Mendemokratisasi deteksi cacat penglihatan komputer untuk kualitas manufaktur menggunakan pembelajaran mesin tanpa kode dengan Amazon SageMaker Canvas | Layanan Web Amazon

Biaya kualitas buruk adalah top of mind bagi produsen. Cacat kualitas meningkatkan biaya memo dan pengerjaan ulang, menurunkan throughput, dan dapat berdampak pada pelanggan dan reputasi perusahaan. Pemeriksaan kualitas di lini produksi sangat penting untuk mempertahankan standar kualitas. Dalam banyak kasus, inspeksi visual manusia digunakan untuk menilai kualitas dan mendeteksi cacat, yang dapat membatasi throughput saluran karena keterbatasan inspektur manusia.

Munculnya pembelajaran mesin (ML) dan kecerdasan buatan (AI) menghadirkan kemampuan inspeksi visual tambahan menggunakan model computer vision (CV) ML. Melengkapi inspeksi manusia dengan ML berbasis CV dapat mengurangi kesalahan deteksi, mempercepat produksi, mengurangi biaya kualitas, dan berdampak positif bagi pelanggan. Membuat model CV ML biasanya memerlukan keahlian dalam ilmu data dan pengkodean, yang sering kali merupakan sumber daya langka di organisasi manufaktur. Kini, teknisi berkualitas dan orang lain di lantai produksi dapat membuat dan mengevaluasi model ini menggunakan layanan ML tanpa kode, yang dapat mempercepat eksplorasi dan penerapan model ini secara lebih luas dalam operasi manufaktur.

Kanvas Amazon SageMaker adalah antarmuka visual yang memungkinkan teknisi kualitas, proses, dan produksi untuk membuat sendiri prediksi ML yang akurat—tanpa memerlukan pengalaman ML apa pun atau harus menulis satu baris kode pun. Anda dapat menggunakan Kanvas SageMaker untuk membuat model klasifikasi gambar berlabel tunggal untuk mengidentifikasi cacat manufaktur umum menggunakan kumpulan data gambar Anda sendiri.

Dalam postingan ini, Anda akan mempelajari cara menggunakan SageMaker Canvas untuk membuat model klasifikasi gambar berlabel tunggal untuk mengidentifikasi cacat pada ubin magnet buatan berdasarkan gambarnya.

Ikhtisar solusi

Posting ini mengasumsikan sudut pandang seorang insinyur kualitas yang mengeksplorasi inspeksi CV ML, dan Anda akan bekerja dengan data sampel gambar ubin magnetik untuk membuat model ML klasifikasi gambar untuk memprediksi cacat pada ubin untuk pemeriksaan kualitas. Dataset berisi lebih dari 1,200 gambar ubin magnetik, yang memiliki cacat seperti lubang sembur, pecah, retak, berjumbai, dan permukaan tidak rata. Gambar berikut memberikan contoh klasifikasi cacat berlabel tunggal, dengan ubin retak di sebelah kiri dan ubin bebas cacat di sebelah kanan.

Dalam contoh dunia nyata, Anda dapat mengumpulkan gambar tersebut dari produk jadi di lini produksi. Dalam postingan ini, Anda menggunakan SageMaker Canvas untuk membuat model klasifikasi gambar berlabel tunggal yang akan memprediksi dan mengklasifikasikan cacat untuk gambar petak magnetik tertentu.

SageMaker Canvas dapat mengimpor data gambar dari file disk lokal atau Layanan Penyimpanan Sederhana Amazon (Amazon S3). Untuk posting ini, beberapa folder telah dibuat (satu per jenis cacat seperti lubang sembur, pecah, atau retak) di bucket S3, dan gambar ubin magnetik diunggah ke foldernya masing-masing. Folder itu disebut Free berisi gambar bebas cacat.

Ada empat langkah yang terlibat dalam membangun model ML menggunakan SageMaker Canvas:

1. Impor dataset gambar.
2. Membangun dan melatih model.
3. Analisis wawasan model, seperti akurasi.
4. Membuat prediksi.

Prasyarat

Sebelum memulai, Anda perlu menyiapkan dan meluncurkan SageMaker Canvas. Penyiapan ini dilakukan oleh administrator TI dan melibatkan tiga langkah:

1. Siapkan Amazon SageMaker domain.
2. Siapkan pengguna.
3. Siapkan izin untuk menggunakan fitur tertentu di SageMaker Canvas.

Lihat Memulai menggunakan Amazon SageMaker Canvas dan Menyiapkan dan Mengelola Amazon SageMaker Canvas (untuk Administrator TI) untuk mengonfigurasi SageMaker Canvas untuk organisasi Anda.

Saat Kanvas SageMaker disiapkan, pengguna dapat menavigasi ke konsol SageMaker, pilih Kanvas di panel navigasi, dan pilih Buka Kanvas untuk meluncurkan Kanvas SageMaker.

Aplikasi SageMaker Canvas diluncurkan di jendela browser baru.

Setelah aplikasi SageMaker Canvas diluncurkan, Anda memulai langkah-langkah pembuatan model ML.

Impor kumpulan data

Mengimpor set data adalah langkah pertama saat membuat model ML dengan SageMaker Canvas.

1. Di aplikasi SageMaker Canvas, pilih Dataset di panel navigasi.
2. pada membuat menu, pilih Gambar.
   
3. Untuk Nama kumpulan data, masukkan nama, seperti Magnetic-Tiles-Dataset.
4. Pilih membuat untuk membuat kumpulan data.
   

Setelah set data dibuat, Anda perlu mengimpor gambar di set data.

5. pada impor halaman, pilih Amazon S3 (gambar ubin magnetik ada di ember S3).

Anda memiliki pilihan untuk mengunggah gambar dari komputer lokal Anda juga.

6. Pilih folder di bucket S3 tempat gambar ubin magnetik disimpan dan dipilih impor data.
   

SageMaker Canvas mulai mengimpor gambar ke dalam kumpulan data. Saat impor selesai, Anda dapat melihat kumpulan data gambar yang dibuat dengan 1,266 gambar.

Anda dapat memilih set data untuk memeriksa detailnya, seperti pratinjau gambar dan labelnya untuk jenis cacat. Karena gambar diatur dalam folder dan setiap folder diberi nama dengan jenis cacat, SageMaker Canvas secara otomatis menyelesaikan pelabelan gambar berdasarkan nama folder. Sebagai alternatif, Anda dapat mengimpor gambar tanpa label, menambahkan label, dan melakukan pelabelan pada masing-masing gambar di lain waktu. Anda juga dapat memodifikasi label dari gambar berlabel yang ada.

Impor gambar selesai dan Anda sekarang memiliki kumpulan data gambar yang dibuat di SageMaker Canvas. Anda dapat melanjutkan ke langkah berikutnya untuk membuat model ML guna memprediksi cacat pada petak magnet.

Bangun dan latih modelnya

Anda melatih model menggunakan set data yang diimpor.

1. Pilih kumpulan data (Magnetic-tiles-Dataset) dan pilih Buat model.
2. Untuk Nama model, masukkan nama, seperti Magnetic-Tiles-Defect-Model.
3. Pilih Analisis gambar untuk jenis masalah dan memilih membuat untuk mengonfigurasi model build.
   

Di modelnya Membangun tab, Anda dapat melihat berbagai detail tentang kumpulan data, seperti distribusi label, jumlah gambar berlabel vs. tidak berlabel, dan juga jenis model, yang dalam hal ini merupakan prediksi gambar berlabel tunggal. Jika Anda telah mengimpor gambar tanpa label atau ingin mengubah atau memperbaiki label gambar tertentu, Anda dapat memilih Edit kumpulan data untuk memodifikasi label.

Anda dapat membuat model dengan dua cara: Pembuatan cepat dan Pembuatan standar. Opsi Quick build memprioritaskan kecepatan daripada akurasi. Ini melatih model dalam 15-30 menit. Model dapat digunakan untuk prediksi tetapi tidak dapat dibagikan. Ini adalah opsi yang bagus untuk memeriksa kelayakan dan akurasi pelatihan model dengan dataset tertentu dengan cepat. Build Standar memilih akurasi daripada kecepatan, dan pelatihan model dapat memakan waktu antara 2–4 ​​jam.

Untuk postingan ini, Anda melatih model menggunakan opsi Standard build.

4. Pilih bangunan standar pada Membangun tab untuk mulai melatih model.

Pelatihan model dimulai secara instan. Anda dapat melihat perkiraan waktu pembangunan dan kemajuan pelatihan di Menganalisa Tab.

Tunggu hingga pelatihan model selesai, lalu Anda dapat menganalisis performa model untuk keakuratannya.

Analisis modelnya

Dalam hal ini, dibutuhkan waktu kurang dari satu jam untuk menyelesaikan pelatihan model. Saat pelatihan model selesai, Anda dapat memeriksa akurasi model di Menganalisa tab untuk menentukan apakah model dapat memprediksi cacat secara akurat. Anda melihat akurasi model keseluruhan adalah 97.7% dalam kasus ini. Anda juga dapat memeriksa akurasi model untuk masing-masing label atau jenis cacat, misalnya 100% untuk Fray dan Uneven, tetapi kira-kira 95% untuk Blowhole. Tingkat akurasi ini sangat menggembirakan, sehingga kami dapat melanjutkan evaluasi.

Untuk lebih memahami dan memercayai model, aktifkan Heatmap untuk melihat bidang minat pada gambar yang digunakan model untuk membedakan label. Ini didasarkan pada teknik class activation map (CAM). Anda dapat menggunakan peta panas untuk mengidentifikasi pola dari prediksi gambar yang salah, yang dapat membantu meningkatkan kualitas model Anda.

pada Scoring tab, Anda dapat memeriksa presisi dan mengingat model untuk setiap label (atau kelas atau jenis cacat). Precision dan recall adalah metrik evaluasi yang digunakan untuk mengukur kinerja model klasifikasi biner dan multikelas. Presisi memberi tahu seberapa bagus model dalam memprediksi kelas tertentu (tipe cacat, dalam contoh ini). Recall memberi tahu berapa kali model dapat mendeteksi kelas tertentu.

Analisis model membantu Anda memahami keakuratan model sebelum Anda menggunakannya untuk prediksi.

Membuat prediksi

Setelah analisis model, Anda sekarang dapat membuat prediksi menggunakan model ini untuk mengidentifikasi cacat pada ubin magnetik.

pada Meramalkan tab, Anda dapat memilih Prediksi tunggal dan Prediksi batch. Dalam satu prediksi, Anda mengimpor satu gambar dari komputer lokal atau bucket S3 untuk membuat prediksi tentang cacat tersebut. Dalam prediksi batch, Anda dapat membuat prediksi untuk beberapa gambar yang disimpan di set data Kanvas SageMaker. Anda dapat membuat set data terpisah di SageMaker Canvas dengan gambar pengujian atau inferensi untuk prediksi batch. Untuk posting ini, kami menggunakan prediksi tunggal dan batch.

Untuk prediksi tunggal, pada Meramalkan tab, pilih Prediksi tunggal, Lalu pilih Impor gambar untuk mengunggah gambar tes atau inferensi dari komputer lokal Anda.

Setelah gambar diimpor, model membuat prediksi tentang cacat tersebut. Untuk inferensi pertama, mungkin diperlukan waktu beberapa menit karena model dimuat untuk pertama kali. Tapi setelah model dimuat, itu membuat prediksi instan tentang gambar. Anda dapat melihat gambar dan tingkat kepercayaan prediksi untuk setiap jenis label. Misalnya, dalam kasus ini, gambar ubin magnetik diperkirakan memiliki cacat permukaan yang tidak rata (mis Uneven label) dan modelnya 94% yakin akan hal itu.

Demikian pula, Anda dapat menggunakan gambar lain atau kumpulan data gambar untuk membuat prediksi tentang cacat tersebut.

Untuk prediksi batch, kami menggunakan kumpulan data gambar tanpa label yang disebut Magnetic-Tiles-Test-Dataset dengan mengunggah 12 gambar uji dari komputer lokal Anda ke kumpulan data.

pada Meramalkan tab, pilih Prediksi batch Dan pilihlah Pilih set data.

Pilih Magnetic-Tiles-Test-Dataset kumpulan data dan pilih Hasilkan prediksi.

Butuh beberapa waktu untuk menghasilkan prediksi untuk semua gambar. Saat statusnya Siap, pilih link dataset untuk melihat prediksi.

Anda dapat melihat prediksi untuk semua gambar dengan tingkat kepercayaan. Anda dapat memilih salah satu gambar individual untuk melihat detail prediksi tingkat gambar.

Anda dapat mendownload prediksi dalam format file CSV atau .zip untuk bekerja secara offline. Anda juga dapat memverifikasi label yang diprediksi dan menambahkannya ke set data pelatihan Anda. Untuk memverifikasi label yang diprediksi, pilih Verifikasi prediksi.

Dalam kumpulan data prediksi, Anda dapat memperbarui label dari masing-masing gambar jika menurut Anda label yang diprediksi tidak benar. Ketika Anda telah memperbarui label sesuai kebutuhan, pilih Tambahkan ke set data terlatih untuk menggabungkan gambar ke dalam kumpulan data pelatihan Anda (dalam contoh ini, Magnetic-Tiles-Dataset).

Ini memperbarui set data pelatihan, yang mencakup gambar pelatihan yang ada dan gambar baru dengan label yang diprediksi. Anda dapat melatih versi model baru dengan set data yang diperbarui dan berpotensi meningkatkan performa model. Versi model baru tidak akan menjadi pelatihan tambahan, tetapi pelatihan baru dari awal dengan kumpulan data yang diperbarui. Ini membantu menjaga model tetap segar dengan sumber data baru.

Membersihkan

Setelah Anda menyelesaikan pekerjaan Anda dengan SageMaker Canvas, pilih Keluar untuk menutup sesi dan menghindari biaya lebih lanjut.

Saat Anda keluar, pekerjaan Anda seperti set data dan model tetap tersimpan, dan Anda dapat meluncurkan sesi Kanvas SageMaker lagi untuk melanjutkan pekerjaan nanti.

SageMaker Canvas membuat titik akhir SageMaker asinkron untuk membuat prediksi. Untuk menghapus titik akhir, konfigurasi titik akhir, dan model yang dibuat oleh SageMaker Canvas, lihat Hapus Titik Akhir dan Sumber Daya.

Kesimpulan

Dalam postingan ini, Anda mempelajari cara menggunakan SageMaker Canvas untuk membuat model klasifikasi gambar guna memprediksi cacat pada produk manufaktur, untuk melengkapi dan meningkatkan proses kualitas inspeksi visual. Anda dapat menggunakan SageMaker Canvas dengan kumpulan data gambar yang berbeda dari lingkungan manufaktur Anda untuk membuat model untuk kasus penggunaan seperti pemeliharaan prediktif, pemeriksaan paket, keselamatan pekerja, pelacakan barang, dan lainnya. SageMaker Canvas memberi Anda kemampuan untuk menggunakan ML untuk membuat prediksi tanpa perlu menulis kode apa pun, sehingga mempercepat evaluasi dan penerapan kemampuan CV ML.

Untuk memulai dan mempelajari SageMaker Canvas lebih lanjut, lihat sumber daya berikut:

---

Tentang penulis

Brajendra Singh adalah arsitek solusi di Amazon Web Services yang bekerja dengan pelanggan perusahaan. Dia memiliki latar belakang pengembang yang kuat dan sangat antusias dengan solusi data dan pembelajaran mesin.

Danny Smith adalah Principal, Ahli Strategi ML untuk Industri Otomotif dan Manufaktur, bertindak sebagai penasihat strategis bagi pelanggan. Fokus kariernya adalah membantu para pembuat keputusan utama memanfaatkan data, teknologi, dan matematika untuk membuat keputusan yang lebih baik, dari ruang dewan hingga lantai pabrik. Akhir-akhir ini sebagian besar pembicaraannya adalah tentang mendemokratisasikan pembelajaran mesin dan AI generatif.

Davide Gallitelli adalah Arsitek Solusi Spesialis untuk AI/ML di wilayah EMEA. Dia berbasis di Brussel dan bekerja sama dengan pelanggan di seluruh Benelux. Dia telah menjadi pengembang sejak dia masih sangat muda, mulai membuat kode pada usia 7 tahun. Dia mulai belajar AI/ML di universitas, dan telah jatuh cinta padanya sejak saat itu.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
• Sumber: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/