Menurut Gartner, hyperautomation adalah tren nomor satu di tahun 2022 dan akan terus maju di masa depan. Salah satu hambatan utama untuk hyperautomation adalah di area di mana kita masih berjuang untuk mengurangi keterlibatan manusia. Sistem cerdas mengalami kesulitan mencocokkan kemampuan pengenalan visual manusia, meskipun ada kemajuan besar dalam pembelajaran mendalam dalam visi komputer. Hal ini terutama karena kurangnya data beranotasi (atau ketika data jarang) dan di bidang-bidang seperti kontrol kualitas, di mana mata manusia yang terlatih masih mendominasi. Alasan lain adalah kelayakan akses manusia di semua area rantai pasokan produk, seperti inspeksi kontrol kualitas di lini produksi. Inspeksi visual banyak digunakan untuk melakukan penilaian internal dan eksternal berbagai peralatan di fasilitas produksi, seperti tangki penyimpanan, bejana tekan, perpipaan, mesin penjual otomatis, dan peralatan lainnya, yang meluas ke banyak industri, seperti elektronik, medis, CPG, dan bahan baku dan lainnya.
Menggunakan Kecerdasan Buatan (AI) untuk inspeksi visual otomatis atau menambah proses inspeksi visual manusia dengan AI dapat membantu mengatasi tantangan yang diuraikan di bawah ini.
Tantangan inspeksi visual manusia
Inspeksi visual yang dipimpin manusia memiliki masalah tingkat tinggi berikut:
- Skala โ Sebagian besar produk melewati beberapa tahap, mulai dari perakitan hingga rantai pasokan hingga kontrol kualitas, sebelum tersedia bagi konsumen akhir. Cacat dapat terjadi selama proses manufaktur atau perakitan pada titik yang berbeda dalam ruang dan waktu. Oleh karena itu, tidak selalu layak atau hemat biaya untuk menggunakan inspeksi visual manusia secara langsung. Ketidakmampuan untuk menskalakan ini dapat mengakibatkan bencana seperti: Tumpahan minyak BP Deepwater Horizon dan Ledakan pesawat luar angkasa penantang, dampak negatif keseluruhan yang (kepada manusia dan alam) melampaui biaya moneter dengan jarak yang cukup jauh.
- Kesalahan visual manusia โ Di area di mana inspeksi visual yang dipimpin manusia dapat dilakukan dengan mudah, kesalahan manusia adalah faktor utama yang sering diabaikan. Menurut berikut ini melaporkan, sebagian besar tugas inspeksi rumit dan biasanya menunjukkan tingkat kesalahan 20-30%, yang secara langsung berarti biaya dan hasil yang tidak diinginkan.
- Personil dan biaya lain-lain โ Meskipun keseluruhan biaya pengendalian kualitas dapat sangat bervariasi tergantung pada industri dan lokasi, menurut beberapa perkiraan, gaji inspektur kualitas terlatih berkisar antara $26,000โ60,000 (USD) per tahun. Ada juga biaya lain-lain yang mungkin tidak selalu diperhitungkan.
SageMaker JumpStart adalah tempat yang tepat untuk memulai dengan berbagai Amazon SageMaker fitur dan kemampuan melalui solusi sekali klik yang dikuratori, contoh notebook, dan model data Computer Vision, Natural Language Processing, dan Tabular yang telah dilatih sebelumnya yang dapat dipilih pengguna, disempurnakan (jika diperlukan) dan diterapkan menggunakan infrastruktur AWS SageMaker.
Dalam postingan ini, kami membahas cara cepat menerapkan solusi deteksi cacat otomatis, mulai dari penyerapan data hingga inferensi model, menggunakan set data yang tersedia untuk umum dan SageMaker JumpStart.
Ikhtisar solusi
Solusi ini menggunakan pendekatan pembelajaran mendalam yang canggih untuk mendeteksi cacat permukaan secara otomatis menggunakan SageMaker. Jaringan Deteksi Cacat atau model DDN meningkatkan Lebih cepat R-CNN dan mengidentifikasi kemungkinan cacat pada gambar permukaan baja. Itu Basis data cacat permukaan NEU, adalah dataset seimbang yang berisi enam jenis cacat permukaan khas dari strip baja canai panas: skala gulung (RS), patch (Pa), crazing (Cr), permukaan berlubang (PS), inklusi (In), dan goresan (Sc). Basis data mencakup 1,800 gambar skala abu-abu: 300 sampel masing-masing jenis cacat.
Konten
Solusi JumpStart berisi artefak berikut, yang tersedia untuk Anda dari Peramban Berkas JupyterLab:
- pembentukan awan/ - Formasi AWS Cloud file konfigurasi untuk membuat sumber daya SageMaker yang relevan dan menerapkan izin. Juga termasuk skrip pembersihan untuk menghapus sumber daya yang dibuat.
- src / โ Berisi sebagai berikut:
- siapkan_data/ โ Persiapan data untuk kumpulan data NEU.
- sagemaker_defect_detection/ โ Paket utama berisi sebagai berikut:
- kumpulan data โ Berisi penanganan dataset NEU.
- model โ Berisi Sistem Inspeksi Cacat Otomatis (ADI) yang disebut Jaringan Deteksi Cacat. Lihat berikut ini kertas untuk rincian.
- utilitas โ Berbagai utilitas untuk visualisasi dan evaluasi COCO.
- pengklasifikasi.py โ Untuk tugas klasifikasi.
- detektor.py - Untuk tugas deteksi.
- transform.py โ Berisi transformasi gambar yang digunakan dalam pelatihan.
- buku catatan/ โ Buku catatan individu, dibahas secara lebih rinci nanti di posting ini.
- skrip / โ Berbagai skrip untuk pelatihan dan pembangunan.
Kumpulan data default
Solusi ini melatih pengklasifikasi pada dataset NEU-CLS dan detektor pada dataset NEU-DET. Dataset ini berisi 1800 gambar dan 4189 kotak pembatas secara total. Jenis cacat pada dataset kami adalah sebagai berikut:
- Menggila (kelas:
Cr
, label: 0) - Inklusi (kelas:
In
, label: 1) - Permukaan berlubang (kelas:
PS
, label: 2) - Patch (kelas: Pa, label: 3)
- Skala bergulir (kelas:
RS
, label: 4) - Goresan (kelas:
Sc
, label: 5)
Berikut ini adalah contoh gambar dari keenam kelas tersebut.
Gambar berikut adalah contoh hasil deteksi. Dari kiri ke kanan, kami memiliki gambar asli, deteksi kebenaran dasar, dan keluaran model DDN SageMaker.
Arsitektur
Solusi JumpStart sudah dikemas sebelumnya dengan Studio Amazon SageMaker notebook yang mengunduh kumpulan data yang diperlukan dan berisi kode serta fungsi pembantu untuk melatih model dan penerapan menggunakan titik akhir SageMaker waktu nyata.
Semua buku catatan mengunduh kumpulan data dari publik Layanan Penyimpanan Sederhana Amazon Bucket (Amazon S3) dan mengimpor fungsi pembantu untuk memvisualisasikan gambar. Notebook memungkinkan pengguna untuk menyesuaikan solusi, seperti hyperparameters untuk pelatihan atau kinerja model belajar transfer jika Anda memilih untuk menggunakan solusi untuk kasus penggunaan deteksi cacat Anda.
Solusinya berisi empat buku catatan Studio berikut:
- 0_demo.ipynb โ Membuat objek model dari model DDN yang telah dilatih sebelumnya pada set data NEU-DET dan menyebarkannya di belakang titik akhir SageMaker waktu nyata. Kemudian kami mengirimkan beberapa sampel gambar yang cacat untuk dideteksi dan divisualisasikan hasilnya.
- 1_retrain_from_checkpoint.ipynb โ Melatih kembali detektor terlatih kami untuk beberapa waktu lagi dan membandingkan hasilnya. Anda juga dapat membawa dataset Anda sendiri; namun, kami menggunakan dataset yang sama di notebook. Termasuk juga langkah untuk melakukan transfer learning dengan menyempurnakan model yang telah dilatih sebelumnya. Penyesuaian model deep learning pada satu tugas tertentu melibatkan penggunaan bobot yang dipelajari dari kumpulan data tertentu untuk meningkatkan kinerja model pada kumpulan data lain. Anda juga dapat melakukan fine-tuning pada dataset yang sama yang digunakan dalam pelatihan awal tetapi mungkin dengan hyperparameter yang berbeda.
- 2_detektor_dari_goresan.ipynb โ Melatih detektor kami dari awal untuk mengidentifikasi apakah ada cacat pada gambar.
- 3_klasifikasi_dari_scratch.ipynb โ Melatih pengklasifikasi kami dari awal untuk mengklasifikasikan jenis cacat pada gambar.
Setiap notebook berisi kode boilerplate yang menyebarkan SageMaker titik akhir waktu nyata untuk inferensi model. Anda dapat melihat daftar buku catatan dengan membuka browser file JupyterLab dan menavigasi ke folder "notebook" di direktori Solusi JumpStart atau dengan mengklik "Buka Notebook" pada solusi JumpStart, khususnya halaman solusi "Deteksi Cacat Produk" (Lihat di bawah ).
Prasyarat
Solusi yang diuraikan dalam posting ini adalah bagian dari Mulai Lompatan Amazon SageMaker. Untuk menjalankan Solusi SageMaker JumpStart 1P ini dan menerapkan infrastruktur ke akun AWS Anda, Anda perlu membuat instans Amazon SageMaker Studio aktif (lihat Onboard ke Domain Amazon SageMaker).
Tingkatkan fitur tidak tersedia di instans notebook SageMaker, dan Anda tidak dapat mengaksesnya melalui Antarmuka Baris Perintah AWS (AWS CLI).
Terapkan solusinya
Kami menyediakan video panduan untuk langkah tingkat tinggi pada solusi ini. Untuk memulai, luncurkan SageMaker JumpStart dan pilih Deteksi Cacat Produk solusi di Solusi Tab.
Notebook SageMaker yang disediakan mengunduh data input dan meluncurkan tahap selanjutnya. Data input terletak di ember S3.
Kami melatih model pengklasifikasi dan detektor serta mengevaluasi hasilnya di SageMaker. Jika diinginkan, Anda dapat menerapkan model terlatih dan membuat titik akhir SageMaker.
Titik akhir SageMaker yang dibuat dari langkah sebelumnya adalah Titik akhir HTTPS dan mampu menghasilkan prediksi.
Anda dapat memantau pelatihan dan penerapan model melalui amazoncloudwatch.
Membersihkan
Setelah selesai dengan solusi ini, pastikan Anda menghapus semua sumber daya AWS yang tidak diinginkan. Anda dapat menggunakan AWS CloudFormation untuk secara otomatis menghapus semua sumber daya standar yang dibuat oleh solusi dan notebook. Di konsol AWS CloudFormation, hapus tumpukan induk. Menghapus tumpukan induk secara otomatis menghapus tumpukan bersarang.
Anda perlu menghapus sumber daya tambahan yang mungkin telah Anda buat di notebook ini secara manual, seperti bucket S3 tambahan selain bucket default solusi atau titik akhir SageMaker tambahan (menggunakan nama kustom).
Kesimpulan
Dalam posting ini, kami memperkenalkan solusi menggunakan SageMaker JumpStart untuk mengatasi masalah dengan status inspeksi visual, kontrol kualitas, dan deteksi cacat saat ini di berbagai industri. Kami merekomendasikan pendekatan baru yang disebut sistem Pemeriksaan Cacat Otomatis yang dibangun menggunakan pra-terlatih model DDN untuk deteksi cacat pada permukaan baja. Setelah Anda meluncurkan solusi JumpStart dan mengunduh kumpulan data NEU publik, Anda menerapkan model terlatih di belakang titik akhir waktu nyata SageMaker dan menganalisis metrik titik akhir menggunakan CloudWatch. Kami juga membahas fitur lain dari solusi JumpStart, seperti cara membawa data pelatihan Anda sendiri, melakukan pembelajaran transfer, dan melatih kembali detektor dan pengklasifikasi.
Coba ini Solusi JumpStart di SageMaker Studio, melatih ulang model yang ada pada dataset baru untuk deteksi cacat atau memilih dari perpustakaan SageMaker JumpStart model visi komputer, model NLP or model tabel dan terapkan untuk kasus penggunaan spesifik Anda.
Tentang Penulis
Vedant Jain adalah Sr. AI/ML Specialist Solutions Architect, yang membantu pelanggan mendapatkan nilai dari ekosistem Machine Learning di AWS. Sebelum bergabung dengan AWS, Vedant pernah menjabat posisi ML/Data Science Specialty di berbagai perusahaan seperti Databricks, Hortonworks (sekarang Cloudera) & JP Morgan Chase. Di luar pekerjaannya, Vedant bersemangat membuat musik, menggunakan Sains untuk menjalani kehidupan yang bermakna & menjelajahi masakan vegetarian yang lezat dari seluruh dunia.
Tao Matahari adalah Ilmuwan Terapan di AWS. Ia memperoleh gelar Ph.D. dalam Ilmu Komputer dari University of Massachusetts, Amherst. Minat penelitiannya terletak pada pembelajaran penguatan mendalam dan pemodelan probabilistik. Dia berkontribusi pada AWS DeepRacer, AWS DeepComposer. Dia suka dansa ballroom dan membaca selama waktu luangnya.
- "
- &
- 000
- 100
- 2022
- 28
- a
- kemampuan
- Tentang Kami
- mengakses
- Menurut
- Akun
- aktif
- tambahan
- alamat
- kemajuan
- AI
- Semua
- Meskipun
- selalu
- Amazon
- Lain
- terapan
- Mendaftar
- pendekatan
- sekitar
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- Majelis
- penilaian
- Otomatis
- secara otomatis
- Otomatisasi
- tersedia
- AWS
- hambatan
- sebelum
- di belakang
- makhluk
- di bawah
- antara
- membawa
- Browser
- Bangunan
- kemampuan
- mampu
- kasus
- rantai
- tantangan
- mengejar
- Pilih
- kelas
- kelas-kelas
- klasifikasi
- kode
- Perusahaan
- kompleks
- komputer
- Komputer Ilmu
- konfigurasi
- konsul
- konsumen
- mengandung
- terus
- berkontribusi
- kontrol
- kontrol
- hemat biaya
- Biaya
- membuat
- dibuat
- menciptakan
- dikuratori
- terbaru
- Kondisi saat ini
- adat
- pelanggan
- menyesuaikan
- data
- Basis Data
- mendalam
- Tergantung
- menyebarkan
- dikerahkan
- penyebaran
- menyebarkan
- Meskipun
- rinci
- rincian
- Deteksi
- berbeda
- langsung
- Bencana
- jarak
- domain
- Download
- selama
- setiap
- ekosistem
- Elektronik
- Titik akhir
- peralatan
- mengevaluasi
- evaluasi
- contoh
- menunjukkan
- ada
- mengembang
- Fasilitas
- Fitur
- berikut
- berikut
- dari
- fungsi
- masa depan
- akan
- Grayscale
- besar
- sangat
- Penanganan
- membantu
- membantu
- horison
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTTPS
- manusia
- Manusia
- mengenali
- gambar
- gambar
- Dampak
- termasuk
- termasuk
- penyertaan
- sendiri-sendiri
- industri
- industri
- Infrastruktur
- memasukkan
- contoh
- Intelijen
- Cerdas
- kepentingan
- masalah
- IT
- bergabung
- JP Morgan
- JP Morgan Chase
- label
- bahasa
- jalankan
- diluncurkan
- memimpin
- belajar
- pengetahuan
- Perpustakaan
- baris
- Daftar
- tempat
- mesin
- Mesin belajar
- Mesin
- terbuat
- utama
- membuat
- Membuat
- manual
- pabrik
- massachusetts
- sesuai
- bahan
- berarti
- medis
- Metrik
- model
- model
- Moneter
- Memantau
- lebih
- morgan
- paling
- beberapa
- musik
- NASA
- Alam
- Alam
- menavigasi
- negatif
- jaringan
- buku catatan
- jumlah
- diperoleh
- Minyak
- asli
- Lainnya
- secara keseluruhan
- sendiri
- paket
- bagian
- tertentu
- bergairah
- Patch
- prestasi
- melakukan
- mungkin
- poin
- mungkin
- Prediksi
- tekanan
- sebelumnya
- proses
- pengolahan
- Produk
- Produksi
- Produk
- memberikan
- disediakan
- publik
- kualitas
- segera
- Tarif
- Mentah
- Bacaan
- real-time
- menurunkan
- relevan
- wajib
- penelitian
- Sumber
- Hasil
- Run
- gaji
- sama
- SC
- Skala
- Ilmu
- ilmuwan
- Sederhana
- ENAM
- larutan
- Solusi
- beberapa
- Space
- spesialis
- Khusus
- tertentu
- Secara khusus
- tumpukan
- magang
- standar
- awal
- mulai
- Negara
- state-of-the-art
- Masih
- penyimpanan
- studio
- menyediakan
- supply chain
- Permukaan
- sistem
- sistem
- tugas
- Grafik
- Dunia
- karena itu
- Melalui
- waktu
- Pelatihan
- kereta
- transfer
- transformasi
- khas
- universitas
- USD
- menggunakan
- Pengguna
- keperluan
- nilai
- berbagai
- Video
- View
- penglihatan
- visualisasi
- Wikipedia
- Kerja
- dunia
- tahun
- Anda