante pour créer un modèle ML afin de prédire les défauts dans les tuiles magnétiques.

Construire et entraîner le modèle

Vous entraînez le modèle à l'aide du jeu de données importé.

1. Choisissez le jeu de données (Magnetic-tiles-Dataset) et choisissez Créer un modèle.
2. Pour Nom du modèle, entrez un nom, tel que Magnetic-Tiles-Defect-Model.
3. Sélectionnez L'analyse d'image pour le type de problème et choisissez Création pour configurer la construction du modèle.
   

Sur le modèle Développer , vous pouvez voir divers détails sur l'ensemble de données, tels que la distribution des étiquettes, le nombre d'images étiquetées par rapport aux images non étiquetées, ainsi que le type de modèle, qui est la prédiction d'image à étiquette unique dans ce cas. Si vous avez importé des images sans étiquette ou si vous souhaitez modifier ou corriger les étiquettes de certaines images, vous pouvez choisir Modifier l'ensemble de données pour modifier les étiquettes.

Vous pouvez créer un modèle de deux manières : création rapide et création standard. L'option de construction rapide privilégie la vitesse à la précision. Il entraîne le modèle en 15 à 30 minutes. Le modèle peut être utilisé pour la prédiction, mais il ne peut pas être partagé. C'est une bonne option pour vérifier rapidement la faisabilité et la précision de la formation d'un modèle avec un jeu de données donné. La version standard choisit la précision plutôt que la vitesse, et la formation du modèle peut prendre entre 2 et 4 heures.

Pour cet article, vous entraînez le modèle à l'aide de l'option de construction standard.

4. Selectionnez Construction standard sur le Développer pour commencer l'apprentissage du modèle.

La formation du modèle démarre instantanément. Vous pouvez voir le temps de construction prévu et la progression de la formation sur le Analysez languette.

Attendez que la formation du modèle soit terminée, vous pourrez alors analyser les performances du modèle pour en vérifier la précision.

Analyser le modèle

Dans ce cas, il a fallu moins d'une heure pour terminer la formation du modèle. Lorsque la formation du modèle est terminée, vous pouvez vérifier la précision du modèle sur le Analysez pour déterminer si le modèle peut prédire avec précision les défauts. Vous voyez que la précision globale du modèle est de 97.7 % dans ce cas. Vous pouvez également vérifier la précision du modèle pour chaque type d'étiquette ou de défaut, par exemple 100 % pour Fray et Uneven, mais environ 95 % pour Blowhole. Ce niveau de précision est encourageant, nous pouvons donc poursuivre l'évaluation.

Pour mieux comprendre et faire confiance au modèle, activez Heatmap pour voir les zones d'intérêt dans l'image que le modèle utilise pour différencier les étiquettes. Il est basé sur la technique de la carte d'activation de classe (CAM). Vous pouvez utiliser la carte thermique pour identifier des modèles à partir de vos images mal prédites, ce qui peut aider à améliorer la qualité de votre modèle.

Sur le Scoring , vous pouvez vérifier la précision et le rappel du modèle pour chacune des étiquettes (ou classe ou type de défaut). La précision et le rappel sont des mesures d'évaluation utilisées pour mesurer les performances d'un modèle de classification binaire et multiclasse. La précision indique la capacité du modèle à prédire une classe spécifique (type de défaut, dans cet exemple). Le rappel indique combien de fois le modèle a pu détecter une classe spécifique.

L'analyse de modèle vous aide à comprendre la précision du modèle avant de l'utiliser pour la prédiction.

Faire des prédictions

Après l'analyse du modèle, vous pouvez maintenant faire des prédictions à l'aide de ce modèle pour identifier les défauts dans les tuiles magnétiques.

Sur le Prédire onglet, vous pouvez choisir Prédiction unique et les Prédiction par lots. Dans une prédiction unique, vous importez une image unique à partir de votre ordinateur local ou de votre compartiment S3 pour faire une prédiction sur le défaut. Dans la prédiction par lots, vous pouvez effectuer des prédictions pour plusieurs images stockées dans un jeu de données SageMaker Canvas. Vous pouvez créer un ensemble de données distinct dans SageMaker Canvas avec les images de test ou d'inférence pour la prédiction par lots. Pour cet article, nous utilisons à la fois la prédiction unique et la prédiction par lots.

Pour une prédiction simple, sur le Prédire onglet, choisissez Prédiction unique, Puis choisissez Importer une image pour télécharger l'image de test ou d'inférence depuis votre ordinateur local.

Une fois l'image importée, le modèle fait une prédiction sur le défaut. Pour la première inférence, cela peut prendre quelques minutes car le modèle se charge pour la première fois. Mais une fois le modèle chargé, il fait des prédictions instantanées sur les images. Vous pouvez voir l'image et le niveau de confiance de la prédiction pour chaque type d'étiquette. Par exemple, dans ce cas, l'image du carreau magnétique devrait présenter un défaut de surface irrégulier (le Uneven label) et le modèle en est convaincu à 94 %.

De même, vous pouvez utiliser d'autres images ou un ensemble de données d'images pour faire des prédictions sur le défaut.

Pour la prédiction par lots, nous utilisons le jeu de données d'images non étiquetées appelé Magnetic-Tiles-Test-Dataset en téléchargeant 12 images de test de votre ordinateur local vers l'ensemble de données.

Sur le Prédire onglet, choisissez Prédiction par lots et choisissez Sélectionnez un jeu de données.

Sélectionnez le Magnetic-Tiles-Test-Dataset jeu de données et choisissez Générer des prédictions.

Il faudra un certain temps pour générer les prédictions pour toutes les images. Lorsque le statut est Prêt à fonctionner, choisissez le lien de l'ensemble de données pour voir les prédictions.

Vous pouvez voir les prédictions pour toutes les images avec des niveaux de confiance. Vous pouvez choisir l'une des images individuelles pour voir les détails de prédiction au niveau de l'image.

Vous pouvez télécharger la prédiction au format de fichier CSV ou .zip pour travailler hors ligne. Vous pouvez également vérifier les étiquettes prédites et les ajouter à votre jeu de données d'entraînement. Pour vérifier les libellés prédits, choisissez Vérifier la prédiction.

Dans l'ensemble de données de prédiction, vous pouvez mettre à jour les étiquettes des images individuelles si vous ne trouvez pas l'étiquette prédite correcte. Lorsque vous avez mis à jour les libellés selon vos besoins, choisissez Ajouter à l'ensemble de données formé pour fusionner les images dans votre ensemble de données d'entraînement (dans cet exemple, Magnetic-Tiles-Dataset).

Cela met à jour l'ensemble de données d'entraînement, qui inclut à la fois vos images d'entraînement existantes et les nouvelles images avec des étiquettes prédites. Vous pouvez former une nouvelle version de modèle avec le jeu de données mis à jour et éventuellement améliorer les performances du modèle. La nouvelle version du modèle ne sera pas une formation incrémentielle, mais une nouvelle formation à partir de zéro avec l'ensemble de données mis à jour. Cela permet de maintenir le modèle actualisé avec de nouvelles sources de données.

Nettoyer

Après avoir terminé votre travail avec SageMaker Canvas, choisissez Déconnexion pour clore la session et éviter tout surcoût.

Lorsque vous vous déconnectez, votre travail, tel que les jeux de données et les modèles, reste enregistré et vous pouvez relancer une session SageMaker Canvas pour continuer le travail ultérieurement.

SageMaker Canvas crée un point de terminaison SageMaker asynchrone pour générer les prédictions. Pour supprimer le point de terminaison, la configuration du point de terminaison et le modèle créés par SageMaker Canvas, reportez-vous à Supprimer des terminaux et des ressources.

Conclusion

Dans cet article, vous avez appris à utiliser SageMaker Canvas pour créer un modèle de classification d'images afin de prédire les défauts des produits manufacturés, afin de compléter et d'améliorer le processus de qualité de l'inspection visuelle. Vous pouvez utiliser SageMaker Canvas avec différents ensembles de données d'images de votre environnement de fabrication pour créer des modèles pour des cas d'utilisation tels que la maintenance prédictive, l'inspection des emballages, la sécurité des travailleurs, le suivi des marchandises, etc. SageMaker Canvas vous donne la possibilité d'utiliser ML pour générer des prédictions sans avoir besoin d'écrire de code, ce qui accélère l'évaluation et l'adoption des capacités de CV ML.

Pour commencer et en savoir plus sur SageMaker Canvas, consultez les ressources suivantes :

---

À propos des auteurs

Brajendra Singh est architecte de solutions chez Amazon Web Services travaillant avec des entreprises clientes. Il possède une solide expérience en tant que développeur et est un passionné des solutions de données et d'apprentissage automatique.

Danny Smith est principal, stratège ML pour les industries automobiles et manufacturières, agissant en tant que conseiller stratégique pour les clients. Sa carrière a consisté à aider les décideurs clés à tirer parti des données, de la technologie et des mathématiques pour prendre de meilleures décisions, de la salle du conseil à l'atelier. Dernièrement, la plupart de ses conversations portent sur la démocratisation de l'apprentissage automatique et de l'IA générative.

David Gallitelli est un architecte de solutions spécialisé pour l'IA/ML dans la région EMEA. Il est basé à Bruxelles et travaille en étroite collaboration avec des clients dans tout le Benelux. Il est développeur depuis qu'il est très jeune et a commencé à coder à l'âge de 7 ans. Il a commencé à apprendre l'IA/ML à l'université et en est tombé amoureux depuis.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
• La source: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/