Costo di scarsa qualità è al primo posto per i produttori. I difetti di qualità aumentano i costi di scarto e rilavorazione, riducono la produttività e possono avere un impatto sui clienti e sulla reputazione dell'azienda. L'ispezione di qualità sulla linea di produzione è fondamentale per mantenere gli standard di qualità. In molti casi, l'ispezione visiva umana viene utilizzata per valutare la qualità e rilevare i difetti, che possono limitare la produttività della linea a causa delle limitazioni degli ispettori umani.
L'avvento dell'apprendimento automatico (ML) e dell'intelligenza artificiale (AI) offre ulteriori capacità di ispezione visiva utilizzando modelli ML di visione artificiale (CV). L'integrazione dell'ispezione umana con il machine learning basato su CV può ridurre gli errori di rilevamento, accelerare la produzione, ridurre il costo della qualità e avere un impatto positivo sui clienti. La creazione di modelli CV ML richiede in genere esperienza nella scienza dei dati e nella codifica, che sono spesso risorse rare nelle organizzazioni di produzione. Ora, gli ingegneri della qualità e altri in officina possono creare e valutare questi modelli utilizzando servizi ML senza codice, che possono accelerare l'esplorazione e l'adozione di questi modelli in modo più ampio nelle operazioni di produzione.
Tela di Amazon SageMaker è un'interfaccia visiva che consente agli ingegneri addetti alla qualità, ai processi e alla produzione di generare autonomamente previsioni ML accurate, senza richiedere alcuna esperienza di ML o dover scrivere una sola riga di codice. Puoi utilizzare SageMaker Canvas per creare modelli di classificazione delle immagini a etichetta singola per identificare difetti di fabbricazione comuni utilizzando i tuoi set di dati di immagini.
In questo post imparerai come utilizzare SageMaker Canvas per creare un modello di classificazione delle immagini a etichetta singola per identificare i difetti nelle tessere magnetiche prodotte in base alla loro immagine.
Panoramica della soluzione
Questo post assume il punto di vista di un ingegnere della qualità che esplora l'ispezione CV ML e lavorerai con dati campione di immagini di tessere magnetiche per costruire un modello ML di classificazione delle immagini per prevedere i difetti nelle tessere per il controllo di qualità. Il set di dati contiene più di 1,200 immagini di piastrelle magnetiche, che presentano difetti come sfiatature, rotture, crepe, sfilacciature e superfici irregolari. Le seguenti immagini forniscono un esempio di classificazione dei difetti con etichetta singola, con una piastrella incrinata a sinistra e una piastrella priva di difetti a destra.
In un esempio reale, puoi raccogliere tali immagini dai prodotti finiti nella linea di produzione. In questo post, utilizzi SageMaker Canvas per creare un modello di classificazione delle immagini a etichetta singola che prevede e classificherà i difetti per una determinata immagine di piastrella magnetica.
SageMaker Canvas può importare dati immagine da un file su disco locale o Servizio di archiviazione semplice Amazon (Amazon S3). Per questo post, sono state create più cartelle (una per tipo di difetto come sfiatatoio, rottura o crepa) in un bucket S3 e le immagini delle tessere magnetiche vengono caricate nelle rispettive cartelle. La cartella chiamata Free
contiene immagini prive di difetti.
Ci sono quattro passaggi coinvolti nella creazione del modello ML utilizzando SageMaker Canvas:
- Importa il dataset delle immagini.
- Costruisci e addestra il modello.
- Analizza le informazioni dettagliate del modello, ad esempio l'accuratezza.
- Fare previsioni.
Prerequisiti
Prima di iniziare, devi configurare e avviare SageMaker Canvas. Questa configurazione viene eseguita da un amministratore IT e prevede tre passaggi:
- Crea un file Amazon Sage Maker dominio.
- Imposta gli utenti.
- Imposta le autorizzazioni per utilizzare funzionalità specifiche in SageMaker Canvas.
Fare riferimento a Iniziare con l'utilizzo di Amazon SageMaker Canvas ed Configurazione e gestione di Amazon SageMaker Canvas (per amministratori IT) per configurare SageMaker Canvas per la tua organizzazione.
Quando SageMaker Canvas è configurato, l'utente può accedere alla console SageMaker, scegliere Canvas nel riquadro di navigazione e scegli Apri tela per avviare SageMaker Canvas.
L'applicazione SageMaker Canvas viene avviata in una nuova finestra del browser.
Dopo l'avvio dell'applicazione SageMaker Canvas, inizi le fasi di creazione del modello ML.
Importa il set di dati
L'importazione del set di dati è il primo passaggio durante la creazione di un modello ML con SageMaker Canvas.
- Nell'applicazione SageMaker Canvas, scegli Dataset nel pannello di navigazione.
- Sulla Creare menù, scegliere Immagine.
- Nel Nome del set di dati, inserisci un nome, ad esempio
Magnetic-Tiles-Dataset
. - Scegli Creare per creare il set di dati.
Dopo aver creato il set di dati, è necessario importare le immagini nel set di dati.
- Sulla Importare pagina, scegli Amazon S3 (le immagini delle tessere magnetiche sono in un secchio S3).
Hai anche la possibilità di caricare le immagini dal tuo computer locale.
- Seleziona la cartella nel bucket S3 in cui sono archiviate le immagini dei riquadri magnetici e scegli Importa dati.
SageMaker Canvas avvia l'importazione delle immagini nel set di dati. Al termine dell'importazione, puoi vedere il set di dati di immagini creato con 1,266 immagini.
Puoi scegliere il set di dati per controllare i dettagli, come un'anteprima delle immagini e la loro etichetta per il tipo di difetto. Poiché le immagini erano organizzate in cartelle e ogni cartella era denominata con il tipo di difetto, SageMaker Canvas completava automaticamente l'etichettatura delle immagini in base ai nomi delle cartelle. In alternativa, puoi importare immagini senza etichetta, aggiungere etichette ed eseguire l'etichettatura delle singole immagini in un secondo momento. È inoltre possibile modificare le etichette delle immagini etichettate esistenti.
L'importazione dell'immagine è completa e ora hai un set di dati di immagini creato in SageMaker Canvas. Puoi passare alla fase successiva per creare un modello ML per prevedere i difetti nelle tessere magnetiche.
Costruisci e addestra il modello
Addestrare il modello utilizzando il set di dati importato.
- Scegli il set di dati (
Magnetic-tiles-Dataset
) e scegli Crea un modello. - Nel Nome del modello, inserisci un nome, ad esempio
Magnetic-Tiles-Defect-Model.
- Seleziona Analisi delle immagini per il tipo di problema e scegliere Creare per configurare la creazione del modello.
Sul modello Costruire scheda, puoi vedere vari dettagli sul set di dati, come la distribuzione dell'etichetta, il conteggio delle immagini etichettate rispetto a quelle senza etichetta e anche il tipo di modello, che in questo caso è la previsione dell'immagine a etichetta singola. Se hai importato immagini senza etichetta o desideri modificare o correggere le etichette di determinate immagini, puoi scegliere Modifica set di dati per modificare le etichette.
Puoi costruire il modello in due modi: Costruzione rapida e Costruzione standard. L'opzione Costruzione rapida dà la priorità alla velocità rispetto alla precisione. Addestra il modello in 15-30 minuti. Il modello può essere utilizzato per la previsione ma non può essere condiviso. È una buona opzione per verificare rapidamente la fattibilità e l'accuratezza dell'addestramento di un modello con un determinato set di dati. La build Standard sceglie la precisione piuttosto che la velocità e l'addestramento del modello può richiedere dalle 2 alle 4 ore.
Per questo post, esegui il training del modello utilizzando l'opzione di creazione Standard.
- Scegli Costruzione standard sul canale Costruire scheda per avviare l'addestramento del modello.
L'addestramento del modello inizia immediatamente. Puoi vedere il tempo di costruzione previsto e l'avanzamento dell'addestramento sul file Analizzi i dati scheda.
Attendere fino al completamento dell'addestramento del modello, quindi è possibile analizzare le prestazioni del modello per la precisione.
Analizzare il modello
In questo caso, è stata necessaria meno di un'ora per completare l'addestramento del modello. Al termine dell'addestramento del modello, è possibile verificare l'accuratezza del modello sul file Analizzi i dati scheda per determinare se il modello può prevedere con precisione i difetti. Si vede che la precisione complessiva del modello è del 97.7% in questo caso. È inoltre possibile verificare l'accuratezza del modello per ogni singola etichetta o tipo di difetto, ad esempio 100% per Fray and Uneven ma circa 95% per Blowhole
. Questo livello di accuratezza è incoraggiante, quindi possiamo continuare la valutazione.
Per comprendere meglio e fidarsi del modello, abilitare Heatmap per vedere le aree di interesse nell'immagine che il modello utilizza per differenziare le etichette. Si basa sulla tecnica della mappa di attivazione della classe (CAM). Puoi utilizzare la mappa di calore per identificare i modelli dalle tue immagini previste in modo errato, che possono aiutare a migliorare la qualità del tuo modello.
Sulla Punteggio scheda, puoi controllare la precisione e il richiamo per il modello per ciascuna delle etichette (o classe o tipo di difetto). Precisione e richiamo sono metriche di valutazione utilizzate per misurare le prestazioni di un modello di classificazione binario e multiclasse. La precisione indica la capacità del modello di prevedere una classe specifica (tipo di difetto, in questo esempio). Recall indica quante volte il modello è stato in grado di rilevare una classe specifica.
L'analisi del modello consente di comprendere l'accuratezza del modello prima di utilizzarlo per la previsione.
Fare previsioni
Dopo l'analisi del modello, ora puoi fare previsioni utilizzando questo modello per identificare i difetti nelle tessere magnetiche.
Sulla Prevedere scheda, puoi scegliere Pronostico unico ed Previsione in lotti. In una singola previsione, importi una singola immagine dal tuo computer locale o dal bucket S3 per fare una previsione sul difetto. Nella previsione batch, puoi effettuare previsioni per più immagini archiviate in un set di dati SageMaker Canvas. Puoi creare un set di dati separato in SageMaker Canvas con le immagini di test o di inferenza per la previsione in batch. Per questo post, utilizziamo sia la previsione singola che quella batch.
Per singola previsione, sul Prevedere scheda, scegliere Pronostico unico, Quindi scegliere Importa immagine per caricare l'immagine di test o di inferenza dal tuo computer locale.
Dopo che l'immagine è stata importata, il modello effettua una previsione sul difetto. Per la prima inferenza, potrebbero essere necessari alcuni minuti perché il modello si sta caricando per la prima volta. Ma dopo che il modello è stato caricato, fa previsioni istantanee sulle immagini. È possibile visualizzare l'immagine e il livello di confidenza della previsione per ogni tipo di etichetta. Ad esempio, in questo caso, si prevede che l'immagine della piastrella magnetica presenti un difetto di superficie irregolare (il Uneven
etichetta) e il modello ne è sicuro al 94%.
Allo stesso modo, puoi utilizzare altre immagini o un set di dati di immagini per fare previsioni sul difetto.
Per la previsione in batch, utilizziamo il set di dati di immagini senza etichetta chiamato Magnetic-Tiles-Test-Dataset
caricando 12 immagini di prova dal tuo computer locale al set di dati.
Sulla Prevedere scheda, scegliere Previsione in lotti e scegli Seleziona dataset.
Seleziona il Magnetic-Tiles-Test-Dataset
set di dati e scegli Genera previsioni.
Ci vorrà del tempo per generare le previsioni per tutte le immagini. Quando lo stato è Pronto, scegli il collegamento al set di dati per visualizzare le previsioni.
Puoi vedere le previsioni per tutte le immagini con i livelli di confidenza. Puoi scegliere una qualsiasi delle singole immagini per visualizzare i dettagli della previsione a livello di immagine.
Puoi scaricare la previsione in formato file CSV o .zip per lavorare offline. Puoi anche verificare le etichette previste e aggiungerle al set di dati di addestramento. Per verificare le etichette previste, scegli Verifica previsione.
Nel set di dati di previsione, puoi aggiornare le etichette delle singole immagini se non ritieni che l'etichetta prevista sia corretta. Dopo aver aggiornato le etichette come richiesto, scegli Aggiungi al set di dati addestrato per unire le immagini nel set di dati di addestramento (in questo esempio, Magnetic-Tiles-Dataset
).
Questo aggiorna il set di dati di addestramento, che include sia le immagini di addestramento esistenti sia le nuove immagini con le etichette previste. Puoi eseguire il training di una nuova versione del modello con il set di dati aggiornato e potenzialmente migliorare le prestazioni del modello. La nuova versione del modello non sarà un addestramento incrementale, ma un nuovo addestramento da zero con il set di dati aggiornato. Questo aiuta a mantenere il modello aggiornato con nuove fonti di dati.
ripulire
Dopo aver completato il tuo lavoro con SageMaker Canvas, scegli Log out per chiudere la sessione ed evitare ogni ulteriore costo.
Quando esci, il tuo lavoro come set di dati e modelli rimane salvato e puoi avviare nuovamente una sessione di SageMaker Canvas per continuare il lavoro in un secondo momento.
SageMaker Canvas crea un endpoint SageMaker asincrono per generare le previsioni. Per eliminare l'endpoint, la configurazione dell'endpoint e il modello creato da SageMaker Canvas, fare riferimento a Elimina endpoint e risorse.
Conclusione
In questo post, hai imparato a utilizzare SageMaker Canvas per creare un modello di classificazione delle immagini per prevedere i difetti nei prodotti fabbricati, per completare e migliorare il processo di qualità dell'ispezione visiva. Puoi utilizzare SageMaker Canvas con set di dati di immagini diversi dal tuo ambiente di produzione per creare modelli per casi d'uso come la manutenzione predittiva, l'ispezione dei pacchi, la sicurezza dei lavoratori, il monitoraggio delle merci e altro ancora. SageMaker Canvas ti offre la possibilità di utilizzare ML per generare previsioni senza dover scrivere alcun codice, accelerando la valutazione e l'adozione delle funzionalità CV ML.
Per iniziare e saperne di più su SageMaker Canvas, fai riferimento alle seguenti risorse:
Circa gli autori
Brajendra Singh è architetto di soluzioni in Amazon Web Services che lavora con i clienti aziendali. Ha un forte background di sviluppatori ed è un appassionato di dati e soluzioni di machine learning.
Danny Smith è Principal, ML Strategist per le industrie automobilistiche e manifatturiere, fungendo da consulente strategico per i clienti. La sua carriera si è concentrata sull'aiutare i responsabili delle decisioni chiave a sfruttare dati, tecnologia e matematica per prendere decisioni migliori, dalla sala riunioni all'officina. Ultimamente la maggior parte delle sue conversazioni riguarda la democratizzazione dell'apprendimento automatico e dell'IA generativa.
Davide Gallitelli è uno Specialist Solutions Architect per AI/ML nella regione EMEA. Ha sede a Bruxelles e lavora a stretto contatto con i clienti in tutto il Benelux. È uno sviluppatore sin da quando era molto giovane, iniziando a programmare all'età di 7 anni. Ha iniziato a studiare AI/ML all'università e da allora se ne è innamorato.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/
- :ha
- :È
- :Dove
- $ SU
- 1
- 100
- 12
- 200
- 202
- 320
- 7
- 95%
- a
- capacità
- capace
- WRI
- a proposito
- accelerare
- accelerando
- precisione
- preciso
- con precisione
- Attivazione
- aggiungere
- aggiuntivo
- amministratori
- Adozione
- Avvento
- consulente
- Dopo shavasana, sedersi in silenzio; saluti;
- ancora
- AI
- AI / ML
- Tutti
- anche
- alternativa
- Amazon
- Amazon Sage Maker
- Tela di Amazon SageMaker
- Amazon Web Services
- an
- .
- analizzare
- ed
- in qualsiasi
- Applicazioni
- circa
- SONO
- aree
- artificiale
- intelligenza artificiale
- Intelligenza artificiale (AI)
- AS
- valutare
- assume
- At
- automaticamente
- settore automobilistico
- evitare
- AWS
- sfondo
- basato
- BE
- perché
- stato
- prima
- Meglio
- fra
- tavola
- entrambi
- Rompere
- Porta
- in linea di massima
- del browser
- Bruxelles
- costruire
- Costruzione
- ma
- by
- detto
- Materiale
- tela
- funzionalità
- Career
- Custodie
- casi
- certo
- dai un'occhiata
- scegliere
- Scegli
- ha scelto
- classe
- classificazione
- classificare
- Chiudi
- strettamente
- codice
- codifica
- raccogliere
- Uncommon
- azienda
- completamento di una
- Completato
- complimenti
- computer
- Visione computerizzata
- fiducia
- fiducioso
- Configurazione
- consolle
- contiene
- continua
- Conversazioni
- correggere
- Costo
- Costi
- crepa
- screpolato
- creare
- creato
- crea
- cruciale
- Clienti
- dati
- scienza dei dati
- dataset
- decisori
- decisioni
- diminuire
- democratizzare
- democratizzare
- dettagli
- rivelazione
- Determinare
- Costruttori
- diverso
- differenziare
- distribuzione
- dominio
- Dont
- scaricare
- dovuto
- ogni
- enable
- Abilita
- incoraggiando
- endpoint
- ingegnere
- Ingegneri
- entrare
- Impresa
- appassionato
- Ambiente
- errori
- valutare
- valutazione
- esempio
- esistente
- previsto
- esperienza
- competenza
- esplorazione
- Esplorare
- Caduto
- Caratteristiche
- pochi
- Compila il
- Trovate
- Nome
- prima volta
- Pavimento
- Focus
- i seguenti
- Nel
- formato
- quattro
- Gratis
- da
- ulteriormente
- generare
- la generazione di
- generativo
- AI generativa
- ottenere
- dato
- dà
- buono
- merce
- Avere
- avendo
- he
- Aiuto
- aiutare
- aiuta
- il suo
- ora
- ORE
- Come
- Tutorial
- HTML
- HTTPS
- umano
- identificare
- identificazione
- if
- Immagine
- Classificazione delle immagini
- immagini
- Impact
- importare
- importazione
- competenze
- in
- inclusi
- in modo non corretto
- Aumento
- individuale
- industrie
- intuizioni
- esempio
- immediato
- immediatamente
- Intelligence
- interesse
- Interfaccia
- ai miglioramenti
- coinvolto
- IT
- jpg
- Acuto
- mantenere
- Le
- Discografica
- etichettatura
- per il tuo brand
- dopo
- lanciare
- lanciato
- IMPARARE
- imparato
- apprendimento
- a sinistra
- meno
- Livello
- livelli
- Leva
- piace
- LIMITE
- limiti
- linea
- LINK
- Caricamento in corso
- locale
- ceppo
- amore
- macchina
- machine learning
- Mantenere
- manutenzione
- make
- FA
- gestione
- manufatto
- Produttori
- consigliato per la
- molti
- carta geografica
- matematica
- misurare
- Menu
- Unire
- Metrica
- forza
- mente
- Minuti
- ML
- modello
- modelli
- modificare
- Scopri di più
- maggior parte
- cambiano
- multiplo
- Nome
- Detto
- nomi
- Navigare
- Navigazione
- Bisogno
- che necessitano di
- New
- GENERAZIONE
- adesso
- of
- offline
- di frequente
- on
- ONE
- Operazioni
- Opzione
- or
- organizzazione
- organizzazioni
- Organizzato
- Altro
- Altri
- su
- ancora
- complessivo
- proprio
- pacchetto
- pagina
- vetro
- modelli
- Eseguire
- performance
- eseguita
- permessi
- Platone
- Platone Data Intelligence
- PlatoneDati
- punto
- povero
- Post
- potenzialmente
- Precisione
- predire
- previsto
- previsione
- predizione
- Previsioni
- Anteprima
- Direttore
- Problema
- processi
- Produzione
- Prodotti
- Progressi
- fornire
- qualità
- Presto
- rapidamente
- RARO
- mondo reale
- ridurre
- regione
- resti
- reputazione
- necessario
- richiede
- Risorse
- quelli
- destra
- Prenotazione sale
- Sicurezza
- sagemaker
- Scienze
- graffiare
- vedere
- separato
- Servizi
- servizio
- Sessione
- set
- flessibile.
- condiviso
- Shop
- Un'espansione
- da
- singolo
- So
- soluzione
- Soluzioni
- alcuni
- fonti
- specialista
- specifico
- velocità
- Standard
- standard
- inizia a
- iniziato
- Di partenza
- inizio
- Stato dei servizi
- step
- Passi
- conservazione
- memorizzati
- Strategico
- Stratega
- forte
- tale
- superficie
- Fai
- Tecnologia
- dice
- test
- di
- che
- Il
- La linea
- loro
- Li
- poi
- Strumenti Bowman per analizzare le seguenti finiture:
- questo
- tre
- per tutto
- portata
- tempo
- volte
- a
- ha preso
- top
- Tracking
- Treni
- allenato
- Training
- forma
- Affidati ad
- seconda
- Digitare
- tipicamente
- capire
- Università
- fino a quando
- Aggiornanento
- aggiornato
- Aggiornamenti
- caricato
- Caricamento
- uso
- utilizzato
- Utente
- utenti
- usa
- utilizzando
- vario
- verificare
- versione
- molto
- visione
- vs
- volere
- Prima
- modi
- we
- sito web
- servizi web
- WELL
- sono stati
- quando
- quale
- volere
- con
- senza
- Lavora
- lavoratore
- lavoro
- lavori
- scrivere
- Tu
- giovane
- Trasferimento da aeroporto a Sharm
- zefiro
- Codice postale