Demokratizálja a számítógépes látáshiba-észlelést a gyártási minőség érdekében kód nélküli gépi tanulással az Amazon SageMaker Canvas segítségével | Amazon webszolgáltatások

Rossz minőség költsége a gyártók számára a legfontosabb. A minőségi hibák növelik a selejtezési és utómunkálati költségeket, csökkentik a teljesítményt, és hatással lehetnek az ügyfelekre és a vállalat hírnevére. A gyártósoron végzett minőségellenőrzés kulcsfontosságú a minőségi szabványok betartása szempontjából. Sok esetben emberi szemrevételezést alkalmaznak a minőség értékelésére és a hibák felderítésére, amelyek az emberi ellenőrök korlátai miatt korlátozhatják a vonal teljesítményét.

A gépi tanulás (ML) és a mesterséges intelligencia (AI) megjelenése további vizuális ellenőrzési lehetőségeket hoz a számítógépes látás (CV) ML modellek segítségével. Az emberi ellenőrzés kiegészítése az önéletrajz-alapú ML-szel csökkentheti az észlelési hibákat, felgyorsíthatja a gyártást, csökkentheti a minőség költségeit, és pozitív hatással lehet az ügyfelekre. A CV ML modellek felépítése jellemzően az adattudomány és a kódolás terén jártasságot igényel, amelyek gyakran ritka erőforrások a gyártó szervezetekben. Mostantól a minőségügyi mérnökök és mások a műhelyben megépíthetik és kiértékelhetik ezeket a modelleket kód nélküli ML szolgáltatások segítségével, ami felgyorsíthatja e modellek feltárását és szélesebb körű alkalmazását a gyártási műveletekben.

Amazon SageMaker Canvas egy vizuális interfész, amely lehetővé teszi a minőség-, folyamat- és gyártásmérnökök számára, hogy önállóan hozzanak létre pontos ML-előrejelzéseket – anélkül, hogy bármilyen ML-tapasztalatot igényelnének, vagy egyetlen kódsort kellene írniuk. A SageMaker Canvas segítségével egycímkés képosztályozási modelleket hozhat létre a gyakori gyártási hibák azonosítására saját képadatkészletei segítségével.

Ebből a bejegyzésből megtudhatja, hogyan használhatja a SageMaker Canvas-t egy címkés képosztályozási modell felépítésére, amellyel a kép alapján azonosíthatja a gyártott mágneses csempék hibáit.

Megoldás áttekintése

Ez a bejegyzés egy minőségügyi mérnök nézőpontját feltételezi, aki a CV ML ellenőrzését vizsgálja, és Ön mágneses mozaikképek mintaadataival fog dolgozni egy képosztályozási ML modell felépítéséhez, amely előrejelzi a csempék hibáit a minőségellenőrzés során. Az adatkészlet több mint 1,200 képet tartalmaz olyan mágneses csempékről, amelyeknek olyan hibái vannak, mint például lyuk, törés, repedés, kopás és egyenetlen felület. A következő képek példát mutatnak az egycímkés hibabesorolásra, bal oldalon egy repedt csempével, jobb oldalon pedig egy hibamentes lappal.

Valós példában ilyen képeket gyűjthet a gyártósoron lévő késztermékekről. Ebben a bejegyzésben a SageMaker Canvast használod egy címkés képosztályozási modell felépítésére, amely előrejelzi és osztályozza egy adott mágneses mozaikkép hibáit.

A SageMaker Canvas képes importálni képadatokat helyi lemezfájlból, ill Amazon egyszerű tárolási szolgáltatás (Amazon S3). Ehhez a bejegyzéshez több mappát hoztak létre (hibatípusonként egyet, például lyukat, törést vagy repedést) egy S3 vödörben, és a mágneses csempék képeket feltöltik a megfelelő mappákba. A mappa hívott Free hibamentes képeket tartalmaz.

Az ML modell SageMaker Canvas használatával négy lépésből áll:

1. Importálja a képek adatkészletét.
2. Építsd meg és tanítsd a modellt.
3. Elemezze a modell betekintést, például a pontosságot.
4. Csinálj előrejelzéseket.

Előfeltételek

Mielőtt elkezdené, be kell állítania és el kell indítania a SageMaker Canvast. Ezt a beállítást egy informatikai rendszergazda hajtja végre, és három lépésből áll:

1. Állítson be egy Amazon SageMaker domain.
2. Állítsa be a felhasználókat.
3. Állítson be engedélyeket a SageMaker Canvas bizonyos funkcióinak használatához.

Hivatkozni Az Amazon SageMaker Canvas használatának első lépései és a Az Amazon SageMaker Canvas beállítása és kezelése (informatikai rendszergazdáknak) a SageMaker Canvas konfigurálásához szervezete számára.

Amikor a SageMaker Canvas be van állítva, a felhasználó navigálhat a SageMaker konzolra, és válassza a lehetőséget Vászon a navigációs ablakban, és válassza a lehetőséget Nyissa meg a Canvast a SageMaker Canvas elindításához.

A SageMaker Canvas alkalmazás egy új böngészőablakban indul el.

A SageMaker Canvas alkalmazás elindítása után megkezdheti az ML modell felépítésének lépéseit.

Importálja az adatkészletet

Az adatkészlet importálása az első lépés egy ML-modell SageMaker Canvas segítségével történő felépítéséhez.

1. A SageMaker Canvas alkalmazásban válassza a lehetőséget Datasets a navigációs ablaktáblában.
2. A Teremt menüben válasszon Kép.
   
3. A Adatkészlet neve, írjon be egy nevet, például Magnetic-Tiles-Dataset.
4. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Teremt az adatkészlet létrehozásához.
   

Az adatkészlet létrehozása után importálnia kell képeket az adatkészletben.

5. A import oldalon válassza a lehetőséget Amazon S3 (a mágneslapok képei egy S3 vödörben vannak).

Dönthet úgy, hogy a képeket a helyi számítógépéről is feltöltheti.

6. Válassza ki azt a mappát az S3 vödörben, ahol a mágneses csempe képeket tárolja, és válassza ki Adatok importálása.
   

A SageMaker Canvas elkezdi importálni a képeket az adatkészletbe. Ha az importálás befejeződött, láthatja az 1,266 képpel létrehozott képadatkészletet.

Kiválaszthatja az adatkészletet a részletek ellenőrzéséhez, például a képek előnézetét és a hibatípus címkéjét. Mivel a képeket mappákba rendezték, és minden mappát a hiba típusával neveztek el, a SageMaker Canvas automatikusan befejezte a képek címkézését a mappanevek alapján. Alternatív megoldásként importálhat címkézetlen képeket, címkéket adhat hozzá, és későbbi időpontban címkézheti az egyes képeket. A meglévő címkézett képek címkéit is módosíthatja.

A képimportálás befejeződött, és most már létrejött egy képadatkészlet a SageMaker Canvasban. Léphet a következő lépésre egy ML modell felépítéséhez, amely előrejelzi a mágneses csempék hibáit.

Építsd meg és tanítsd a modellt

A modellt az importált adatkészlet segítségével betanítja.

1. Válassza ki az adatkészletet (Magnetic-tiles-Dataset) és válassza Hozzon létre egy modellt.
2. A Modell név, írjon be egy nevet, például Magnetic-Tiles-Defect-Model.
3. választ Képelemzés a probléma típusához, és válassza ki Teremt a modell összeállításának konfigurálásához.
   

A modellen Épít lapon megtekintheti az adatkészlet különféle részleteit, például a címke eloszlását, a címkézett és a címkézetlen képek számát, valamint a modell típusát, amely ebben az esetben egycímkés kép előrejelzés. Ha címkézetlen képeket importált, vagy bizonyos képek címkéit szeretné módosítani vagy javítani, választhat Adatkészlet szerkesztése a címkék módosításához.

A modellt kétféleképpen készítheti el: Gyors és szabványos összeállítás. A Quick build opció a sebességet részesíti előnyben a pontossággal szemben. 15-30 perc alatt betanítja a modellt. A modell felhasználható az előrejelzéshez, de nem osztható meg. Ez egy jó lehetőség arra, hogy gyorsan ellenőrizze egy modell betanításának megvalósíthatóságát és pontosságát egy adott adatkészlettel. A normál felépítés a pontosságot választja a sebesség helyett, és a modellképzés 2–4 órát is igénybe vehet.

Ehhez a bejegyzéshez a modellt a Standard build opció használatával betaníthatja.

4. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Szabványos felépítés a Épít fület a modell betanításának megkezdéséhez.

A modellképzés azonnal indul. A várható építési időt és az edzés előrehaladását láthatja a Elemez Tab.

Várja meg, amíg a modellképzés befejeződik, majd elemezheti a modell teljesítményét a pontosság érdekében.

Elemezze a modellt

Ebben az esetben kevesebb mint egy órát vett igénybe a modellképzés elvégzése. Amikor a modellképzés befejeződött, ellenőrizheti a modell pontosságát a Elemez fülön megtudhatja, hogy a modell képes-e pontosan előre jelezni a hibákat. Ebben az esetben a modell teljes pontossága 97.7%. Ellenőrizheti a modell pontosságát az egyes címkék vagy hibatípusok esetében is, például 100% a kopottság és az egyenetlenség esetén, de körülbelül 95% a Blowhole. Ez a pontossági szint biztató, így folytathatjuk az értékelést.

A modell jobb megértése és megbízhatósága érdekében engedélyezze Hőtérkép hogy lássuk a képen azokat az érdeklődési területeket, amelyeket a modell a címkék megkülönböztetésére használ. Az osztályaktivációs térkép (CAM) technikán alapul. A hőtérkép segítségével azonosíthatja a mintákat a helytelenül előre jelzett képekből, ami segíthet a modell minőségének javításában.

A Pontozása lapon ellenőrizheti az egyes címkék (vagy osztály vagy hibatípus) modelljének pontosságát és visszahívását. A pontosság és a visszahívás olyan kiértékelési mérőszámok, amelyeket egy bináris és többosztályos osztályozási modell teljesítményének mérésére használnak. A pontosság megmutatja, hogy a modell mennyire jó egy adott osztály (ebben a példában hibatípus) előrejelzésében. A visszahívás megmondja, hogy a modell hányszor volt képes észlelni egy adott osztályt.

A modellelemzés segít megérteni a modell pontosságát, mielőtt előrejelzésre használná.

Csinálj előrejelzéseket

A modellelemzés után a modell segítségével előrejelzéseket készíthet a mágneses csempék hibáinak azonosítására.

A Tippelje lapon választhat Egyetlen jóslat és a Kötegelt előrejelzés. Egyetlen előrejelzésben egyetlen képet importál a helyi számítógépről vagy az S3 tárolóból, hogy előre jelezze a hibát. A kötegelt előrejelzésben több, a SageMaker Canvas adatkészletben tárolt képhez is készíthet előrejelzéseket. Létrehozhat egy külön adatkészletet a SageMaker Canvasban a kötegelőrejelzés teszt- vagy következtetési képeivel. Ebben a bejegyzésben egyszeri és kötegelt előrejelzést is használunk.

Egyetlen előrejelzéshez a Tippelje lapot választani Egyetlen jóslat, majd válassza ki Kép importálása a teszt vagy következtetési kép feltöltéséhez a helyi számítógépről.

A kép importálása után a modell előrejelzést ad a hibáról. Az első következtetés néhány percig tarthat, mert a modell először töltődik be. De a modell betöltése után azonnali előrejelzéseket ad a képekről. Megtekintheti az egyes címketípusokhoz tartozó képet és az előrejelzés megbízhatósági szintjét. Például ebben az esetben a mágneses csempe képének várhatóan egyenetlen felületi hibája lesz (a Uneven címke) és a modell 94%-ban biztos benne.

Hasonlóképpen, más képeket vagy képadatkészletet is használhat a hibával kapcsolatos előrejelzésekhez.

A kötegelőrejelzéshez a címkézetlen képek adatkészletét használjuk Magnetic-Tiles-Test-Dataset 12 tesztkép feltöltésével a helyi számítógépről az adatkészletbe.

A Tippelje lapot választani Kötegelt előrejelzés És válasszon Válassza ki az adatkészletet.

Válassza ki a Magnetic-Tiles-Test-Dataset adatkészletet, és válassza ki Előrejelzések generálása.

Időbe telhet az összes képre vonatkozó előrejelzések generálása. Amikor az állapot az Kész, válassza az adatkészlet hivatkozást az előrejelzések megtekintéséhez.

Az összes képhez megbízhatósági szinttel láthatja az előrejelzéseket. Az egyes képek bármelyikét kiválaszthatja a képszintű előrejelzés részleteinek megtekintéséhez.

A várható kifejezést letöltheti CSV vagy .zip fájlformátumban, hogy offline is működjön. Ellenőrizheti a várható címkéket is, és hozzáadhatja őket az edzési adatkészlethez. A várható címkék ellenőrzéséhez válassza a lehetőséget Az előrejelzés ellenőrzése.

Az előrejelzési adatkészletben frissítheti az egyes képek címkéit, ha az előrejelzett címkét nem találja helyesnek. Ha szükség szerint frissítette a címkéket, válassza a lehetőséget Hozzáadás a betanított adatkészlethez hogy egyesítse a képeket az edzési adatkészletbe (ebben a példában Magnetic-Tiles-Dataset).

Ez frissíti az edzési adatkészletet, amely tartalmazza a meglévő edzési képeket és az új képeket előre jelzett címkékkel. A frissített adatkészlettel betaníthat egy új modellverziót, és potenciálisan javíthatja a modell teljesítményét. Az új modellverzió nem egy növekményes képzés lesz, hanem egy új képzés a semmiből a frissített adatkészlettel. Ez segít a modell frissítésében új adatforrásokkal.

Tisztítsuk meg

Miután befejezte a SageMaker Canvas-szal végzett munkát, válassza a lehetőséget Kijelentkezés hogy lezárja az ülést és elkerülje a további költségeket.

Amikor kijelentkezik, munkái, például adatkészletei és modelljei mentésre kerülnek, és a munka későbbi folytatásához újra elindíthat egy SageMaker Canvas munkamenetet.

A SageMaker Canvas aszinkron SageMaker-végpontot hoz létre az előrejelzések generálásához. A SageMaker Canvas által létrehozott végpont, végpont-konfiguráció és modell törléséhez lásd: Törölje a végpontokat és az erőforrásokat.

Következtetés

Ebben a bejegyzésben megtanulta, hogyan használhatja a SageMaker Canvas-t képosztályozási modell felépítésére a gyártott termékek hibáinak előrejelzésére, valamint a vizuális ellenőrzés minőségi folyamatának kiegészítésére és javítására. A SageMaker Canvast a gyártási környezet különböző képadatkészleteivel együtt használhatja modellek létrehozásához olyan használati esetekre, mint az előrejelző karbantartás, a csomagok ellenőrzése, a dolgozók biztonsága, az áruk nyomon követése stb. A SageMaker Canvas lehetővé teszi, hogy az ML segítségével előrejelzéseket generáljon anélkül, hogy kódot kellene írnia, felgyorsítva a CV ML képességek kiértékelését és elfogadását.

A SageMaker Canvas használatának megkezdéséhez és további információihoz tekintse meg a következő forrásokat:

---

A szerzőkről

Brajendra Singh az Amazon Web Services megoldástervezője, aki vállalati ügyfelekkel dolgozik. Erős fejlesztői háttérrel rendelkezik, és lelkes rajongója az adat- és gépi tanulási megoldásoknak.

Danny Smith igazgató, az autóipar és a gyártóipar ML stratégája, stratégiai tanácsadóként szolgál az ügyfelek számára. Pályafutása során arra összpontosított, hogy segítse a kulcsfontosságú döntéshozókat az adatok, a technológia és a matematika felhasználásában, hogy jobb döntéseket hozzanak, az igazgatótanácstól az üzlethelyiségig. Az utóbbi időben a legtöbb beszélgetése a gépi tanulás demokratizálásáról és a generatív mesterséges intelligenciáról szól.

Davide Gallitelli az EMEA régióban az AI/ML speciális megoldások építésze. Székhelye Brüsszelben van, és szorosan együttműködik az ügyfelekkel a Benelux államokban. Egészen kicsi kora óta fejlesztő, 7 évesen kezdett el kódolni. Az AI/ML-t az egyetemen kezdte tanulni, és azóta beleszeretett.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/