דמוקרטיזציה של זיהוי פגמים בראייה ממוחשבת לאיכות ייצור באמצעות למידת מכונה ללא קוד עם Amazon SageMaker Canvas | שירותי האינטרנט של אמזון

עלות של איכות ירודה הוא בראש מעייני היצרנים. פגמים באיכות מגדילים את עלויות הגרוטאות והעיבוד מחדש, מקטינים את התפוקה ויכולים להשפיע על הלקוחות ועל המוניטין של החברה. בדיקת איכות בפס הייצור חיונית לשמירה על תקני איכות. במקרים רבים, בדיקה חזותית אנושית משמשת להערכת האיכות ואיתור ליקויים, אשר יכולים להגביל את תפוקת הקו בשל מגבלות של פקחים אנושיים.

הופעתן של למידת מכונה (ML) ובינה מלאכותית (AI) מביאה ליכולות בדיקה חזותית נוספות באמצעות מודלים של ראייה ממוחשבת (CV) ML. השלמת בדיקה אנושית עם ML מבוסס קורות חיים יכולה להפחית שגיאות זיהוי, להאיץ את הייצור, להפחית את עלות האיכות ולהשפיע לטובה על הלקוחות. בניית מודלים של CV ML דורשת בדרך כלל מומחיות במדעי נתונים וקידוד, שהם לעתים קרובות משאבים נדירים בארגוני ייצור. כעת, מהנדסים איכותיים ואחרים ברצפת החנות יכולים לבנות ולהעריך את המודלים הללו באמצעות שירותי ML ללא קוד, מה שיכול להאיץ את החקירה והאימוץ של מודלים אלה באופן רחב יותר בפעולות הייצור.

אמזון SageMaker Canvas הוא ממשק ויזואלי המאפשר למהנדסי איכות, תהליכים וייצור ליצור תחזיות ML מדויקות בעצמם - מבלי לדרוש ניסיון ב-ML או צורך לכתוב שורת קוד אחת. אתה יכול להשתמש ב- SageMaker Canvas כדי ליצור מודלים של סיווג תמונות בתווית אחת לזיהוי פגמי ייצור נפוצים באמצעות מערכי נתונים משלך של תמונות.

בפוסט זה תלמדו כיצד להשתמש ב- SageMaker Canvas כדי לבנות מודל סיווג תמונה עם תווית אחת לזיהוי פגמים באריחים מגנטיים מיוצרים על סמך התמונה שלהם.

סקירת פתרונות

פוסט זה מניח את נקודת המבט של מהנדס איכות הבוחן בדיקת CV ML, ואתה תעבוד עם נתונים לדוגמה של תמונות אריחים מגנטיים כדי לבנות מודל ML לסיווג תמונה כדי לחזות פגמים באריחים לבדיקת האיכות. מערך הנתונים מכיל יותר מ-1,200 תמונות של אריחים מגנטיים, בעלי פגמים כגון חור נשיפה, שבירה, סדק, התפרקות ומשטח לא אחיד. התמונות הבאות מספקות דוגמה לסיווג פגמים בתווית אחת, עם אריח סדוק משמאל ואריח נקי מפגמים מימין.

בדוגמה מהעולם האמיתי, אתה יכול לאסוף תמונות כאלה מהמוצרים המוגמרים בפס הייצור. בפוסט הזה, אתה משתמש ב- SageMaker Canvas כדי לבנות מודל סיווג תמונה עם תווית אחת שיחזה ויסווג פגמים עבור תמונת אריח מגנטי נתון.

SageMaker Canvas יכול לייבא נתוני תמונה מקובץ דיסק מקומי או שירות אחסון פשוט של אמזון (אמזון S3). עבור פוסט זה, נוצרו תיקיות מרובות (אחת לכל סוג פגם כגון חור נשיפה, שבירה או סדק) בדלי S3, ותמונות אריחים מגנטיים מועלות לתיקיות המתאימות. התיקיה שנקראה Free מכיל תמונות ללא פגמים.

ישנם ארבעה שלבים המעורבים בבניית מודל ה-ML באמצעות SageMaker Canvas:

1. ייבא את מערך הנתונים של התמונות.
2. בנה ואימון המודל.
3. נתח את תובנות המודל, כגון דיוק.
4. לעשות תחזיות.

תנאים מוקדמים

לפני שתתחיל, עליך להגדיר ולהפעיל את SageMaker Canvas. הגדרה זו מבוצעת על ידי מנהל IT וכוללת שלושה שלבים:

1. הגדר אמזון SageMaker תחום.
2. הגדר את המשתמשים.
3. הגדר הרשאות לשימוש בתכונות ספציפיות ב- SageMaker Canvas.

עיין התחלת השימוש ב- Amazon SageMaker Canvas ו הגדרה וניהול של Amazon SageMaker Canvas (עבור מנהלי IT) כדי להגדיר את SageMaker Canvas עבור הארגון שלך.

כאשר SageMaker Canvas מוגדר, המשתמש יכול לנווט אל קונסולת SageMaker, בחר בד בחלונית הניווט ובחר פתח את קנבס כדי להשיק את SageMaker Canvas.

אפליקציית SageMaker Canvas מושקת בחלון דפדפן חדש.

לאחר השקת אפליקציית SageMaker Canvas, אתה מתחיל את השלבים של בניית מודל ה-ML.

ייבא את מערך הנתונים

ייבוא ​​מערך הנתונים הוא השלב הראשון בעת ​​בניית מודל ML עם SageMaker Canvas.

1. באפליקציית SageMaker Canvas, בחר מערכי נתונים בחלונית הניווט.
2. על צור בתפריט, בחר תמונה.
   
3. בעד שם ערכת נתונים, הזן שם, כגון Magnetic-Tiles-Dataset.
4. בחרו צור כדי ליצור את מערך הנתונים.
   

לאחר יצירת מערך הנתונים, עליך לייבא תמונות למערך הנתונים.

5. על תבואו עמוד, בחר אמזון S3 (תמונות האריחים המגנטיים נמצאים בדלי S3).

יש לך אפשרות להעלות את התמונות גם מהמחשב המקומי שלך.

6. בחר את התיקיה בדלי S3 שבה מאוחסנות תמונות האריחים המגנטיים ונבחר ייבוא ​​נתונים.
   

SageMaker Canvas מתחיל לייבא את התמונות למערך הנתונים. לאחר השלמת הייבוא, תוכל לראות את מערך הנתונים של התמונה שנוצר עם 1,266 תמונות.

אתה יכול לבחור את מערך הנתונים כדי לבדוק את הפרטים, כגון תצוגה מקדימה של התמונות והתווית שלהן עבור סוג הפגם. מכיוון שהתמונות אורגנו בתיקיות וכל תיקיה קיבלה את השם עם סוג הפגם, SageMaker Canvas השלימה אוטומטית את תיוג התמונות על סמך שמות התיקיות. כחלופה, תוכל לייבא תמונות ללא תווית, להוסיף תוויות ולבצע תיוג של התמונות הבודדות בנקודת זמן מאוחרת יותר. אתה יכול גם לשנות את התוויות של התמונות הקיימות עם התווית.

ייבוא ​​התמונות הושלם וכעת יש לך מערך תמונות שנוצר ב- SageMaker Canvas. ניתן לעבור לשלב הבא לבניית מודל ML לניבוי פגמים באריחים המגנטיים.

בנה ואימון המודל

אתה מאמן את המודל באמצעות מערך הנתונים המיובאים.

1. בחר את מערך הנתונים (Magnetic-tiles-Dataset) ובחר צור מודל.
2. בעד שם דגם, הזן שם, כגון Magnetic-Tiles-Defect-Model.
3. בחר ניתוח תמונות עבור סוג הבעיה ובחר צור כדי להגדיר את בניית המודל.
   

על של הדוגמנית לִבנוֹת בכרטיסייה, אתה יכול לראות פרטים שונים על מערך הנתונים, כגון הפצת תוויות, ספירת תמונות מתויגות לעומת תמונות ללא תווית, וגם סוג דגם, שהוא חיזוי תמונה של תווית אחת במקרה זה. אם ייבאת תמונות ללא תווית או שברצונך לשנות או לתקן את התוויות של תמונות מסוימות, תוכל לבחור ערוך מערך נתונים כדי לשנות את התוויות.

אתה יכול לבנות מודל בשתי דרכים: בנייה מהירה ובנייה רגילה. אפשרות הבנייה המהירה נותנת עדיפות למהירות על פני דיוק. הוא מאמן את הדגם תוך 15-30 דקות. ניתן להשתמש במודל עבור החיזוי אך לא ניתן לשתף אותו. זוהי אפשרות טובה לבדוק במהירות היתכנות ודיוק של אימון מודל עם מערך נתונים נתון. המבנה הסטנדרטי בוחר דיוק על פני מהירות, ואימון מודלים יכול להימשך בין 2-4 שעות.

עבור פוסט זה, אתה מאמן את המודל באמצעות אפשרות הבנייה הסטנדרטית.

4. בחרו מבנה סטנדרטי על לִבנוֹת לשונית כדי להתחיל לאמן את המודל.

הכשרת המודל מתחילה באופן מיידי. אתה יכול לראות את זמן הבנייה הצפוי ואת התקדמות האימון ב- לנתח TAB.

המתן עד להשלמת הכשרת המודל, ואז תוכל לנתח את ביצועי המודל לצורך הדיוק.

נתח את המודל

במקרה זה, לקח פחות משעה להשלים את הכשרת הדוגמניות. לאחר השלמת הכשרת המודל, תוכל לבדוק את דיוק הדגם ב- לנתח לשונית כדי לקבוע אם המודל יכול לחזות במדויק פגמים. אתה רואה שהדיוק הכולל של הדגם הוא 97.7% במקרה זה. אתה יכול גם לבדוק את דיוק הדגם עבור כל אחד מהתווית או סוג הפגם הנפרד, למשל 100% עבור Fray ו- Uneven אבל כ-95% עבור Blowhole. רמת הדיוק הזו מעודדת, כך שנוכל להמשיך בהערכה.

כדי להבין טוב יותר את המודל ולסמוך עליו, אפשר מפת חום לראות את תחומי העניין בתמונה שהדגם משתמש בהם כדי להבדיל בין התוויות. זה מבוסס על טכניקת מפת הפעלת הכיתה (CAM). אתה יכול להשתמש במפת החום כדי לזהות דפוסים מהתמונות החזויות שלך בצורה שגויה, מה שיכול לעזור לשפר את איכות הדגם שלך.

על מניה בכרטיסייה, אתה יכול לבדוק דיוק ולהיזכר בדגם עבור כל אחת מהתוויות (או סוג או סוג פגם). דיוק וריקול הם מדדי הערכה המשמשים למדידת הביצועים של מודל סיווג בינארי ורב-מעמדי. דיוק אומר כמה טוב המודל בחיזוי מחלקה ספציפית (סוג פגם, בדוגמה זו). Recall מספר כמה פעמים המודל הצליח לזהות מחלקה מסוימת.

ניתוח מודלים עוזר לך להבין את הדיוק של המודל לפני שאתה משתמש בו לחיזוי.

לעשות תחזיות

לאחר ניתוח המודל, כעת תוכל לבצע תחזיות באמצעות מודל זה כדי לזהות פגמים במרצפות המגנטיות.

על לחזות לשונית, אתה יכול לבחור חיזוי בודד ו חיזוי אצווה. בתחזית יחידה, אתה מייבא תמונה בודדת מהמחשב המקומי שלך או מדלי S3 כדי לבצע חיזוי לגבי הפגם. בחיזוי אצווה, אתה יכול לבצע חיזויים עבור תמונות מרובות המאוחסנות במערך נתונים של SageMaker Canvas. אתה יכול ליצור מערך נתונים נפרד ב- SageMaker Canvas עם תמונות הבדיקה או ההסקה עבור חיזוי האצווה. עבור פוסט זה, אנו משתמשים גם בחיזוי יחיד וגם בחיזוי אצווה.

עבור חיזוי בודד, על לחזות בחר, בחר חיזוי בודד, ואז לבחור ייבוא ​​תמונה כדי להעלות את תמונת הבדיקה או ההסקה מהמחשב המקומי שלך.

לאחר ייבוא ​​התמונה, המודל עושה תחזית לגבי הפגם. להסקת ההסקה הראשונה, זה עשוי להימשך כמה דקות מכיוון שהדגם נטען בפעם הראשונה. אבל אחרי שהדגם נטען, הוא עושה תחזיות מיידיות לגבי התמונות. אתה יכול לראות את התמונה ואת רמת הביטחון של החיזוי עבור כל סוג תווית. לדוגמה, במקרה זה, בתמונת האריח המגנטי צפויה פגם משטח לא אחיד (ה Uneven תווית) והדגם בטוח ב-94% לגביו.

באופן דומה, אתה יכול להשתמש בתמונות אחרות או במערך נתונים של תמונות כדי ליצור תחזיות לגבי הפגם.

עבור חיזוי אצווה, אנו משתמשים במערך הנתונים של תמונות ללא תווית בשם Magnetic-Tiles-Test-Dataset על ידי העלאת 12 תמונות בדיקה מהמחשב המקומי שלך למערך הנתונים.

על לחזות בחר, בחר חיזוי אצווה ולבחור בחר מערך נתונים.

בחר Magnetic-Tiles-Test-Dataset מערך נתונים ובחר צור תחזיות.

ייקח קצת זמן ליצור את התחזיות עבור כל התמונות. כשהסטטוס הוא מוכן, בחר בקישור מערך הנתונים כדי לראות את התחזיות.

אתה יכול לראות תחזיות עבור כל התמונות עם רמות ביטחון. אתה יכול לבחור כל אחת מהתמונות האישיות כדי לראות פרטי חיזוי ברמת התמונה.

אתה יכול להוריד את החיזוי בפורמט קובץ CSV או .zip כדי לעבוד במצב לא מקוון. אתה יכול גם לאמת את התוויות החזויות ולהוסיף אותן למערך ההדרכה שלך. כדי לאמת את התוויות החזויות, בחר אמת חיזוי.

במערך החיזוי, תוכל לעדכן תוויות של התמונות הבודדות אם אינך מוצא את התווית החזויה נכונה. לאחר שעדכנת את התוויות כנדרש, בחר הוסף למערך נתונים מאומן כדי למזג את התמונות לתוך מערך ההדרכה שלך (בדוגמה זו, Magnetic-Tiles-Dataset).

זה מעדכן את מערך ההדרכה, הכולל גם את תמונות ההדרכה הקיימות שלך וגם את התמונות החדשות עם תוויות חזויות. אתה יכול לאמן גרסת מודל חדשה עם מערך הנתונים המעודכן ולשפר את ביצועי המודל. גרסת הדגם החדשה לא תהיה אימון מצטבר, אלא אימון חדש מאפס עם מערך הנתונים המעודכן. זה עוזר לשמור על רענון המודל עם מקורות נתונים חדשים.

לנקות את

לאחר שתסיים את עבודתך עם SageMaker Canvas, בחר יציאה כדי לסגור את הפגישה ולהימנע מכל עלות נוספת.

כאשר אתה מתנתק, העבודה שלך, כגון מערכי נתונים ומודלים, נשארת שמורה, ותוכל להפעיל שוב הפעלה של SageMaker Canvas כדי להמשיך בעבודה מאוחר יותר.

SageMaker Canvas יוצר נקודת קצה SageMaker אסינכרונית להפקת התחזיות. כדי למחוק את נקודת הקצה, תצורת נקודת הקצה והמודל שנוצר על ידי SageMaker Canvas, עיין ב מחק נקודות קצה ומשאבים.

סיכום

בפוסט זה, למדת כיצד להשתמש ב- SageMaker Canvas כדי לבנות מודל סיווג תמונה כדי לחזות פגמים במוצרים מיוצרים, כדי להחמיא ולשפר את תהליך איכות הבדיקה החזותית. אתה יכול להשתמש ב- SageMaker Canvas עם מערכי נתונים שונים מסביבת הייצור שלך כדי לבנות מודלים למקרי שימוש כמו תחזוקה חזויה, בדיקת חבילה, בטיחות עובדים, מעקב אחר סחורות ועוד. SageMaker Canvas נותן לך את היכולת להשתמש ב-ML כדי ליצור תחזיות ללא צורך בכתיבת קוד כלשהו, ​​מה שמאיץ את ההערכה והאימוץ של יכולות CV ML.

כדי להתחיל וללמוד עוד על SageMaker Canvas, עיין במשאבים הבאים:

---

על המחברים

בריידרה סינג הוא ארכיטקט פתרונות ב- Amazon Web Services שעובד עם לקוחות ארגוניים. יש לו רקע חזק של מפתחים והוא חובב נלהב לפתרונות נתונים ולמידת מכונה.

דני סמית הוא מנהל, אסטרטג ML לתעשיות רכב וייצור, המשמש כיועץ אסטרטגי ללקוחות. המוקד הקריירה שלו היה בסיוע למקבלי החלטות מפתח למנף נתונים, טכנולוגיה ומתמטיקה כדי לקבל החלטות טובות יותר, מחדר הישיבות ועד לרצפת החנות. לאחרונה רוב השיחות שלו עוסקות בדמוקרטיזציה של למידת מכונה ובינה מלאכותית מחוללת.

דויד גליטלי הוא אדריכל פתרונות מומחה עבור AI/ML באזור EMEA. הוא מבוסס בבריסל ועובד בשיתוף פעולה הדוק עם לקוחות ברחבי בנלוקס. הוא מפתח מאז שהיה צעיר מאוד, התחיל לקוד בגיל 7. הוא התחיל ללמוד AI/ML באוניברסיטה, ומאז התאהב בזה.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/