Amazon SageMaker Canvas によるノーコード機械学習を使用して、製造品質のためのコンピュータービジョンによる欠陥検出を民主化する | アマゾン ウェブ サービス

低品質のコスト メーカーにとっては最優先事項です。 品質上の欠陥はスクラップや再加工のコストを増加させ、スループットを低下させ、顧客や会社の評判に影響を与える可能性があります。 生産ラインでの品質検査は、品質基準を維持するために非常に重要です。 多くの場合、品質を評価して欠陥を検出するために人間の目視検査が使用されますが、人間の検査員の限界によりラインのスループットが制限される可能性があります。

機械学習 (ML) と人工知能 (AI) の出現により、コンピューター ビジョン (CV) ML モデルを使用した追加の視覚検査機能がもたらされます。 CV ベースの ML で人による検査を補完すると、検出エラーが減少し、生産がスピードアップし、品質コストが削減され、顧客にプラスの影響を与えることができます。 CV ML モデルの構築には通常、データ サイエンスとコーディングの専門知識が必要ですが、製造組織ではこれらのリソースは稀であることがよくあります。 現在、製造現場の品質エンジニアやその他の人々は、ノーコード ML サービスを使用してこれらのモデルを構築および評価できるため、製造業務におけるこれらのモデルの探索と導入をより広範に加速できます。

Amazon SageMaker キャンバス は、品質、プロセス、生産のエンジニアが、ML の経験を必要とせず、コードを XNUMX 行も記述することなく、正確な ML 予測を自分で生成できるようにするビジュアル インターフェイスです。 SageMaker Canvas を使用すると、独自の画像データセットを使用して一般的な製造欠陥を特定するための単一ラベル画像分類モデルを作成できます。

この投稿では、SageMaker Canvas を使用して単一ラベルの画像分類モデルを構築し、画像に基づいて製造された磁気タイルの欠陥を特定する方法を学びます。

ソリューションの概要

この投稿では、CV ML 検査を検討する品質エンジニアの視点を想定しており、磁気タイル画像のサンプル データを使用して画像分類 ML モデルを構築し、品質チェック用のタイルの欠陥を予測します。 データセットには、ブローホール、破損、ひび割れ、ほつれ、凹凸のある表面などの欠陥がある磁気タイルの 1,200 枚以上の画像が含まれています。 次の画像は、単一ラベルの欠陥分類の例を示しています。左側にひび割れたタイル、右側に欠陥のないタイルが表示されています。

実際の例では、生産ラインの完成品からそのような画像を収集できます。 この投稿では、SageMaker Canvas を使用して、特定の磁気タイル画像の欠陥を予測して分類する単一ラベルの画像分類モデルを構築します。

SageMaker Canvas は、ローカル ディスク ファイルまたは Amazon シンプル ストレージ サービス (アマゾンS3)。 この投稿では、S3 バケット内に複数のフォルダー (ブローホール、破損、亀裂などの欠陥タイプごとに XNUMX つ) が作成され、磁気タイル イメージがそれぞれのフォルダーにアップロードされます。 というフォルダー Free 欠陥のない画像が含まれています。

SageMaker Canvas を使用して ML モデルを構築するには、次の XNUMX つの手順が必要です。

1. 画像のデータセットをインポートします。
2. モデルを構築してトレーニングします。
3. 精度などのモデルの洞察を分析します。
4. 予測を行います。

前提条件

開始する前に、SageMaker Canvas をセットアップして起動する必要があります。 このセットアップは IT 管理者によって実行され、次の XNUMX つの手順が必要です。

1. セットアップ アマゾンセージメーカー ドメイン。
2. ユーザーを設定します。
3. SageMaker Canvas の特定の機能を使用するための権限を設定します。

参照する AmazonSageMakerCanvasの使用を開始する および Amazon SageMaker Canvas のセットアップと管理 (IT 管理者向け) 組織に合わせて SageMaker Canvas を構成します。

SageMaker Canvas がセットアップされると、ユーザーは SageMaker コンソールに移動し、 キャンバス ナビゲーションペインで、 オープンキャンバス SageMaker Canvas を起動します。

SageMaker Canvas アプリケーションが新しいブラウザ ウィンドウで起動されます。

SageMaker Canvas アプリケーションが起動したら、ML モデルを構築する手順を開始します。

データセットをインポートする

データセットのインポートは、SageMaker Canvas で ML モデルを構築する際の最初のステップです。

1. SageMaker Canvas アプリケーションで、 データセット ナビゲーションペインに表示されます。
2. ソフトウェア設定ページで、下図のように 創造する メニュー、選択 画像.
   
3. データセット名、次のような名前を入力します Magnetic-Tiles-Dataset.
4. 選択する 創造する データセットを作成します。
   

データセットを作成した後、データセットに画像をインポートする必要があります。

5. ソフトウェア設定ページで、下図のように インポート ページ、選択 アマゾンS3 (磁気タイルのイメージは S3 バケット内にあります)。

ローカル コンピューターから画像をアップロードすることもできます。

6. 磁気タイル画像が保存されている S3 バケット内のフォルダーを選択し、 データのインポート.
   

SageMaker Canvas は、データセットへの画像のインポートを開始します。 インポートが完了すると、1,266 個の画像で作成された画像データセットが表示されます。

データセットを選択して、画像のプレビューや欠陥タイプのラベルなどの詳細を確認できます。 画像はフォルダーに整理されており、各フォルダーには欠陥タイプに応じた名前が付けられているため、SageMaker Canvas はフォルダー名に基づいて画像のラベル付けを自動的に完了しました。 別の方法として、ラベルのない画像をインポートし、ラベルを追加し、後で個々の画像のラベル付けを実行することもできます。 既存のラベル付きイメージのラベルを変更することもできます。

画像のインポートが完了し、SageMaker Canvas に画像データセットが作成されました。 次のステップに進んで、磁気タイルの欠陥を予測するための ML モデルを構築できます。

モデルを構築してトレーニングする

インポートされたデータセットを使用してモデルをトレーニングします。

1. データセットを選択します (Magnetic-tiles-Dataset）と選択 モデルを作成する.
2. モデル名、次のような名前を入力します Magnetic-Tiles-Defect-Model.
3. 選択 イメージ分析 問題の種類を選択してください 創造する モデルのビルドを構成します。
   

モデルについて 完成に向けてあなたの背中を押してくれる、執筆のための持続可能で本物のモーメンタムを作り出す。 タブでは、ラベル分布、ラベル付き画像とラベルなし画像の数、モデル タイプ (この場合は単一ラベル画像予測) など、データセットに関するさまざまな詳細を確認できます。 ラベルのない画像をインポートした場合、または特定の画像のラベルを変更または修正したい場合は、 データセットを編集 ラベルを変更します。

モデルは、クイック ビルドと標準ビルドの 15 つの方法で構築できます。 クイック ビルド オプションでは、精度よりも速度が優先されます。 モデルのトレーニングには 30 ～ 2 分かかります。 モデルは予測に使用できますが、共有することはできません。 これは、特定のデータセットを使用したモデルのトレーニングの実現可能性と精度を迅速にチェックするのに良いオプションです。 標準ビルドでは速度よりも精度が重視され、モデルのトレーニングには 4 ～ XNUMX 時間かかる場合があります。

この投稿では、標準ビルド オプションを使用してモデルをトレーニングします。

4. 選択する 標準ビルド 完成に向けてあなたの背中を押してくれる、執筆のための持続可能で本物のモーメンタムを作り出す。 タブをクリックしてモデルのトレーニングを開始します。

モデルのトレーニングは即座に開始されます。 予想されるビルド時間とトレーニングの進行状況は、 解析 タブには何も表示されないことに注意してください。

モデルのトレーニングが完了するまで待ってから、モデルのパフォーマンスを分析して精度を確認できます。

モデルを分析する

この場合、モデルのトレーニングが完了するまでに XNUMX 時間もかかりませんでした。 モデルのトレーニングが完了したら、モデルの精度を確認できます。 解析 タブを使用して、モデルが欠陥を正確に予測できるかどうかを判断します。 この場合、モデル全体の精度が 97.7% であることがわかります。 また、個々のラベルまたは欠陥タイプごとにモデルの精度を確認することもできます。たとえば、ほつれと不均等については 100%、次の場合は約 95% です。 Blowhole。 このレベルの精度は心強いので、評価を続けることができます。

モデルをよりよく理解し、信頼するには、有効にします。 ヒートマップ モデルがラベルを区別するために使用する画像内の対象領域を確認します。 これはクラス アクティベーション マップ (CAM) 技術に基づいています。 ヒートマップを使用すると、誤って予測された画像からパターンを特定でき、モデルの品質の向上に役立ちます。

ソフトウェア設定ページで、下図のように 得点 タブでは、各ラベル (またはクラスまたは欠陥タイプ) のモデルの精度と再現率を確認できます。 適合率と再現率は、バイナリおよびマルチクラス分類モデルのパフォーマンスを測定するために使用される評価指標です。 精度は、モデルが特定のクラス (この例では欠陥タイプ) を予測するのにどの程度優れているかを示します。 再現率は、モデルが特定のクラスを何回検出できたかを示します。

モデル分析は、予測に使用する前にモデルの精度を理解するのに役立ちます。

予測を行います

モデル分析後、このモデルを使用して予測を行い、磁気タイルの欠陥を特定できるようになります。

ソフトウェア設定ページで、下図のように 予測する タブ、あなたは選ぶことができます 単一の予測 および バッチ予測。 単一予測では、ローカル コンピューターまたは S3 バケットから単一の画像をインポートして、欠陥に関する予測を行います。 バッチ予測では、SageMaker Canvas データセットに保存されている複数の画像に対して予測を行うことができます。 バッチ予測用のテスト画像または推論画像を使用して、SageMaker Canvas に別のデータセットを作成できます。 この投稿では、単一予測とバッチ予測の両方を使用します。

単一の予測の場合、 予測する タブを選択 単一の予測、を選択します 画像をインポートする ローカル コンピューターからテスト イメージまたは推論イメージをアップロードします。

画像がインポートされた後、モデルは欠陥についての予測を行います。 最初の推論では、モデルが初めて読み込まれるため、数分かかる場合があります。 ただし、モデルが読み込まれると、画像について即座に予測が行われます。 各ラベル タイプの予測のイメージと信頼度を確認できます。 たとえば、この場合、磁気タイル画像には凹凸のある表面欠陥があると予測されます ( Uneven label)、モデルはそれについて 94% 自信を持っています。

同様に、他の画像または画像のデータセットを使用して、欠陥についての予測を行うことができます。

バッチ予測には、ラベルのない画像のデータセットを使用します。 Magnetic-Tiles-Test-Dataset 12 個のテスト画像をローカル コンピューターからデータセットにアップロードします。

ソフトウェア設定ページで、下図のように 予測する タブを選択 バッチ予測 選択して データセットを選択.

現在地に最も近い Magnetic-Tiles-Test-Dataset データセットと選択 予測を生成する.

すべての画像の予測を生成するには時間がかかります。 ステータスが レディ、データセットのリンクを選択して予測を確認します。

すべての画像の予測を信頼レベルで確認できます。 個々の画像のいずれかを選択して、画像レベルの予測の詳細を確認できます。

予測を CSV または .zip ファイル形式でダウンロードして、オフラインで作業できます。 予測されたラベルを検証し、トレーニング データセットに追加することもできます。 予測されたラベルを検証するには、 予測を検証する.

予測ラベルが正しくない場合は、予測データセットで個々の画像のラベルを更新できます。 必要に応じてラベルを更新したら、 トレーニングされたデータセットに追加する 画像をトレーニング データセットにマージします (この例では、 Magnetic-Tiles-Dataset).

これにより、既存のトレーニング画像と予測されたラベルが付いた新しい画像の両方が含まれるトレーニング データセットが更新されます。 更新されたデータセットを使用して新しいモデル バージョンをトレーニングすると、モデルのパフォーマンスが向上する可能性があります。 新しいモデル バージョンは増分トレーニングではなく、更新されたデータセットを使用した最初からの新しいトレーニングになります。 これは、新しいデータ ソースでモデルを常に最新の状態に保つのに役立ちます。

クリーンアップ

SageMaker Canvas での作業が完了したら、 ログアウト セッションを終了し、さらなるコストを回避します。

ログアウトしても、データセットやモデルなどの作業は保存されたままになり、後で SageMaker Canvas セッションを再度起動して作業を続行できます。

SageMaker Canvas は、予測を生成するための非同期 SageMaker エンドポイントを作成します。 SageMaker Canvas によって作成されたエンドポイント、エンドポイント設定、モデルを削除するには、以下を参照してください。 エンドポイントとリソースの削除.

まとめ

この投稿では、SageMaker Canvas を使用して画像分類モデルを構築し、製造製品の欠陥を予測し、外観検査の品質プロセスを補完および改善する方法を学びました。 SageMaker Canvas を製造環境のさまざまな画像データセットで使用して、予知保全、パッケージ検査、作業者の安全、商品追跡などのユースケースのモデルを構築できます。 SageMaker Canvas を使用すると、コードを記述することなく ML を使用して予測を生成できるため、CV ML 機能の評価と導入が促進されます。

SageMaker Canvas の開始と詳細については、次のリソースを参照してください。

---

著者について

ブラジェンドラシン アマゾンウェブサービスのソリューションアーキテクトであり、企業のお客様と協力しています。 彼は強力な開発者のバックグラウンドを持ち、データと機械学習ソリューションに熱心です。

ダニースミス 自動車および製造業界のプリンシパル兼 ML ストラテジストであり、顧客の戦略アドバイザーとしての役割を果たしています。 彼のキャリアの焦点は、役員室から製造現場に至るまで、主要な意思決定者がデータ、テクノロジー、数学を活用してより良い意思決定を行えるよう支援することにありました。 最近の彼の会話のほとんどは、機械学習と生成 AI の民主化に関するものです。

ダビデガリテッリ は、EMEA地域のAI/MLのスペシャリストソリューションアーキテクトです。 彼はブリュッセルを拠点とし、ベネルクス全体の顧客と緊密に協力しています。 彼は幼い頃から開発者であり、7歳でコーディングを始めました。大学でAI / MLを学び始め、それ以来、AI/MLに夢中になっています。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 自動車/EV、 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• ブロックオフセット。 環境オフセット所有権の近代化。 こちらからアクセスしてください。
• 情報源： https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/