による ガートナー、超自動化は2022年の最大のトレンドであり、今後も進歩を続けます。 超自動化の主な障壁のXNUMXつは、人間の関与を減らすのにまだ苦労している分野にあります。 コンピュータビジョンの深層学習が大幅に進歩したにもかかわらず、インテリジェントシステムは人間の視覚認識能力に匹敵するのに苦労しています。 これは主に、注釈付きデータがないため(またはデータがまばらな場合)、品質管理など、訓練を受けた人間の目が依然として支配的な領域にあるためです。 もうXNUMXつの理由は、生産ラインでの品質管理検査など、製品サプライチェーンのすべての領域での人的アクセスの実現可能性です。 目視検査は、貯蔵タンク、圧力容器、配管、自動販売機、および電子機器、医療、CPGなどの多くの産業に拡大するその他の機器など、生産施設のさまざまな機器の内部および外部評価を実行するために広く使用されています。と原材料など。
自動化された視覚検査に人工知能(AI)を使用したり、AIを使用して人間の視覚検査プロセスを強化したりすると、以下に概説する課題に対処するのに役立ちます。
人間の目視検査の課題
人間主導の目視検査には、次の高レベルの問題があります。
- 規模 –ほとんどの製品は、最終消費者が利用できるようになる前に、組み立てからサプライチェーン、品質管理まで、複数の段階を経ます。 欠陥は、製造プロセスまたは組み立て中に、空間と時間のさまざまな時点で発生する可能性があります。 したがって、直接の人間による目視検査を使用することが常に実行可能または費用効果が高いとは限りません。 この拡張性の欠如は、次のような災害につながる可能性があります。 BPディープウォーターホライズンの油流出 & チャレンジャー号のスペースシャトルの爆発、(人間と自然への)全体的な悪影響は、かなりの距離で金銭的コストを上回ります。
- 人間の視覚的エラー –人間主導の目視検査を便利に実行できる領域では、ヒューマンエラーが見過ごされがちな主要な要因です。 以下によると レポート、ほとんどの検査タスクは複雑で、通常20〜30%のエラー率を示します。これは、コストと望ましくない結果に直接つながります。
- 人件費および雑費 –品質管理の全体的なコストは、業界や場所によって大きく異なる可能性がありますが、 見積もり、訓練を受けた品質検査官の給与は、年間26,000〜60,000ドル(USD)の範囲です。 常に考慮されないかもしれない他の雑費もあります。
SageMaker JumpStartは、さまざまなものを始めるのに最適な場所です アマゾンセージメーカー 厳選されたワンクリックソリューション、サンプルノートブック、事前にトレーニングされたコンピュータービジョン、自然言語処理、およびAWS SageMakerインフラストラクチャを使用してユーザーが選択、微調整(必要な場合)、デプロイできる表形式のデータモデルによる機能と機能。
この投稿では、公開されているデータセットとSageMaker JumpStartを使用して、データの取り込みからモデルの推論まで、自動化された欠陥検出ソリューションを迅速にデプロイする方法について説明します。
ソリューションの概要
このソリューションは、最先端のディープラーニングアプローチを使用して、SageMakerを使用して表面の欠陥を自動的に検出します。 欠陥検出ネットワークまたは DDNモデル 強化する より高速なR-CNN 鋼の表面の画像で起こりうる欠陥を特定します。 The NEU表面欠陥データベースは、熱間圧延鋼帯の1,800種類の典型的な表面欠陥を含むバランスの取れたデータセットです:圧延スケール(RS)、パッチ(Pa)、クレージング(Cr)、ピット表面(PS)、介在物(In)、と傷(Sc)。 データベースには、300のグレースケール画像が含まれています。欠陥のタイプごとにXNUMXのサンプルがあります。
コンテンツ
JumpStartソリューションには、次のアーティファクトが含まれています。 JupyterLabファイルブラウザ:
- cloudformation / – AWS CloudFormation 関連するSageMakerリソースを作成し、パーミッションを適用するための設定ファイル。 作成されたリソースを削除するためのクリーンアップスクリプトも含まれています。
- src / –以下が含まれます。
- prepare_data / –NEUデータセットのデータ準備。
- sagemaker_defect_detection / –以下を含むメインパッケージ:
- データセット –NEUデータセット処理が含まれています。
- モデル –欠陥検出ネットワークと呼ばれる自動欠陥検査(ADI)システムが含まれています。 以下を参照してください 紙 詳細については。
- ユーティリティ –視覚化とCOCO評価のためのさまざまなユーティリティ。
- 分類子.py –分類タスク用。
- 検出器.py –検出タスク用。
- 変換.py –トレーニングで使用される画像変換が含まれています。
- ノートブック/ –個々のノートブック。この投稿の後半で詳しく説明します。
- スクリプト/ –トレーニングと構築のためのさまざまなスクリプト。
デフォルトのデータセット
このソリューションは、NEU-CLSデータセットで分類器をトレーニングし、NEU-DETデータセットで検出器をトレーニングします。 このデータセットには、合計1800の画像と4189の境界ボックスが含まれています。 データセットの欠陥の種類は次のとおりです。
- クレージング(クラス:
Cr
、ラベル:0) - インクルージョン(クラス:
In
、ラベル:1) - 凹面(クラス:
PS
、ラベル:2) - パッチ(クラス:Pa、ラベル:3)
- ロールインスケール(クラス:
RS
、ラベル:4) - 傷(クラス:
Sc
、ラベル:5)
以下は、XNUMXつのクラスのサンプル画像です。
以下の画像はサンプル検出結果です。 左から右に、元の画像、グラウンドトゥルース検出、およびSageMakerDDNモデルの出力があります。
アーキテクチャ
JumpStartソリューションには、事前にパッケージ化されています Amazon SageMakerスタジオ 必要なデータセットをダウンロードし、リアルタイムのSageMakerエンドポイントを使用してモデルとデプロイをトレーニングするためのコードとヘルパー関数を含むノートブック。
すべてのノートブックは、パブリックからデータセットをダウンロードします Amazon シンプル ストレージ サービス (Amazon S3)画像を視覚化するためのバケットおよびインポートヘルパー関数。 ノートブックを使用すると、ユーザーはモデルトレーニング用のハイパーパラメータなどのソリューションをカスタマイズしたり、実行したりできます。 転移学習 欠陥検出のユースケースにソリューションを使用することを選択した場合。
このソリューションには、次のXNUMXつのStudioノートブックが含まれています。
- 0_demo.ipynb – NEU-DETデータセットで事前にトレーニングされたDDNモデルからモデルオブジェクトを作成し、リアルタイムのSageMakerエンドポイントの背後にデプロイします。 次に、検出のために欠陥のある画像サンプルを送信し、結果を視覚化します。
- 1_retrain_from_checkpoint.ipynb –事前にトレーニングされた検出器をさらに数エポック再トレーニングし、結果を比較します。 独自のデータセットを持参することもできます。 ただし、ノートブックでは同じデータセットを使用します。 また、事前にトレーニングされたモデルを微調整することによって転移学習を実行するステップも含まれています。 ある特定のタスクで深層学習モデルを微調整するには、特定のデータセットから学習した重みを使用して、別のデータセットでのモデルのパフォーマンスを向上させる必要があります。 また、最初のトレーニングで使用したものと同じデータセットに対して微調整を実行することもできますが、ハイパーパラメータが異なる可能性があります。
- 2_スクラッチからの検出器.ipynb –検出器を最初からトレーニングして、画像に欠陥が存在するかどうかを識別します。
- 3_スクラッチからの分類.ipynb –画像の欠陥のタイプを分類するために、分類器を最初からトレーニングします。
各ノートブックには、SageMakerをデプロイするボイラープレートコードが含まれています リアルタイムエンドポイント モデル推論用。 ノートブックのリストを表示するには、JupyterLabファイルブラウザに移動してJumpStart Solutionディレクトリの「notebooks」フォルダに移動するか、JumpStartソリューションの「OpenNotebook」、具体的には「ProductDefectDetection」ソリューションページをクリックします(以下を参照)。 )。
前提条件
この投稿で概説されているソリューションは、 Amazon SageMaker ジャンプスタート。 このSageMakerJumpStart1Pソリューションを実行し、インフラストラクチャをAWSアカウントにデプロイするには、アクティブなAmazon SageMaker Studioインスタンスを作成する必要があります(Amazon SageMakerドメインへのオンボードを参照)。
ジャンプスタート SageMakerノートブックインスタンスでは機能を利用できず、 AWSコマンドラインインターフェイス (AWS CLI)。
ソリューションを展開する
このソリューションの高レベルの手順については、ウォークスルービデオを提供しています。 開始するには、SageMaker JumpStartを起動し、 製品の欠陥の検出 上の解決策 ソリューション タブには何も表示されないことに注意してください。
提供されているSageMakerノートブックは、入力データをダウンロードして、後のステージを起動します。 入力データはS3バケットにあります。
分類器と検出器のモデルをトレーニングし、SageMakerで結果を評価します。 必要に応じて、トレーニング済みモデルをデプロイし、SageMakerエンドポイントを作成できます。
前のステップで作成されたSageMakerエンドポイントは HTTPSエンドポイント 予測を作成することができます。
モデルのトレーニングと展開は、次の方法で監視できます。 アマゾンクラウドウォッチ.
クリーンアップ
このソリューションが終了したら、不要なAWSリソースをすべて削除してください。 AWS CloudFormationを使用して、ソリューションとノートブックによって作成されたすべての標準リソースを自動的に削除できます。 AWS CloudFormationコンソールで、親スタックを削除します。 親スタックを削除すると、ネストされたスタックが自動的に削除されます。
ソリューションのデフォルトバケットや追加のSageMakerエンドポイント(カスタム名を使用)に加えて、追加のS3バケットなど、このノートブックで作成した可能性のある追加のリソースを手動で削除する必要があります。
まとめ
この投稿では、SageMaker JumpStartを使用して、さまざまな業界における目視検査、品質管理、および欠陥検出の現状に関する問題に対処するソリューションを紹介しました。 事前にトレーニングされたものを使用して構築された自動欠陥検査システムと呼ばれる新しいアプローチをお勧めします DDNモデル 鋼表面の欠陥検出用。 JumpStartソリューションを起動し、パブリックNEUデータセットをダウンロードした後、事前にトレーニングされたモデルをSageMakerリアルタイムエンドポイントの背後にデプロイし、CloudWatchを使用してエンドポイントメトリクスを分析しました。 また、独自のトレーニングデータを取得する方法、転移学習を実行する方法、検出器と分類器を再トレーニングする方法など、JumpStartソリューションの他の機能についても説明しました。
これを試してください JumpStartソリューション SageMaker Studioで、欠陥検出のために新しいデータセットで既存のモデルを再トレーニングするか、SageMakerJumpStartのライブラリから選択します。 コンピュータービジョンモデル, NLPモデル or 表形式モデル 特定のユースケースに合わせて展開します。
著者について
ヴェダントジャイン はシニアAI/MLスペシャリストソリューションアーキテクトであり、お客様がAWSの機械学習エコシステムから価値を引き出すのを支援しています。 AWSに参加する前は、Vedantは、Databricks、Hortonworks(現在はCloudera)、JPMorganChaseなどのさまざまな企業でML/データサイエンススペシャリティの役職を歴任してきました。 彼の仕事以外では、ヴェダントは音楽を作ることに情熱を注いでおり、科学を使って有意義な生活を送り、世界中のおいしいベジタリアン料理を探求しています。
タオサン AWSの応用科学者です。 彼は博士号を取得しました。 マサチューセッツ大学アマースト校でコンピューターサイエンスの博士号を取得。 彼の研究対象は、深層強化学習と確率的モデリングにあります。 彼はAWSDeepRacer、AWSDeepComposerに貢献しました。 彼は社交ダンスと読書が好きです。
- "
- &
- 000
- 100
- 2022
- 28
- a
- 能力
- 私たちについて
- アクセス
- 従った
- アクティブ
- 添加
- 住所
- 進歩
- AI
- すべて
- しかし
- 常に
- Amazon
- 別の
- 適用された
- 申し込む
- アプローチ
- 周りに
- 人工の
- 人工知能
- 人工知能(AI)
- アセンブリ
- 評価
- 自動化
- 自動的に
- オートメーション
- 利用できます
- AWS
- 障壁
- 背後に
- さ
- 以下
- の間に
- 持って来る
- ブラウザ
- 建物
- 機能
- できる
- 場合
- チェーン
- 課題
- チェイス
- 選択する
- class
- クラス
- 分類
- コード
- 企業
- 複雑な
- コンピュータ
- コンピュータサイエンス
- 領事
- consumer
- 含まれています
- 続ける
- 貢献
- コントロール
- controls
- コスト効率の良い
- コスト
- 作ります
- 作成した
- 作成します。
- キュレーション
- 電流プローブ
- 現在の状態
- カスタム
- Customers
- カスタマイズ
- データ
- データベース
- 深いです
- によっては
- 展開します
- 展開
- 展開
- 配備する
- にもかかわらず
- 詳細
- 細部
- 検出
- 異なります
- 直接に
- 災害
- 距離
- ドメイン
- ダウンロード
- 間に
- 各
- エコシステム
- 電子
- エンドポイント
- 装置
- 評価する
- 評価
- 例
- 展示
- 既存の
- 拡大する
- 施設
- 特徴
- フォロー中
- 次
- から
- 機能
- 未来
- 行く
- グレースケール
- 素晴らしい
- 大いに
- ハンドリング
- 助けます
- 助け
- 地平線
- 認定条件
- How To
- しかしながら
- HTTPS
- 人間
- 人間
- 識別する
- 画像
- 画像
- 影響
- 含まれました
- 含ま
- 包含
- 個人
- 産業
- 産業を変えます
- インフラ
- インテリジェンス
- インテリジェント-
- 利益
- 問題
- IT
- 参加
- JPモルガン
- JPモルガン·チェース
- ラベル
- 言語
- 起動する
- 打ち上げ
- つながる
- 学んだ
- 学習
- 図書館
- LINE
- リスト
- 場所
- 機械
- 機械学習
- マシン
- 製
- 主要な
- make
- 作成
- 手動で
- 製造業
- マサチューセッツ州
- マッチング
- 材料
- 意味のある
- 医療の
- メトリック
- モデル
- 金銭的な
- モニター
- 他には?
- モーガン
- 最も
- の試合に
- 音楽を聴く際のスピーカーとして
- 米航空宇宙局(NASA)
- ナチュラル
- 自然
- ナビゲート
- 負
- ネットワーク
- ノート
- 数
- 得
- 油
- オリジナル
- その他
- 全体
- 自分の
- パッケージ
- 部
- 特定の
- 情熱的な
- パッチ
- パフォーマンス
- 実行
- おそらく
- ポイント
- 可能
- 予測
- 圧力
- 前
- プロセス
- 処理
- プロダクト
- 生産
- 製品
- 提供します
- 提供
- 公共
- 品質
- すぐに
- 価格表
- Raw
- リーディング
- への
- 減らします
- 関連した
- の提出が必要です
- 研究
- リソース
- 結果
- ラン
- 給与
- 同じ
- SC
- 規模
- 科学
- 科学者
- 簡単な拡張で
- SIX
- 溶液
- ソリューション
- 一部
- スペース
- 専門家
- 専門
- 特定の
- 特に
- スタック
- ステージ
- 標準
- start
- 開始
- 都道府県
- 最先端の
- まだ
- ストレージ利用料
- 研究
- 供給
- サプライチェーン
- 表面
- システム
- タスク
- 世界
- したがって、
- 介して
- 時間
- トレーニング
- 列車
- 転送
- 変換
- 一般的に
- 大学
- USD
- つかいます
- users
- 公益事業
- 値
- さまざまな
- 動画
- 詳しく見る
- ビジョン
- 可視化
- Wikipedia
- 仕事
- 世界
- 年
- あなたの