Selon Gartner, l'hyperautomatisation est la tendance numéro un en 2022 et continuera de progresser à l'avenir. L'un des principaux obstacles à l'hyperautomatisation se situe dans les domaines où nous luttons encore pour réduire l'implication humaine. Les systèmes intelligents ont du mal à égaler les capacités de reconnaissance visuelle humaine, malgré de grands progrès dans l'apprentissage en profondeur de la vision par ordinateur. Cela est principalement dû au manque de données annotées (ou lorsque les données sont rares) et dans des domaines tels que le contrôle de la qualité, où les yeux humains entraînés dominent encore. Une autre raison est la faisabilité de l'accès humain dans tous les domaines de la chaîne d'approvisionnement du produit, comme l'inspection du contrôle qualité sur la chaîne de production. L'inspection visuelle est largement utilisée pour effectuer une évaluation interne et externe de divers équipements dans une installation de production, tels que des réservoirs de stockage, des récipients sous pression, des tuyauteries, des distributeurs automatiques et d'autres équipements, qui s'étendent à de nombreuses industries, telles que l'électronique, le médical, CPG, et des matières premières et plus encore.
L'utilisation de l'intelligence artificielle (IA) pour l'inspection visuelle automatisée ou l'augmentation du processus d'inspection visuelle humaine avec l'IA peut aider à relever les défis décrits ci-dessous.
Défis de l'inspection visuelle humaine
L'inspection visuelle dirigée par l'homme présente les problèmes de haut niveau suivants :
- Escaliers intérieurs – La plupart des produits passent par plusieurs étapes, de l'assemblage à la chaîne d'approvisionnement en passant par le contrôle qualité, avant d'être mis à la disposition du consommateur final. Des défauts peuvent survenir au cours du processus de fabrication ou d'assemblage à différents moments dans l'espace et dans le temps. Par conséquent, il n'est pas toujours possible ou rentable d'utiliser l'inspection visuelle humaine en personne. Cette incapacité à évoluer peut entraîner des catastrophes telles que la Marée noire de BP Deepwater Horizon ainsi que Explosion de la navette spatiale Challenger, dont l'impact négatif global (pour les humains et la nature) dépasse largement le coût monétaire.
- Erreur visuelle humaine – Dans les zones où l'inspection visuelle dirigée par l'homme peut être facilement effectuée, l'erreur humaine est un facteur majeur qui est souvent négligé. Selon ce qui suit rapport, la plupart des tâches d'inspection sont complexes et présentent généralement des taux d'erreur de 20 à 30 %, ce qui se traduit directement par des coûts et des résultats indésirables.
- Frais de personnel et frais divers – Bien que le coût global du contrôle qualité puisse varier considérablement selon l'industrie et le lieu, selon certains estimations, le salaire d'un inspecteur qualité formé varie entre 26,000 60,000 et XNUMX XNUMX $ (USD) par an. Il existe également d'autres coûts divers qui ne sont pas toujours pris en compte.
SageMaker JumpStart est un excellent endroit pour commencer avec divers Amazon Sage Maker fonctionnalités et capacités grâce à des solutions en un clic, des exemples de blocs-notes et des modèles de données préformés de vision par ordinateur, de traitement du langage naturel et tabulaires que les utilisateurs peuvent choisir, ajuster (si nécessaire) et déployer à l'aide de l'infrastructure AWS SageMaker.
Dans cet article, nous expliquons comment déployer rapidement une solution de détection automatisée des défauts, de l'ingestion de données à l'inférence de modèle, en utilisant un ensemble de données accessible au public et SageMaker JumpStart.
Vue d'ensemble de la solution
Cette solution utilise une approche d'apprentissage en profondeur de pointe pour détecter automatiquement les défauts de surface à l'aide de SageMaker. Le réseau de détection des défauts ou Modèle DDN améliore le R-CNN plus rapide et identifie les défauts possibles dans une image d'une surface en acier. La Base de données des défauts de surface NEU, est un ensemble de données équilibré qui contient six types de défauts de surface typiques d'une bande d'acier laminée à chaud : calamine laminée (RS), patchs (Pa), craquelures (Cr), surface piquée (PS), inclusion (In), et rayures (Sc). La base de données comprend 1,800 300 images en niveaux de gris : XNUMX échantillons de chaque type de défaut.
Contenu
La solution JumpStart contient les artefacts suivants, qui sont disponibles à partir du Navigateur de fichiers JupyterLab:
- formation de nuages/ - AWS CloudFormation fichiers de configuration pour créer des ressources SageMaker pertinentes et appliquer des autorisations. Comprend également des scripts de nettoyage pour supprimer les ressources créées.
- src / – Contient les éléments suivants :
- préparer_données/ – Préparation des données pour les ensembles de données NEU.
- sagemaker_defect_detection/ – Package principal contenant les éléments suivants :
- jeu de données – Contient la gestion des ensembles de données NEU.
- numériques jumeaux (digital twin models) - Contient un système d'inspection automatisée des défauts (ADI) appelé réseau de détection des défauts. Voir ce qui suit papier pour en savoir plus.
- utils – Divers utilitaires pour la visualisation et l'évaluation COCO.
- classificateur.py – Pour la tâche de classification.
- detecteur.py – Pour la tâche de détection.
- transforme.py – Contient les transformations d'image utilisées dans la formation.
- des cahiers/ – Les cahiers individuels, discutés plus en détail plus loin dans cet article.
- scripts / – Divers scripts pour la formation et la construction.
Jeu de données par défaut
Cette solution forme un classifieur sur le jeu de données NEU-CLS et un détecteur sur le jeu de données NEU-DET. Ce jeu de données contient 1800 images et 4189 boîtes englobantes au total. Les types de défauts dans notre jeu de données sont les suivants :
- Crazing (classe :
Cr
, étiquette : 0) - Inclusion (classe :
In
, étiquette : 1) - Surface piquée (classe :
PS
, étiquette : 2) - Patches (classe : Pa, étiquette : 3)
- Balance roulée (classe :
RS
, étiquette : 4) - Rayures (classe :
Sc
, étiquette : 5)
Voici des exemples d'images des six classes.
Les images suivantes sont des exemples de résultats de détection. De gauche à droite, nous avons l'image d'origine, la détection de vérité terrain et la sortie du modèle SageMaker DDN.
Architecture
La solution JumpStart est livrée préemballée avec Amazon SageMakerStudio des blocs-notes qui téléchargent les ensembles de données requis et contiennent le code et les fonctions d'assistance pour la formation du ou des modèles et le déploiement à l'aide d'un point de terminaison SageMaker en temps réel.
Tous les blocs-notes téléchargent l'ensemble de données à partir d'un public Service de stockage simple Amazon (Amazon S3) compartiment et fonctions d'assistance à l'importation pour visualiser les images. Les blocs-notes permettent à l'utilisateur de personnaliser la solution, comme les hyperparamètres pour la formation de modèles ou d'effectuer transférer l'apprentissage si vous choisissez d'utiliser la solution pour votre cas d'utilisation de détection de défauts.
La solution contient les quatre blocs-notes Studio suivants :
- 0_demo.ipynb – Crée un objet modèle à partir d'un modèle DDN préformé sur l'ensemble de données NEU-DET et le déploie derrière un point de terminaison SageMaker en temps réel. Ensuite, nous envoyons des échantillons d'images avec des défauts pour la détection et visualisons les résultats.
- 1_retrain_from_checkpoint.ipynb – Retraine notre détecteur pré-formé pour quelques époques supplémentaires et compare les résultats. Vous pouvez également apporter votre propre ensemble de données ; cependant, nous utilisons le même jeu de données dans le bloc-notes. Une étape est également incluse pour effectuer un apprentissage par transfert en affinant le modèle pré-formé. Le réglage fin d'un modèle d'apprentissage en profondeur sur une tâche particulière implique l'utilisation des pondérations apprises à partir d'un ensemble de données particulier pour améliorer les performances du modèle sur un autre ensemble de données. Vous pouvez également effectuer un réglage fin sur le même ensemble de données utilisé lors de la formation initiale, mais peut-être avec des hyperparamètres différents.
- 2_detector_from_scratch.ipynb – Entraîne notre détecteur à partir de zéro pour identifier si des défauts existent dans une image.
- 3_classification_from_scratch.ipynb – Entraîne notre classificateur à partir de zéro pour classer le type de défaut dans une image.
Chaque bloc-notes contient un code passe-partout qui déploie un SageMaker point de terminaison en temps réel pour l'inférence de modèle. Vous pouvez afficher la liste des blocs-notes en accédant au navigateur de fichiers JupyterLab et en naviguant vers le dossier « notebooks » dans le répertoire de la solution JumpStart ou en cliquant sur « Ouvrir le bloc-notes » sur la solution JumpStart, en particulier la page de la solution « Détection des défauts du produit » (voir ci-dessous ).
Pré-requis
La solution décrite dans cet article fait partie de Amazon SageMaker JumpStart. Pour exécuter cette solution SageMaker JumpStart 1P et déployer l'infrastructure sur votre compte AWS, vous devez créer une instance Amazon SageMaker Studio active (voir Intégrer au domaine Amazon SageMaker).
Début de saut les fonctionnalités ne sont pas disponibles dans les instances de bloc-notes SageMaker et vous ne pouvez pas y accéder via le Interface de ligne de commande AWS (AWS CLI).
Déployez la solution
Nous fournissons des vidéos de présentation pour les étapes de haut niveau de cette solution. Pour commencer, lancez SageMaker JumpStart et choisissez le Détection des défauts du produit solution sur le Solutions languette.
Les blocs-notes SageMaker fournis téléchargent les données d'entrée et lancent les étapes ultérieures. Les données d'entrée sont situées dans un compartiment S3.
Nous formons les modèles de classificateur et de détecteur et évaluons les résultats dans SageMaker. Si vous le souhaitez, vous pouvez déployer les modèles formés et créer des points de terminaison SageMaker.
Le point de terminaison SageMaker créé à l'étape précédente est un Point de terminaison HTTPS et est capable de produire des prédictions.
Vous pouvez surveiller la formation et le déploiement du modèle via Amazon Cloud Watch.
Nettoyer
Lorsque vous avez terminé avec cette solution, assurez-vous de supprimer toutes les ressources AWS indésirables. Vous pouvez utiliser AWS CloudFormation pour supprimer automatiquement toutes les ressources standard créées par la solution et le bloc-notes. Sur la console AWS CloudFormation, supprimez la pile parent. La suppression de la pile parente supprime automatiquement les piles imbriquées.
Vous devez supprimer manuellement toutes les ressources supplémentaires que vous avez éventuellement créées dans ce bloc-notes, telles que des compartiments S3 supplémentaires en plus du compartiment par défaut de la solution ou des points de terminaison SageMaker supplémentaires (en utilisant un nom personnalisé).
Conclusion
Dans cet article, nous avons présenté une solution utilisant SageMaker JumpStart pour résoudre les problèmes liés à l'état actuel de l'inspection visuelle, du contrôle qualité et de la détection des défauts dans diverses industries. Nous avons recommandé une nouvelle approche appelée système d'inspection automatisée des défauts construit à l'aide d'un pré-formé Modèle DDN pour la détection de défauts sur des surfaces en acier. Après avoir lancé la solution JumpStart et téléchargé les ensembles de données NEU publics, vous avez déployé un modèle pré-entraîné derrière un point de terminaison en temps réel SageMaker et analysé les métriques du point de terminaison à l'aide de CloudWatch. Nous avons également discuté d'autres fonctionnalités de la solution JumpStart, telles que la manière d'apporter vos propres données d'entraînement, d'effectuer un apprentissage par transfert et de recycler le détecteur et le classificateur.
Essayez ceci Solution JumpStart sur SageMaker Studio, soit en réentraînant le modèle existant sur un nouvel ensemble de données pour la détection des défauts, soit en choisissant dans la bibliothèque de SageMaker JumpStart modèles de vision par ordinateur, Modèles PNL or modèles tabulaires et déployez-les pour votre cas d'utilisation spécifique.
À propos des auteurs
Vedant Jaïn est un architecte de solutions spécialiste principal en IA/ML, qui aide les clients à tirer parti de l'écosystème d'apprentissage automatique d'AWS. Avant de rejoindre AWS, Vedant a occupé des postes de spécialité ML/Data Science dans diverses sociétés telles que Databricks, Hortonworks (maintenant Cloudera) et JP Morgan Chase. En dehors de son travail, Vedant est passionné par la musique, utilise la science pour mener une vie pleine de sens et explore la délicieuse cuisine végétarienne du monde entier.
Tao Soleil est un scientifique appliqué chez AWS. Il a obtenu son doctorat. en informatique de l'Université du Massachusetts, Amherst. Ses intérêts de recherche portent sur l'apprentissage par renforcement profond et la modélisation probabiliste. Il a contribué à AWS DeepRacer, AWS DeepComposer. Il aime la danse de salon et la lecture pendant son temps libre.
- Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
- Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
- CryptoHawk. Radar Altcoins. Essai gratuit.
- Source : https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- capacités
- Qui sommes-nous
- accès
- Selon
- Compte
- infection
- ajout
- propos
- progrès
- AI
- Tous
- Bien que
- toujours
- Amazon
- Une autre
- appliqué
- Appliquer
- une approche
- autour
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- Assemblée
- Évaluation de risque climatique
- Automatisation
- automatiquement
- Automation
- disponibles
- AWS
- obstacles
- before
- derrière
- va
- ci-dessous
- jusqu'à XNUMX fois
- apporter
- navigateur
- Développement
- capacités
- capable
- maisons
- chaîne
- globaux
- chasse
- Selectionnez
- classe
- les classes
- classification
- code
- Sociétés
- complexe
- ordinateur
- Informatique
- configuration
- Console
- consommateur
- contient
- continuer
- contribué
- des bactéries
- contrôles
- rentable
- Costs
- engendrent
- créée
- crée des
- organisée
- Courant
- État actuel
- Customiser
- Clients
- personnaliser
- données
- Base de données
- profond
- Selon
- déployer
- déployé
- déploiement
- déploie
- Malgré
- détail
- détails
- Détection
- différent
- directement
- catastrophes
- distance
- domaine
- download
- pendant
- chacun
- risque numérique
- Electronique
- Endpoint
- l'équipements
- évaluer
- évaluation
- exemple
- exposer
- existant
- se développe
- Facilité
- Fonctionnalités:
- Abonnement
- suit
- de
- fonctions
- avenir
- aller
- Niveaux de gris
- l'
- considérablement
- Maniabilité
- aider
- aider
- horizon
- Comment
- How To
- Cependant
- HTTPS
- humain
- Les êtres humains
- identifier
- image
- satellite
- Impact
- inclus
- inclut
- inclusion
- individuel
- secteurs
- industrie
- Infrastructure
- contribution
- instance
- Intelligence
- Intelligent
- intérêts
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- joindre
- JP Morgan
- JP Morgan Chase
- Libellé
- langue
- lancer
- lancé
- conduire
- savant
- apprentissage
- Bibliothèque
- Gamme
- Liste
- emplacement
- click
- machine learning
- Les machines
- LES PLANTES
- majeur
- faire
- Fabrication
- manuellement
- fabrication
- Massachusetts
- assorti
- matières premières.
- significative
- médical
- Métrique
- modèle
- numériques jumeaux (digital twin models)
- Monétaire
- Surveiller
- PLUS
- Morgan
- (en fait, presque toutes)
- plusieurs
- Musique
- NASA
- Nature
- Nature
- navigation
- négatif
- réseau et
- cahier
- nombre
- obtenu
- Huile
- original
- Autre
- global
- propre
- paquet
- partie
- particulier
- passionné
- Patches
- performant
- effectuer
- être
- des notes bonus
- possible
- Prédictions
- la parfaite pression
- précédent
- processus
- traitement
- Produit
- Vidéo
- Produits
- fournir
- à condition de
- public
- qualité
- vite.
- Tarifs
- raw
- en cours
- en temps réel
- réduire
- pertinent
- conditions
- un article
- Ressources
- Résultats
- Courir
- salaire
- même
- SC
- Escaliers intérieurs
- Sciences
- Scientifique
- étapes
- SIX
- sur mesure
- Solutions
- quelques
- Space
- spécialiste
- Hébergement spécial
- groupe de neurones
- spécifiquement
- empiler
- étapes
- Standard
- Commencer
- j'ai commencé
- Région
- state-of-the-art
- Encore
- storage
- studio
- la quantité
- chaîne d'approvisionnement
- Surface
- combustion propre
- Système
- tâches
- Les
- le monde
- donc
- Avec
- fiable
- Formation
- les trains
- transférer
- transformations
- typiquement
- université
- USD
- utilisé
- utilisateurs
- les services publics
- Plus-value
- divers
- Vidéos
- Voir
- vision
- visualisation
- Wikipédia
- Activités principales
- world
- an
- Votre