Amazon SageMaker Canvas로 코드 없는 기계 학습을 사용하여 제조 품질을 위한 컴퓨터 비전 결함 감지 대중화 | 아마존 웹 서비스

품질 저하 비용 제조업체의 최우선 과제입니다. 품질 결함은 스크랩 및 재작업 비용을 증가시키고 처리량을 감소시키며 고객과 회사 평판에 영향을 미칠 수 있습니다. 생산 라인의 품질 검사는 품질 표준을 유지하는 데 매우 중요합니다. 많은 경우에 육안 검사는 품질을 평가하고 결함을 감지하는 데 사용되며, 이는 검사자의 한계로 인해 라인의 처리량을 제한할 수 있습니다.

기계 학습(ML) 및 인공 지능(AI)의 출현으로 컴퓨터 비전(CV) ML 모델을 사용하여 시각적 검사 기능이 추가되었습니다. CV 기반 ML로 사람의 검사를 보완하면 감지 오류를 줄이고 생산 속도를 높이며 품질 비용을 줄이고 고객에게 긍정적인 영향을 미칠 수 있습니다. CV ML 모델을 구축하려면 일반적으로 데이터 과학 및 코딩에 대한 전문 지식이 필요하며, 이는 종종 제조 조직에서 드문 리소스입니다. 이제 품질 엔지니어와 작업 현장의 다른 사람들은 코드 없는 ML 서비스를 사용하여 이러한 모델을 구축하고 평가할 수 있으므로 제조 작업에서 이러한 모델을 보다 광범위하게 탐색하고 채택할 수 있습니다.

Amazon SageMaker 캔버스 품질, 프로세스 및 생산 엔지니어가 ML 경험이 없거나 한 줄의 코드를 작성하지 않고도 자체적으로 정확한 ML 예측을 생성할 수 있는 시각적 인터페이스입니다. SageMaker Canvas를 사용하여 자체 이미지 데이터 세트를 사용하여 일반적인 제조 결함을 식별하기 위한 단일 레이블 이미지 분류 모델을 생성할 수 있습니다.

이 게시물에서는 SageMaker Canvas를 사용하여 이미지를 기반으로 제조된 자기 타일의 결함을 식별하는 단일 레이블 이미지 분류 모델을 구축하는 방법을 알아봅니다.

솔루션 개요

이 게시물은 CV ML 검사를 탐색하는 품질 엔지니어의 관점을 가정하고 자기 타일 이미지의 샘플 데이터로 작업하여 이미지 분류 ML 모델을 구축하여 품질 검사를 위해 타일의 결함을 예측합니다. 데이터 세트에는 블로홀, 파손, 균열, 해어짐 및 고르지 않은 표면과 같은 결함이 있는 1,200개 이상의 자기 타일 이미지가 포함되어 있습니다. 다음 이미지는 왼쪽에 금이 간 타일과 오른쪽에 결함이 없는 타일이 있는 단일 레이블 결함 분류의 예를 제공합니다.

실제 사례에서는 생산 라인의 완제품에서 이러한 이미지를 수집할 수 있습니다. 이 게시물에서는 SageMaker Canvas를 사용하여 주어진 자기 타일 이미지에 대한 결함을 예측하고 분류하는 단일 레이블 이미지 분류 모델을 구축합니다.

SageMaker Canvas는 로컬 디스크 파일 또는 아마존 단순 스토리지 서비스 (아마존 S3). 이 게시물의 경우 S3 버킷에 여러 개의 폴더(구멍, 파손 또는 균열과 같은 결함 유형당 하나씩)가 생성되었으며 자기 타일 이미지가 해당 폴더에 업로드되었습니다. 라는 폴더 Free 결함 없는 이미지를 포함합니다.

SageMaker Canvas를 사용하여 ML 모델을 구축하는 데는 XNUMX단계가 포함됩니다.

1. 이미지의 데이터 세트를 가져옵니다.
2. 모델을 빌드하고 훈련합니다.
3. 정확도와 같은 모델 인사이트를 분석합니다.
4. 예상하다.

사전 조건

시작하기 전에 SageMaker Canvas를 설정하고 시작해야 합니다. 이 설정은 IT 관리자가 수행하며 다음 세 단계로 구성됩니다.

1. 설정 아마존 세이지 메이커 도메인입니다.
2. 사용자를 설정합니다.
3. SageMaker Canvas에서 특정 기능을 사용할 권한을 설정합니다.

인용하다 Amazon SageMaker Canvas 사용 시작하기 및 Amazon SageMaker 캔버스 설정 및 관리(IT 관리자용) 조직에 대해 SageMaker Canvas를 구성합니다.

SageMaker Canvas가 설정되면 사용자는 SageMaker 콘솔로 이동하여 다음을 선택할 수 있습니다. 캔버스 탐색 창에서 오픈 캔버스 SageMaker Canvas를 시작합니다.

SageMaker Canvas 애플리케이션이 새 브라우저 창에서 시작됩니다.

SageMaker Canvas 애플리케이션이 시작된 후 ML 모델 구축 단계를 시작합니다.

데이터세트 가져오기

데이터 세트 가져오기는 SageMaker Canvas로 ML 모델을 구축할 때 첫 번째 단계입니다.

1. SageMaker Canvas 애플리케이션에서 다음을 선택합니다. 데이터 세트 탐색 창에서
2. 에 만들기 메뉴, 선택 영상.
   
3. 럭셔리 데이터 세트 이름, 같은 이름을 입력하십시오 Magnetic-Tiles-Dataset.
4. 왼쪽 메뉴에서 만들기 데이터 세트를 생성합니다.
   

데이터세트가 생성된 후 데이터세트의 이미지를 가져와야 합니다.

5. 에 수입 페이지에서 선택 아마존 S3 (자석 타일 이미지는 S3 버킷에 있음).

로컬 컴퓨터에서도 이미지를 업로드할 수 있습니다.

6. 자기 타일 이미지가 저장된 S3 버킷의 폴더를 선택하고 데이터 가져 오기.
   

SageMaker Canvas가 이미지를 데이터 세트로 가져오기 시작합니다. 가져오기가 완료되면 1,266개의 이미지로 생성된 이미지 데이터셋을 확인할 수 있습니다.

데이터 세트를 선택하여 이미지 미리보기 및 결함 유형에 대한 레이블과 같은 세부 정보를 확인할 수 있습니다. 이미지가 폴더로 구성되고 각 폴더의 이름이 결함 유형으로 지정되었기 때문에 SageMaker Canvas는 폴더 이름을 기반으로 이미지의 레이블 지정을 자동으로 완료했습니다. 또는 레이블이 지정되지 않은 이미지를 가져오고, 레이블을 추가하고, 나중에 개별 이미지의 레이블 지정을 수행할 수 있습니다. 기존 레이블이 지정된 이미지의 레이블을 수정할 수도 있습니다.

이미지 가져오기가 완료되었으며 이제 SageMaker 캔버스에 이미지 데이터 세트가 생성되었습니다. 다음 단계로 이동하여 자기 타일의 결함을 예측하는 ML 모델을 구축할 수 있습니다.

모델 빌드 및 학습

가져온 데이터세트를 사용하여 모델을 교육합니다.

1. 데이터세트(Magnetic-tiles-Dataset) 및 선택 모델 만들기.
2. 럭셔리 모델 이름, 같은 이름을 입력하십시오 Magnetic-Tiles-Defect-Model.
3. 선택 이미지 분석 문제 유형을 선택하고 만들기 모델 빌드를 구성합니다.
   

모델의 짓다 탭에서 레이블 분포, 레이블이 지정된 이미지와 레이블이 지정되지 않은 이미지의 수, 이 경우 단일 레이블 이미지 예측인 모델 유형과 같은 데이터 세트에 대한 다양한 세부 정보를 볼 수 있습니다. 레이블이 지정되지 않은 이미지를 가져왔거나 특정 이미지의 레이블을 수정하거나 수정하려는 경우 데이터 세트 수정 레이블을 수정합니다.

빠른 빌드와 표준 빌드의 두 가지 방법으로 모델을 빌드할 수 있습니다. 빠른 빌드 옵션은 정확성보다 속도를 우선시합니다. 15~30분 안에 모델을 학습시킵니다. 모델을 예측에 사용할 수 있지만 공유할 수는 없습니다. 주어진 데이터 세트로 모델 교육의 타당성과 정확성을 빠르게 확인하는 좋은 옵션입니다. 표준 빌드는 속도보다 정확도를 선택하며 모델 교육은 2~4시간이 소요될 수 있습니다.

이 게시물에서는 표준 빌드 옵션을 사용하여 모델을 교육합니다.

4. 왼쪽 메뉴에서 표준 빌드 를 시청하여 이에 대해 더 많은 정보를 얻을 수 있습니다. 짓다 탭하여 모델 교육을 시작합니다.

모델 교육이 즉시 시작됩니다. 예상 빌드 시간과 교육 진행 상황을 볼 수 있습니다. 분석 탭.

모델 학습이 완료될 때까지 기다린 다음 정확도를 위해 모델 성능을 분석할 수 있습니다.

모델 분석

이 경우 모델 학습을 완료하는 데 XNUMX시간도 채 걸리지 않았습니다. 모델 학습이 완료되면 모델 정확도를 확인할 수 있습니다. 분석 탭하여 모델이 결함을 정확하게 예측할 수 있는지 확인합니다. 이 경우 전체 모델 정확도는 97.7%입니다. 개별 라벨 또는 결함 유형 각각에 대한 모델 정확도를 확인할 수도 있습니다. 예를 들어, 헤짐 및 고르지 않은 경우 100%, Blowhole. 이 수준의 정확도는 고무적이므로 평가를 계속할 수 있습니다.

모델을 더 잘 이해하고 신뢰하려면 활성화 히트 맵 모델이 레이블을 구분하는 데 사용하는 이미지의 관심 영역을 확인합니다. 클래스 활성화 맵(CAM) 기술을 기반으로 합니다. 히트맵을 사용하여 잘못 예측된 이미지에서 패턴을 식별하여 모델 품질을 개선할 수 있습니다.

에 점수 탭에서 각 레이블(또는 클래스 또는 결함 유형)에 대한 모델의 정밀도 및 리콜을 확인할 수 있습니다. 정밀도와 재현율은 이진 및 다중 클래스 분류 모델의 성능을 측정하는 데 사용되는 평가 메트릭입니다. 정밀도는 모델이 특정 클래스(이 예에서는 결함 유형)를 얼마나 잘 예측하는지 알려줍니다. 재현율은 모델이 특정 클래스를 감지할 수 있었던 횟수를 알려줍니다.

모델 분석은 모델을 예측에 사용하기 전에 모델의 정확도를 이해하는 데 도움이 됩니다.

예상하다

모델 분석 후 이제 이 모델을 사용하여 자기 타일의 결함을 식별하는 예측을 할 수 있습니다.

에 예측 탭에서 선택할 수 있습니다. 단일 예측 및 일괄 예측. 단일 예측에서는 로컬 컴퓨터 또는 S3 버킷에서 단일 이미지를 가져와 결함에 대한 예측을 수행합니다. 일괄 예측에서는 SageMaker Canvas 데이터 세트에 저장된 여러 이미지에 대한 예측을 수행할 수 있습니다. 일괄 예측을 위한 테스트 또는 추론 이미지를 사용하여 SageMaker Canvas에서 별도의 데이터 세트를 생성할 수 있습니다. 이 게시물에서는 단일 예측과 일괄 예측을 모두 사용합니다.

단일 예측의 경우 예측 탭에서 단일 예측다음을 선택 이미지 가져오기 로컬 컴퓨터에서 테스트 또는 추론 이미지를 업로드합니다.

이미지를 가져온 후 모델은 결함에 대해 예측합니다. 첫 번째 추론의 경우 모델이 처음으로 로드되기 때문에 몇 분 정도 걸릴 수 있습니다. 그러나 모델이 로드된 후 이미지에 대한 즉각적인 예측을 수행합니다. 각 레이블 유형에 대한 예측의 이미지와 신뢰 수준을 볼 수 있습니다. 예를 들어, 이 경우 자성 타일 이미지는 요철 표면 결함( Uneven 레이블) 모델은 94% 확신합니다.

마찬가지로 다른 이미지나 이미지 데이터 세트를 사용하여 결함에 대한 예측을 할 수 있습니다.

배치 예측을 위해 레이블이 지정되지 않은 이미지의 데이터 세트를 사용합니다. Magnetic-Tiles-Test-Dataset 로컬 컴퓨터에서 데이터 세트로 12개의 테스트 이미지를 업로드합니다.

에 예측 탭에서 일괄 예측 선택하고 데이터 세트 선택.

선택 Magnetic-Tiles-Test-Dataset 데이터 세트 및 선택 예측 생성.

모든 이미지에 대한 예측을 생성하는 데 약간의 시간이 걸립니다. 상태가 준비, 데이터세트 링크를 선택하여 예측을 확인합니다.

신뢰 수준으로 모든 이미지에 대한 예측을 볼 수 있습니다. 개별 이미지 중 하나를 선택하여 이미지 수준 예측 세부 정보를 볼 수 있습니다.

예측을 CSV 또는 .zip 파일 형식으로 다운로드하여 오프라인으로 작업할 수 있습니다. 예측된 레이블을 확인하고 학습 데이터 세트에 추가할 수도 있습니다. 예측된 레이블을 확인하려면 다음을 선택하십시오. 예측 확인.

예측 데이터 세트에서 예측 레이블이 정확하지 않은 경우 개별 이미지의 레이블을 업데이트할 수 있습니다. 필요에 따라 레이블을 업데이트했으면 훈련된 데이터 세트에 추가 이미지를 교육 데이터 세트에 병합합니다(이 예에서는 Magnetic-Tiles-Dataset).

이렇게 하면 기존 학습 이미지와 예측 레이블이 있는 새 이미지가 모두 포함된 학습 데이터 세트가 업데이트됩니다. 업데이트된 데이터 세트로 새 모델 버전을 교육하고 잠재적으로 모델의 성능을 개선할 수 있습니다. 새 모델 버전은 증분 교육이 아니라 업데이트된 데이터 세트를 사용하여 처음부터 새로 시작하는 교육입니다. 이렇게 하면 새로운 데이터 소스로 모델을 새로 고칠 수 있습니다.

정리

SageMaker Canvas로 작업을 완료한 후 다음을 선택합니다. 로그아웃 세션을 종료하고 추가 비용을 방지합니다.

로그아웃해도 데이터 세트 및 모델과 같은 작업은 저장된 상태로 유지되며 SageMaker Canvas 세션을 다시 시작하여 나중에 작업을 계속할 수 있습니다.

SageMaker Canvas는 예측 생성을 위한 비동기식 SageMaker 엔드포인트를 생성합니다. SageMaker Canvas에서 생성한 엔드포인트, 엔드포인트 구성 및 모델을 삭제하려면 다음을 참조하십시오. 끝점 및 리소스 삭제.

결론

이 게시물에서는 SageMaker Canvas를 사용하여 이미지 분류 모델을 구축하여 제조된 제품의 결함을 예측하고 육안 검사 품질 프로세스를 보완하고 개선하는 방법을 배웠습니다. 제조 환경의 다양한 이미지 데이터 세트와 함께 SageMaker Canvas를 사용하여 예측 유지 관리, 패키지 검사, 작업자 안전, 상품 추적 등과 같은 사용 사례를 위한 모델을 구축할 수 있습니다. SageMaker Canvas는 코드를 작성할 필요 없이 ML을 사용하여 예측을 생성할 수 있는 기능을 제공하여 CV ML 기능의 평가 및 채택을 가속화합니다.

SageMaker Canvas를 시작하고 자세히 알아보려면 다음 리소스를 참조하십시오.

---

저자 소개

브라젠드라 싱 엔터프라이즈 고객과 협력하는 Amazon Web Services의 솔루션 설계자입니다. 그는 강력한 개발자 배경을 가지고 있으며 데이터 및 기계 학습 솔루션에 대한 열렬한 애호가입니다.

대니 스미스 자동차 및 제조 산업의 ML 전략가인 Principal이며 고객을 위한 전략 고문 역할을 합니다. 그의 경력 초점은 주요 의사 결정자가 데이터, 기술 및 수학을 활용하여 회의실에서 작업 현장에 이르기까지 더 나은 결정을 내릴 수 있도록 돕는 것입니다. 최근 그의 대화 대부분은 기계 학습과 생성 AI의 민주화에 관한 것입니다.

다비드 갈리텔리 EMEA 지역의 AI/ML 전문 솔루션 설계자입니다. 그는 브뤼셀에 거주하며 베네룩스 전역의 고객과 긴밀하게 협력하고 있습니다. 그는 아주 어렸을 때부터 개발자였으며 ​​7세에 코딩을 시작했습니다. 그는 대학에서 AI/ML을 배우기 시작했고 그때부터 사랑에 빠졌습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/