Secondo Gartner, l'iperautomazione è la tendenza numero uno nel 2022 e continuerà ad avanzare in futuro. Uno dei principali ostacoli all'iperautomazione si trova nelle aree in cui stiamo ancora lottando per ridurre il coinvolgimento umano. I sistemi intelligenti hanno difficoltà a far corrispondere le capacità di riconoscimento visivo umano, nonostante i grandi progressi nell'apprendimento profondo nella visione artificiale. Ciò è dovuto principalmente alla mancanza di dati annotati (o quando i dati sono scarsi) e in aree come il controllo qualità, dove dominano ancora gli occhi umani addestrati. Un altro motivo è la fattibilità dell'accesso umano in tutte le aree della catena di approvvigionamento del prodotto, come l'ispezione del controllo qualità sulla linea di produzione. L'ispezione visiva è ampiamente utilizzata per eseguire la valutazione interna ed esterna di varie apparecchiature in un impianto di produzione, come serbatoi di stoccaggio, recipienti a pressione, tubazioni, distributori automatici e altre apparecchiature, che si espandono a molti settori, come elettronica, medicina, CPG, e materie prime e altro ancora.
L'uso dell'intelligenza artificiale (AI) per l'ispezione visiva automatizzata o l'aumento del processo di ispezione visiva umana con l'IA può aiutare ad affrontare le sfide descritte di seguito.
Sfide dell'ispezione visiva umana
L'ispezione visiva guidata dall'uomo presenta i seguenti problemi di alto livello:
- Scala – La maggior parte dei prodotti passa attraverso più fasi, dall'assemblaggio alla catena di fornitura al controllo qualità, prima di essere messi a disposizione del consumatore finale. I difetti possono verificarsi durante il processo di produzione o l'assemblaggio in diversi punti nello spazio e nel tempo. Pertanto, non è sempre fattibile o conveniente utilizzare l'ispezione visiva umana di persona. Questa incapacità di scalare può causare disastri come il Fuoriuscita di petrolio dalla BP Deepwater Horizon ed Esplosione della navetta spaziale Challenger, il cui impatto negativo complessivo (per l'uomo e la natura) supera di gran lunga il costo monetario.
- Errore visivo umano – Nelle aree in cui l'ispezione visiva guidata dall'uomo può essere convenientemente eseguita, l'errore umano è un fattore importante che spesso viene trascurato. Secondo quanto segue rapporto, la maggior parte delle attività di ispezione sono complesse e in genere presentano tassi di errore del 20–30%, che si traducono direttamente in costi e risultati indesiderati.
- Personale e spese varie – Anche se il costo complessivo del controllo qualità può variare notevolmente a seconda del settore e dell'ubicazione, secondo alcuni stime, lo stipendio di un ispettore qualità qualificato varia tra $ 26,000 e $ 60,000 (USD) all'anno. Ci sono anche altri costi vari che potrebbero non essere sempre contabilizzati.
SageMaker JumpStart è un ottimo posto per iniziare con vari Amazon Sage Maker caratteristiche e capacità attraverso soluzioni con un clic curate, notebook di esempio e modelli di dati pre-addestrati di visione artificiale, elaborazione del linguaggio naturale e tabulari che gli utenti possono scegliere, mettere a punto (se necessario) e distribuire utilizzando l'infrastruttura AWS SageMaker.
In questo post, illustreremo come distribuire rapidamente una soluzione di rilevamento automatico dei difetti, dall'acquisizione dei dati all'inferenza del modello, utilizzando un set di dati pubblicamente disponibile e SageMaker JumpStart.
Panoramica della soluzione
Questa soluzione utilizza un approccio di deep learning all'avanguardia per rilevare automaticamente i difetti di superficie utilizzando SageMaker. La rete di rilevamento dei difetti o Modello DDN migliora il R-CNN più veloce e identifica possibili difetti nell'immagine di una superficie d'acciaio. Il Database dei difetti superficiali NEU, è un set di dati bilanciato che contiene sei tipi di difetti superficiali tipici di un nastro di acciaio laminato a caldo: scaglie di laminazione (RS), patch (Pa), cavillature (Cr), superficie butterata (PS), inclusione (In), e graffi (Sc). Il database include 1,800 immagini in scala di grigi: 300 campioni ciascuno per tipo di difetto.
Contenuti
La soluzione JumpStart contiene i seguenti artefatti, che sono disponibili da Browser di file JupyterLab:
- formazione nuvolosa/ - AWS CloudFormazione file di configurazione per creare risorse SageMaker rilevanti e applicare le autorizzazioni. Include anche script di pulizia per eliminare le risorse create.
- src / – Contiene quanto segue:
- preparare_dati/ – Preparazione dei dati per set di dati NEU.
- sagemaker_defect_detection/ – Pacchetto principale contenente quanto segue:
- dataset – Contiene la gestione del set di dati NEU.
- modelli – Contiene il sistema di ispezione automatizzata dei difetti (ADI) chiamato Rete di rilevamento dei difetti. Vedi quanto segue carta per i dettagli.
- utils – Varie utilità per la visualizzazione e la valutazione COCO.
- classificatore.py – Per il compito di classificazione.
- rilevatore.py – Per l'attività di rilevamento.
- trasforma.py – Contiene le trasformazioni dell'immagine utilizzate durante l'allenamento.
- i Quaderni/ – I singoli taccuini, discussi più in dettaglio più avanti in questo post.
- script / – Vari script per la formazione e la costruzione.
Set di dati predefinito
Questa soluzione addestra un classificatore sul set di dati NEU-CLS e un rilevatore sul set di dati NEU-DET. Questo set di dati contiene 1800 immagini e 4189 riquadri di delimitazione in totale. I tipi di difetti nel nostro set di dati sono i seguenti:
- Folle (classe:
Cr
, etichetta: 0) - Inclusione (classe:
In
, etichetta: 1) - Superficie bucherellata (classe:
PS
, etichetta: 2) - Patch (classe: Pa, etichetta: 3)
- Bilancia arrotolata (classe:
RS
, etichetta: 4) - Graffi (classe:
Sc
, etichetta: 5)
Le seguenti sono immagini di esempio delle sei classi.
Le seguenti immagini sono risultati di rilevamento del campione. Da sinistra a destra, abbiamo l'immagine originale, il rilevamento della verità sul terreno e l'output del modello DDN di SageMaker.
Architettura
La soluzione JumpStart viene fornita preconfezionata Amazon Sage Maker Studio notebook che scaricano i set di dati richiesti e contengono il codice e le funzioni di supporto per l'addestramento del modello/i e la distribuzione utilizzando un endpoint SageMaker in tempo reale.
Tutti i notebook scaricano il set di dati da un pubblico Servizio di archiviazione semplice Amazon (Amazon S3) bucket e funzioni di supporto all'importazione per visualizzare le immagini. I notebook consentono all'utente di personalizzare la soluzione, ad esempio gli iperparametri per l'addestramento del modello o l'esecuzione trasferire l'apprendimento nel caso in cui tu scelga di utilizzare la soluzione per il tuo caso d'uso di rilevamento dei difetti.
La soluzione contiene i seguenti quattro notebook Studio:
- 0_demo.ipynb – Crea un oggetto modello da un modello DDN pre-addestrato sul set di dati NEU-DET e lo distribuisce dietro un endpoint SageMaker in tempo reale. Quindi inviamo alcuni campioni di immagini con difetti per il rilevamento e visualizzare i risultati.
- 1_retrain_from_checkpoint.ipynb – Riqualifica il nostro rilevatore pre-addestrato per qualche altra epoca e confronta i risultati. Puoi anche portare il tuo set di dati; tuttavia, utilizziamo lo stesso set di dati nel notebook. È incluso anche un passaggio per eseguire l'apprendimento di trasferimento perfezionando il modello pre-addestrato. La messa a punto di un modello di deep learning su un'attività particolare implica l'utilizzo dei pesi appresi da un determinato set di dati per migliorare le prestazioni del modello su un altro set di dati. È inoltre possibile eseguire la messa a punto sullo stesso set di dati utilizzato nell'addestramento iniziale, ma magari con iperparametri diversi.
- 2_detector_from_scratch.ipynb – Addestra da zero il nostro rilevatore per identificare se esistono difetti in un'immagine.
- 3_classificazione_from_scratch.ipynb – Addestra da zero il nostro classificatore per classificare il tipo di difetto in un'immagine.
Ogni notebook contiene codice standard che distribuisce un SageMaker punto finale in tempo reale per l'inferenza del modello. È possibile visualizzare l'elenco dei notebook accedendo al browser di file JupyterLab e navigando nella cartella "notebook" nella directory della soluzione JumpStart o facendo clic su "Apri notebook" nella soluzione JumpStart, in particolare nella pagina della soluzione "Rilevamento dei difetti del prodotto" (vedere di seguito ).
Prerequisiti
La soluzione delineata in questo post fa parte di JumpStart di Amazon SageMaker. Per eseguire questa soluzione SageMaker JumpStart 1P e fare in modo che l'infrastruttura venga distribuita sul tuo account AWS, devi creare un'istanza Amazon SageMaker Studio attiva (consulta Onboarding in Amazon SageMaker Domain).
inizio di salto le funzioni non sono disponibili nelle istanze notebook SageMaker e non è possibile accedervi tramite il Interfaccia della riga di comando di AWS (interfaccia a riga di comando dell'AWS).
Distribuisci la soluzione
Forniamo video guida per i passaggi di alto livello su questa soluzione. Per iniziare, avvia SageMaker JumpStart e scegli il Rilevamento dei difetti del prodotto soluzione sul Soluzioni scheda.
I notebook SageMaker forniti scaricano i dati di input e avviano le fasi successive. I dati di input si trovano in un bucket S3.
Formiamo i modelli di classificatore e rivelatore e valutiamo i risultati in SageMaker. Se lo desideri, puoi distribuire i modelli addestrati e creare endpoint SageMaker.
L'endpoint SageMaker creato dal passaggio precedente è un Endpoint HTTPS ed è in grado di produrre previsioni.
È possibile monitorare l'addestramento e la distribuzione del modello tramite Amazon Cloud Watch.
ripulire
Al termine di questa soluzione, assicurati di eliminare tutte le risorse AWS indesiderate. Puoi utilizzare AWS CloudFormation per eliminare automaticamente tutte le risorse standard create dalla soluzione e dal notebook. Sulla console AWS CloudFormation, elimina lo stack padre. L'eliminazione dello stack padre elimina automaticamente gli stack nidificati.
È necessario eliminare manualmente eventuali risorse aggiuntive che potresti aver creato in questo notebook, ad esempio bucket S3 aggiuntivi oltre al bucket predefinito della soluzione o endpoint SageMaker aggiuntivi (utilizzando un nome personalizzato).
Conclusione
In questo post, abbiamo introdotto una soluzione che utilizza SageMaker JumpStart per risolvere i problemi con lo stato attuale dell'ispezione visiva, del controllo qualità e del rilevamento dei difetti in vari settori. Abbiamo consigliato un nuovo approccio chiamato sistema di ispezione automatizzata dei difetti creato utilizzando un pre-addestrato Modello DDN per il rilevamento di difetti su superfici in acciaio. Dopo aver avviato la soluzione JumpStart e scaricato i set di dati NEU pubblici, hai distribuito un modello pre-addestrato dietro un endpoint in tempo reale SageMaker e analizzato i parametri dell'endpoint utilizzando CloudWatch. Abbiamo anche discusso di altre funzionalità della soluzione JumpStart, ad esempio come portare i propri dati di addestramento, eseguire l'apprendimento del trasferimento e riqualificare il rilevatore e il classificatore.
Prova questo Soluzione JumpStart su SageMaker Studio, riqualificando il modello esistente su un nuovo set di dati per il rilevamento dei difetti o scegliendo dalla libreria di SageMaker JumpStart di modelli di visione artificiale, Modelli PNL or modelli tabulari e distribuiscili per il tuo caso d'uso specifico.
Informazioni sugli autori
Giainista Vedante è un Senior AI/ML Specialist Solutions Architect, che aiuta i clienti a trarre valore dall'ecosistema di Machine Learning in AWS. Prima di entrare in AWS, Vedant ha ricoperto posizioni di ML/Data Science Specialty in varie aziende come Databricks, Hortonworks (ora Cloudera) e JP Morgan Chase. Al di fuori del suo lavoro, Vedant è appassionato di fare musica, usare la scienza per condurre una vita significativa ed esplorare la deliziosa cucina vegetariana di tutto il mondo.
Tao Sole è uno scienziato applicato in AWS. Ha conseguito il dottorato di ricerca. in Informatica presso l'Università del Massachusetts, Amherst. I suoi interessi di ricerca risiedono nell'apprendimento per rinforzo profondo e nella modellazione probabilistica. Ha contribuito ad AWS DeepRacer, AWS DeepComposer. Gli piace ballare da sala e leggere durante il tempo libero.
- Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
- Criptofalco. Radar Altcoin. Prova gratuita.
- Fonte: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- abilità
- Chi siamo
- accesso
- Secondo
- Il mio account
- attivo
- aggiunta
- indirizzo
- avanzamenti
- AI
- Tutti
- Sebbene il
- sempre
- Amazon
- Un altro
- applicato
- APPLICA
- approccio
- in giro
- artificiale
- intelligenza artificiale
- Intelligenza artificiale (AI)
- montaggio
- valutazione
- Automatizzata
- automaticamente
- Automazione
- disponibile
- AWS
- barriere
- prima
- dietro
- essendo
- sotto
- fra
- portare
- del browser
- Costruzione
- funzionalità
- capace
- Custodie
- catena
- sfide
- inseguimento
- Scegli
- classe
- classi
- classificazione
- codice
- Aziende
- complesso
- computer
- Informatica
- Configurazione
- consolle
- Consumer
- contiene
- continua
- contribuito
- di controllo
- controlli
- costo effettivo
- Costi
- creare
- creato
- crea
- a cura
- Corrente
- Stato attuale
- costume
- Clienti
- personalizzare
- dati
- Banca Dati
- deep
- Dipendente
- schierare
- schierato
- deployment
- Distribuisce
- Nonostante
- dettaglio
- dettagli
- rivelazione
- diverso
- direttamente
- disastri
- distanza
- dominio
- scaricare
- durante
- ogni
- ecosistema
- Elettronica
- endpoint
- usate
- valutare
- valutazione
- esempio
- mostra
- esistente
- espande
- Facility
- Caratteristiche
- i seguenti
- segue
- da
- funzioni
- futuro
- andando
- Scala di grigi
- grande
- molto
- Manovrabilità
- Aiuto
- aiutare
- orizzonte
- Come
- Tutorial
- Tuttavia
- HTTPS
- umano
- Gli esseri umani
- identificare
- Immagine
- immagini
- Impact
- incluso
- inclusi
- inclusione
- individuale
- industrie
- industria
- Infrastruttura
- ingresso
- esempio
- Intelligence
- Intelligente
- interessi
- sicurezza
- IT
- accoppiamento
- jp morgan
- JP Morgan Chase
- Discografica
- Lingua
- lanciare
- lanciato
- portare
- imparato
- apprendimento
- Biblioteca
- linea
- Lista
- località
- macchina
- machine learning
- macchine
- fatto
- maggiore
- make
- Fare
- manualmente
- consigliato per la
- Massachusetts
- corrispondenza
- Materiale
- significativo
- medicale
- Metrica
- modello
- modelli
- Monetario
- Monitorare
- Scopri di più
- Morgan
- maggior parte
- multiplo
- Musica
- Nasa
- Naturale
- Natura
- navigazione
- negativo.
- Rete
- taccuino
- numero
- ottenuto
- Olio
- i
- Altro
- complessivo
- proprio
- pacchetto
- parte
- particolare
- appassionato
- Patch
- performance
- esecuzione
- Forse
- punti
- possibile
- Previsioni
- pressione
- precedente
- processi
- lavorazione
- Prodotto
- Produzione
- Prodotti
- fornire
- purché
- la percezione
- qualità
- rapidamente
- Crudo
- Lettura
- tempo reale
- ridurre
- pertinente
- necessario
- riparazioni
- Risorse
- Risultati
- Correre
- stipendio
- stesso
- SC
- Scala
- Scienze
- Scienziato
- Un'espansione
- SIX
- soluzione
- Soluzioni
- alcuni
- lo spazio
- specialista
- Specialità
- specifico
- in particolare
- pila
- tappe
- Standard
- inizia a
- iniziato
- Regione / Stato
- state-of-the-art
- Ancora
- conservazione
- studio
- fornire
- supply chain
- superficie
- sistema
- SISTEMI DI TRATTAMENTO
- task
- I
- il mondo
- perciò
- Attraverso
- tempo
- Training
- forma
- trasferimento
- trasformazioni
- tipicamente
- Università
- USD
- uso
- utenti
- utilità
- APPREZZIAMO
- vario
- Video
- Visualizza
- visione
- visualizzazione
- wikipedia
- Lavora
- mondo
- anno
- Trasferimento da aeroporto a Sharm